Algoritmi mahdollistaa visuaalisen maastoon suhteellisen navigoinnin autonomisissa ajoneuvoissa

Kalifornian teknillisen instituutin (Caltech) tutkijat kehittivät uuden syväoppimisalgoritmin, joka mahdollistaa autonomisten järjestelmien tunnistaa, missä ne ovat, tarkkailemalla ympäröivää maastoa. Ensimmäistä kertaa tämä teknologia toimii riippumatta maaston muutoksista.

Tutkimus julkaistiin 23. kesäkuuta Science Robotics -lehdessä American Association for the Advancement of Science (AAAS) -järjestön toimesta.

Visuaalinen maastoon suhteellinen navigointi

Tämä prosessi kutsutaan visuaaliseksi maastoon suhteelliseksi navigoinniksi (VTRN), ja se kehitettiin ensimmäisen kerran 1960-luvulla. Autonomiset järjestelmät voivat paikantaa itsensä VTRN:n avulla vertaamalla lähimaastoa korkearesoluutioisiin satelliittikuvauksiin.

Nykyinen VTRN:n sukupolvi edellyttää, että tarkkaillaan maastoa, joka vastaa tarkasti tietokannan kuvia. Maaston muutokset, kuten lumi tai lehtien putoaminen, voivat aiheuttaa järjestelmän epäonnistumisen, koska kuvat eivät täsmää. Tämä tarkoittaa, että VTRN-järjestelmät voivat helposti hämmästyä, ellei tietokannassa ole maisemakuvia jokaisessa mahdollisessa tilanteessa.

Tähän projektiin osallistuva tiimi on Soon-Jo Chungin laboratoriosta, joka on Brenin professori ilmailutekniikassa ja ohjattavuuden ja dynaamisen järjestelmän tutkija JPL:ssä. Tiimi käytti syväoppimista ja tekoälyä poistamaan vuodenaikaisen sisällön, joka voi olla haitallista VTRN-järjestelmille.

Anthony Fragoso on luennoitsija ja tutkija, sekä Science Robotics -artikkelin pääkirjoittaja.

“Sääntö on, että molemmat kuvat – satelliittikuva ja autonomisen ajoneuvon kuva – on oltava identtisiä, jotta nykyiset tekniikat toimisivat. Eroja, joita ne voivat käsittelyssä, on noin sama kuin mitä voidaan saavuttaa Instagram-suodattimella, joka muuttaa kuvan sävyjä”, sanoo Fragoso. “Oikeissa järjestelmissä asiat muuttuvat kuitenkin dramaattisesti vuodenaikojen mukaan, koska kuvat eivät enää sisällä samoja kohteita eivätkä voi olla suoraan verrannollisia.”

https://www.youtube.com/watch?v=U5Kr0YI3sec

Itseohjautuva oppiminen

Tämä prosessi kehitettiin Chungin ja Fragoson yhteistyössä graduate-opiskelija Connor Leen ja undergraduate-opiskelija Austin McCoyn kanssa, ja se käyttää “itseohjautuvaa oppimista”.

Sen sijaan, että riippuisi ihmisten annotaattoreista, jotka kokoavat suuria tietoja opettaakseen algoritmille, miten tunnistaa jotain, kuten useimmissa tietokoneen näköstrategioissa, tämä prosessi mahdollistaa algoritmille opettaa itsensä. Tekoäly havaitsee kuvissa kuvioita, joita silmä ei huomaa.

Lisäämällä uuden järjestelmän nykyiseen VTRN:ään, se tuottaa tarkemman paikannuksen. Yksi kokeessa tutkijat yrittivät paikantaa kesän lehtien kuvia talven lehtien poistumisen kuvaa vastaan korrelaatiopohjaisella VTRN-teknikalla. He löysivät, että 50 prosenttia yrityksistä johti navigointivirheisiin, mutta kun he lisäsivät uuden algoritmin VTRN:ään, 92 prosenttia yrityksistä oli oikein, ja loput 8 prosenttia voitiin tunnistaa etukäteen ongelmallisiksi.

“Tietokoneet voivat löytää epäselviä kuvioita, joita silmämme eivät näe, ja ne voivat havaita jopa pienimmän trendin”, sanoo Lee. “VTRN oli vaarassa muuttua ei-toimivaksi teknologiaksi yleisissä, haastavissa ympäristöissä. Pelastimme vuosikymmeniä kestäneen työn tämän ongelman ratkaisemiseksi.”

Sovellukset avaruudessa

Uusi järjestelmä ei ole vain käytettävissä autonomisissa lennokeissa maapallolla, vaan se voidaan myös käyttää avaruuslähdöissä. JPL:n Mars 2020 Perseverance -luotainohjelma käytti VTRN:ää laskeutumisen aikana Jezero-krateriin, jota aiemmin pidettiin liian vaarallisena turvallisen laskeutumisen kannalta.

Chungin mukaan, rovereille kuten Perseverance, “tietyt määrät autonomista ajoa ovat välttämättömiä, koska siirrot kestävät seitsemän minuuttia matkustaa Maasta Marsiin, eikä Marsissa ole GPS:ää.”

Tiimi uskoo, että uusi järjestelmä voidaan myös käyttää Marsin napaseutujen alueilla, joilla on voimakkaat vuodenaikaiset muutokset. Se voisi mahdollistaa parannetun navigoinnin tukemaan tieteellisiä tavoitteita, kuten veden etsintää.

Tiimi laajentaa nyt teknologiaa ottaen huomioon säämuutokset, kuten sumun, sateen ja lumensyöksyn. Tämä työ voisi johtaa parannettuihin navigointijärjestelmiin itseajaviin autoihin.