Mesterséges Intelligencia
Az algoritmus lehetővé teszi a vizuális terep-relatív navigációt autonóm járművekben
A California Institute of Technology (Caltech) kutatói által kifejlesztett új mély tanulási algoritmus lehetővé teszi az autonóm rendszerek számára, hogy a körülöttük lévő terep megfigyelésével felismerjék, hol vannak. Ez a technológia most először működik a terep szezonális változásaitól függetlenül.
A kutatás június 23-án jelent meg a folyóiratban Tudományos robotika az American Association for the Advanced of Science (AAAS) által.
Vizuális terep-relatív navigáció
A folyamatot vizuális terep-relatív navigációnak (VTRN) nevezik, és először az 1960-as években fejlesztették ki. Az autonóm rendszerek a VTRN-en keresztül a közeli terepet nagy felbontású műholdképekkel hasonlítják össze.
A VTRN jelenlegi generációja azonban megköveteli, hogy az általa megfigyelt terep pontosan illeszkedjen az adatbázisban lévő képekhez. A terepen bekövetkezett bármilyen változás, például hó vagy lehulló levelek, a rendszer meghibásodását okozhatja a nem egyező képek miatt. Ez azt jelenti, hogy a VTRN rendszerek könnyen összetéveszthetők, hacsak nincs adatbázis a tájképekről minden elképzelhető körülmény között.
A projektben részt vevő csapat Soon-Jo Chung, Bren légiközlekedési és vezérlési, valamint dinamikus rendszerek professzora, valamint a JPL kutatója laboratóriumából származik. A csapat mély tanulást és mesterséges intelligenciát (AI) használt a szezonális tartalmak eltávolítására, amelyek zavaróak lehetnek a VTRN-rendszerek számára.
Anthony Fragoso oktató és munkatárs, valamint a Science Robotics című tanulmány vezető szerzője.
„Az alapszabály az, hogy mindkét képnek – a műholdról és az autonóm járműről készültnek – azonos tartalommal kell rendelkeznie ahhoz, hogy a jelenlegi technikák működjenek. A különbségek, amelyeket kezelni tudnak, abban mutatkoznak meg, hogy mit lehet elérni egy Instagram-szűrővel, amely megváltoztatja a kép árnyalatait” – mondja Fragoso. "A valós rendszerekben azonban a dolgok drasztikusan változnak az évszaktól függően, mivel a képek már nem tartalmazzák ugyanazokat az objektumokat, és nem lehet közvetlenül összehasonlítani."
Önfelügyelt tanulás
A folyamatot Chung és Fragoso fejlesztette ki Connor Lee végzős hallgatóval és Austin McCoy egyetemi hallgatóval együttműködve, és „önfelügyelt tanulást” használ.
Ahelyett, hogy az emberi annotátorokra hagyatkoznánk a nagy adatkészletek összeállításában, hogy megtanítsák az algoritmust, hogyan lehet felismerni valamit, ahogy az a legtöbb számítógépes látási stratégia esetében történik, ez a folyamat lehetővé teszi az algoritmus számára, hogy önmagát tanítsa. A mesterséges intelligencia úgy érzékeli a képek mintázatait, hogy kiszedi azokat a részleteket és jellemzőket, amelyeket az emberi szem figyelmen kívül hagyna.
A VTRN jelenlegi generációjának kiegészítése az új rendszerrel pontosabb lokalizációt eredményez. Az egyik kísérletben a kutatók megpróbálták lokalizálni a nyári lombozat képeit a téli lombhullás képeihez képest korrelációs alapú VTRN technikával. Megállapították, hogy a próbálkozások 50 százaléka navigációs hibához vezetett, de amikor beillesztették az új algoritmust a VTRN-be, a próbálkozások 92 százaléka helyesen illeszkedett, a másik 8 százalék pedig már előzetesen problémásként azonosítható.
„A számítógépek olyan homályos mintákat találhatnak, amelyeket a szemünk nem lát, és még a legkisebb trendeket is felvehetik” – mondja Lee. „Fennállt a veszélye, hogy a VTRN megvalósíthatatlan technológiává alakul a hétköznapi, de kihívásokkal teli környezetben. Több évtizedes munkát mentettünk meg a probléma megoldásában.”
Alkalmazások az űrben
Az új rendszer nem csak autonóm földi drónokhoz használható, hanem űrmissziókhoz is használható. A JPL Mars 2020 Perseverance rover küldetése VTRN-t használt a Jezero-kráterbe való belépés, leszállás és leszállás során, amelyet korábban túl veszélyesnek tartottak a biztonságos belépéshez.
Chung szerint az olyan roverek számára, mint a Perseverance, „bizonyos mennyiségű autonóm vezetésre van szükség, mivel az adások hét percet vesznek igénybe a Föld és a Mars között, és nincs GPS a Marson”.
A csapat úgy véli, hogy az új rendszert a mars sarki régióiban is lehetne használni, ahol intenzív szezonális változások vannak. Lehetővé teheti a jobb navigációt a tudományos célok, például a vízkeresés támogatása érdekében.
A csapat most kibővíti a technológiát, hogy figyelembe vegye az időjárás változásait, mint például a köd, eső és hó. Ez a munka az önvezető autók jobb navigációs rendszeréhez vezethet.
