Un algorithme permet une navigation visuelle relative au terrain dans les véhicules autonomes

Un nouvel algorithme d'apprentissage en profondeur développé par des chercheurs du California Institute of Technology (Caltech) permet aux systèmes autonomes de reconnaître où ils se trouvent en observant le terrain qui les entoure. Pour la toute première fois, cette technologie peut fonctionner quels que soient les changements saisonniers du terrain.

La recherche a été publiée le 23 juin dans la revue sciences Robotique par l'Association américaine pour l'avancement des sciences (AAAS).

Navigation visuelle relative au terrain

Le processus est appelé navigation visuelle relative au terrain (VTRN), et il a été développé pour la première fois dans les années 1960. Les systèmes autonomes peuvent se localiser via le VTRN en comparant le terrain à proximité aux images satellites haute résolution.

Cependant, la génération actuelle de VTRN exige que le terrain qu'il observe corresponde étroitement aux images de la base de données. Toute altération du terrain, telle que la neige ou la chute de feuilles, peut entraîner l'échec du système à partir d'images non concordantes. Cela signifie que les systèmes VTRN peuvent être facilement confondus à moins qu'il n'y ait une base de données des images de paysage dans toutes les conditions imaginables. 

L'équipe impliquée dans ce projet provient du laboratoire de Soon-Jo Chung, professeur Bren d'aérospatiale et de systèmes de contrôle et dynamiques et chercheur au JPL. L'équipe a utilisé l'apprentissage en profondeur et l'intelligence artificielle (IA) pour supprimer le contenu saisonnier qui peut être gênant pour les systèmes VTRN. 

Anthony Fragoso est conférencier et scientifique, ainsi que l'auteur principal de l'article Science Robotics.

« La règle de base est que les deux images – celle du satellite et celle du véhicule autonome – doivent avoir un contenu identique pour que les techniques actuelles fonctionnent. Les différences qu'ils peuvent gérer concernent ce qui peut être accompli avec un filtre Instagram qui modifie les teintes d'une image », explique Fragoso. "Dans les systèmes réels, cependant, les choses changent radicalement en fonction de la saison car les images ne contiennent plus les mêmes objets et ne peuvent pas être directement comparées."

Apprentissage auto-supervisé

Le processus a été développé par Chung et Fragoso en collaboration avec l'étudiant diplômé Connor Lee et l'étudiant de premier cycle Austin McCoy, et il utilise «l'apprentissage auto-supervisé».

Au lieu de compter sur des annotateurs humains pour conserver de grands ensembles de données afin d'enseigner à un algorithme comment reconnaître quelque chose, comme c'est le cas avec la plupart des stratégies de vision par ordinateur, ce processus permet à l'algorithme de s'auto-apprendre. L'IA détecte les modèles dans les images en dévoilant les détails et les caractéristiques qui manqueraient à l'œil humain. 

En complétant la génération actuelle de VTRN avec le nouveau système, il donne une localisation plus précise. Une expérience a impliqué les chercheurs qui tentaient de localiser des images de feuillage d'été par rapport à des images de feuillage d'hiver en utilisant une technique VTRN basée sur la corrélation. Ils ont constaté que 50 % des tentatives entraînaient des échecs de navigation, mais lorsqu'ils ont inséré le nouvel algorithme dans le VTRN, 92 % des tentatives étaient correctement appariées et les 8 % restants pouvaient être identifiés comme problématiques à l'avance. 

"Les ordinateurs peuvent trouver des modèles obscurs que nos yeux ne peuvent pas voir et peuvent détecter même la plus petite tendance", explique Lee. « Le VTRN risquait de devenir une technologie irréalisable dans des environnements courants mais difficiles. Nous avons sauvé des décennies de travail pour résoudre ce problème.

Applications dans l'espace

Le nouveau système n'est pas seulement utilisé pour les drones autonomes sur Terre, mais il peut également être utilisé pour des missions spatiales. La mission du rover Mars 2020 Perseverance du JPL a utilisé le VTRN lors de l'entrée, de la descente et de l'atterrissage au cratère Jezero, qui était auparavant considéré comme trop dangereux pour une entrée en toute sécurité.

Selon Chung, pour des rovers comme Perseverance, "une certaine quantité de conduite autonome est nécessaire car les transmissions prennent sept minutes pour voyager entre la Terre et Mars, et il n'y a pas de GPS sur Mars". 

L'équipe pense que le nouveau système pourrait également être utilisé dans les régions polaires martiennes, qui connaissent d'intenses changements saisonniers. Il pourrait permettre d'améliorer la navigation pour soutenir des objectifs scientifiques, comme la recherche d'eau.

L'équipe va maintenant étendre la technologie pour tenir compte des changements météorologiques, tels que le brouillard, la pluie et la neige. Ces travaux pourraient conduire à des systèmes de navigation améliorés pour les voitures autonomes.