Tutkijat kehittivät autonomisen järjestelmän, joka pystyy havaitsemaan varjojen muutoksia

MIT:n insinöörit ovat kehittäneet uuden järjestelmän, joka on erittäin tärkeä autonomisten ajoneuvojen ja niiden turvallisuuden kannalta. Järjestelmä pystyy havaitsemaan pieniä muutoksia varjoissa maassa, ja se voi määrittää, onko lähistöllä liikkuva esineitä. 

Yksi tärkeimmistä tavoitteista autonomisten ajoneuvojen kehittämisessä on turvallisuuden parantaminen. Insinöörit työskentelevät jatkuvasti ajoneuvojen parantamiseksi välttämään törmäyksiä muihin autoihin tai jalankulkijoihin, erityisesti niiden kääntyessä rakennuksen kulman takaa. 

Uusi järjestelmä voi myös olla käytössä tulevaisuuden roboteissa, jotka liikkuvat sairaaloissa. Nämä robotit voivat toimittaa lääkkeitä tai tarvikkeita sairaaloissa, ja järjestelmä auttaa niitä välttämään törmäyksiä ihmisiin. 

Tutkimusraportti esitellään ensi viikolla Kansainvälisessä robotti- ja järjestelmäkonferenssissa (IROS). Siinä on kuvattu tutkijoiden suorittamia onnistuneita kokeita, mukaan lukien autonomisen auton liikkuminen parkkihallissa ja pysähtyminen toisen ajoneuvon lähestyessä.

Nykyinen järjestelmä perustuu usein LIDAR-tekniikkaan, joka pystyy havaitsemaan näkyvät esineet yli puolen sekunnin verran. Tutkijoiden mukaan sekunnin murto-osat voivat tehdä suuren eron nopeasti liikkuvissa autonomisissa ajoneuvoissa.  

“Sovelluksissa, joissa robotit liikkuvat ympäristössä, jossa on muita liikkuvia esineitä tai ihmisiä, menetelmämme voi antaa robotille varoitus, että joku on tulossa kulman takaa, jotta ajoneuvo voi hidastaa, sopeuttaa reittiään ja valmistautua etukäteen välttämään törmäyksen,” sanoo yhteistyötekijä Daniela Rus, tietojenkäsittely- ja tekoälylaboratorion (CSAIL) johtaja ja Andrew ja Erna Viterbin professori sähkö- ja tietotekniikassa. “Suuri unelma on antaa ‘röntgen-näkö’ nopeasti liikkuville ajoneuvoille kaduilla.”

Uusi autonominen järjestelmä on testattu ainoastaan sisätiloissa. Näissä olosuhteissa valaistusolosuhteet ovat heikommat, ja robottien nopeudet ovat hitaampia. Autonomisen järjestelmän on helppo analyysia ja havaita varjoja tässä ympäristössä. 

Raportti on koostettu Daniela Rusin, ensimmäisen tekijän Felix Naserin, joka on entinen CSAIL-tutkija, Alexander Aminin, CSAIL-jatko-opiskelijan, Igor Gilitschenskin, CSAIL-postdocin, graduate Christina Lian, Guy Rosmanin, Toyota Research Instituten, ja Sertac Karamanin, ilmailu- ja avaruustekniikan apulaisprofessorin, yhteistyönä. 

ShadowCam-järjestelmä

Ennen uusia kehityksiä tutkijat olivat jo kehittäneet järjestelmän nimeltä “ShadowCam”. Järjestelmä pystyy tunnistamaan ja luokittelemaan varjojen muutoksia maassa tietokoneavusteisen näön avulla. Järjestelmän aikaisemmat versiot kehittivät MIT:n professorit William Freeman ja Antonio Torralba. Kaksi professoria ei ollut yhteistyötekijöitä IROS-raportissa, ja heidän työnsä esiteltiin vuosina 2017 ja 2018. 

ShadowCam käyttää kohdekohtaista kameraa, ja se pystyy havaitsemaan valon voimakkuuden muutoksia ajassa. Tämä kertoo järjestelmälle, onko jokin liikkumassa kauemmas tai lähemmäs, ja se analysoi tiedon ja luokittelee jokaisen kuvan paikalliseksi tai liikkuvaksi esineeksi. Tämä mahdollistaa järjestelmän toimimisen parhaalla mahdollisella tavalla. 

ShadowCamia muokattiin ja muutettiin käytettäväksi autonomisissa ajoneuvoissa. Alun perin se käytti lisättyjä todellisuuden merkintöjä, jotka olivat kuin QR-koodit. ShadowCam käytti näitä keskittyäkseen tiettyihin pikseliryhmiin ja määrittääkseen, olivatko varjoja läsnä. Tämä järjestelmä osoittautui kuitenkin mahdottomaksi käytettäväksi todellisissa tilanteissa. 

Tutkijat kehittivät uuden prosessin, joka yhdistää kuvan rekisteröinti- ja visuaalisen odometrian. Kuvan rekisteröinti yhdistää useita kuvia, jotta voidaan tunnistaa muutokset. 

Tutkijoiden käyttämä visuaalinen odometria on nimeltään “Direct Sparse Odometry” (DSO), ja se toimii samalla tavalla kuin AprilTags. DSO käyttää 3D-pilvipalvelua ja piirtää ympäristön eri piirteitä sille. Tietokoneavusteinen näköputki sitten paikantaa kiinnostuksen kohteen, kuten lattian. 

ShadowCam käyttää DSO-kuvan rekisteröintiä ja yhdistää kaikki samasta näkökulmasta otetut kuvat. Robotti, joka liikkuu tai pysähtyy, pystyy tämän jälkeen keskittymään samaan pikseliin, jossa on varjo. 

Mitä seuraavaksi

Tutkijat jatkavat järjestelmän kehittämistä ja keskittyvät sisä- ja ulkovalaistusolosuhteiden eroihin. Lopulta tiimi haluaa lisätä järjestelmän nopeutta ja automatisoida prosessin.