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

Un nouvel algorithme d’apprentissage profond développé par des chercheurs du California Institute of Technology (Caltech) permet aux systèmes autonomes de reconnaître leur emplacement en observant le terrain qui les entoure. Pour la première fois, cette technologie peut fonctionner quelles que soient les changements saisonniers du terrain.

La recherche a été publiée le 23 juin dans la revue Science Robotics par l’American Association for the Advancement of Science (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 grâce à la VTRN en comparant le terrain proche avec des images satellite à haute résolution.

Cependant, la génération actuelle de VTRN nécessite que le terrain observé corresponde étroitement aux images de la base de données. Toute altération du terrain, telle que la neige ou les feuilles qui tombent, peut causer une défaillance du système en raison de non-correspondance des images. Cela signifie que les systèmes VTRN peuvent être facilement trompés à moins qu’il n’y ait une base de données d’images du paysage dans toutes les conditions concevables.

L’équipe impliquée dans ce projet vient du laboratoire de Soon-Jo Chung, professeur Bren d’aérospatiale et de systèmes de contrôle et de dynamique, ainsi que scientifique de recherche au JPL. L’équipe a utilisé l’apprentissage profond et l’intelligence artificielle (IA) pour supprimer le contenu saisonnier qui peut être problématique pour les systèmes VTRN.

Anthony Fragoso est un chargé de cours et scientifique, ainsi que l’auteur principal de l’article de Science Robotics.

“La règle générale est que les deux images – celle de la base de données et celle du véhicule autonome – doivent avoir un contenu identique pour que les techniques actuelles fonctionnent. Les différences qu’elles peuvent gérer sont à peu près ce qui peut être réalisé avec un filtre Instagram qui modifie les teintes d’une image”, déclare Fragoso. “Dans les systèmes réels, cependant, les choses changent considérablement en fonction de la saison, car les images ne contiennent plus les mêmes objets et ne peuvent pas être directement comparées.”

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

Apprentissage auto-supervisé

Le processus a été développé par Chung et Fragoso en collaboration avec l’étudiant diplômé Connor Lee et l’étudiant en licence Austin McCoy, et il utilise l'”apprentissage auto-supervisé”.

Au lieu de s’appuyer sur des annotateurs humains pour créer de grandes bases de données afin d’enseigner à un algorithme à 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’enseigner lui-même. L’IA détecte des modèles dans les images en faisant ressortir des détails et des caractéristiques que l’œil humain ne remarquerait pas.

En complétant la génération actuelle de VTRN avec le nouveau système, on obtient une localisation plus précise. Une expérience a consisté pour les chercheurs à essayer de localiser des images de feuillage d’été par rapport à des images d’hiver sans feuilles en utilisant une technique VTRN basée sur la corrélation. Ils ont constaté que 50 % des tentatives aboutissaient à des défaillances de navigation, mais lorsque l’algorithme nouveau a été inséré dans la VTRN, 92 % des tentatives ont été correctement associées, 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”, déclare Lee. “La VTRN était en danger 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’a pas seulement une utilité pour les drones autonomes sur Terre, mais il peut également être utilisé pour les missions spatiales. La mission Mars 2020 du rover Perseverance de la JPL a utilisé la VTRN pendant l’entrée, la descente et l’atterrissage dans le cratère Jezero, qui était considéré comme trop dangereux pour un atterrissage sécuritaire.

Selon Chung, pour des rovers comme Perseverance, “une certaine quantité de conduite autonome est nécessaire, car les transmissions mettent 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 ont des changements saisonniers intenses. Il pourrait permettre une navigation améliorée pour soutenir des objectifs scientifiques, tels que 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. Ce travail pourrait conduire à des systèmes de navigation améliorés pour les voitures autonomes.