Algoritma Mengaktifkan Navigasi Visual Terrain-Relative pada Kendaraan Otonom

Sebuah algoritma pembelajaran dalam yang baru dikembangkan oleh peneliti di California Institute of Technology (Caltech) memungkinkan sistem otonom untuk mengenali di mana mereka berada dengan mengamati medan sekitar mereka. Untuk pertama kalinya, teknologi ini dapat bekerja tanpa memperhatikan perubahan musim pada medan.

Penelitian ini dipublikasikan pada 23 Juni di jurnal Science Robotics oleh American Association for the Advancement of Science (AAAS).

Navigasi Visual Terrain-Relative

Proses ini disebut navigasi visual terrain-relative (VTRN), dan pertama kali dikembangkan pada 1960-an. Sistem otonom dapat menemukan lokasi mereka melalui VTRN dengan membandingkan medan sekitar dengan gambar satelit resolusi tinggi.

Namun, generasi VTRN saat ini memerlukan medan yang diamati untuk mencocokkan gambar di database. Perubahan apa pun pada medan, seperti salju atau daun yang jatuh, dapat menyebabkan sistem gagal karena gambar yang tidak cocok. Ini berarti sistem VTRN dapat dengan mudah bingung kecuali ada database gambar lanskap di bawah setiap kondisi yang mungkin.

Tim yang terlibat dalam proyek ini berasal dari laboratorium Soon-Jo Chung, Bren Professor of Aerospace dan Control and Dynamical Systems dan ilmuwan peneliti di JPL. Tim menggunakan pembelajaran dalam dan kecerdasan buatan (AI) untuk menghilangkan konten musim yang dapat menyebabkan masalah pada sistem VTRN.

Anthony Fragoso adalah dosen dan ilmuwan staf, serta penulis utama makalah Science Robotics.

“Aturan praktisnya adalah bahwa kedua gambar — yang dari satelit dan yang dari kendaraan otonom — harus memiliki konten yang identik agar teknik saat ini bekerja. Perbedaan yang dapat mereka tangani adalah tentang apa yang dapat dilakukan dengan filter Instagram yang mengubah nuansa gambar,” kata Fragoso. “Namun, dalam sistem nyata, hal-hal berubah secara drastis berdasarkan musim karena gambar tidak lagi mengandung objek yang sama dan tidak dapat dibandingkan secara langsung.”

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

Pembelajaran Mandiri

Proses ini dikembangkan oleh Chung dan Fragoso dalam kolaborasi dengan mahasiswa pascasarjana Connor Lee dan mahasiswa sarjana Austin McCoy, dan menggunakan “pembelajaran mandiri”.

Alih-alih mengandalkan annotator manusia untuk mengkurasi dataset besar untuk mengajarkan algoritma bagaimana mengenali sesuatu, seperti yang dilakukan oleh sebagian besar strategi penglihatan komputer, proses ini memungkinkan algoritma untuk mengajarkan dirinya sendiri. AI mendeteksi pola dalam gambar dengan mengeluarkan detail dan fitur yang tidak dapat dilihat oleh mata manusia.

Dengan menambahkan sistem baru ke generasi VTRN saat ini, hasilnya adalah lokalisasi yang lebih akurat. Salah satu eksperimen melibatkan peneliti yang mencoba melokalisasi gambar daun musim panas melawan gambar musim dingin menggunakan teknik VTRN berbasis korelasi. Mereka menemukan bahwa 50 persen upaya menghasilkan kegagalan navigasi, tetapi ketika mereka memasukkan algoritma baru ke dalam VTRN, 92 persen upaya cocok, dan 8 persen lainnya dapat diidentifikasi sebagai masalah sebelumnya.

“Komputer dapat menemukan pola yang tidak dapat dilihat oleh mata manusia dan dapat mendeteksi bahkan tren terkecil,” kata Lee. “VTRN berada dalam bahaya menjadi teknologi yang tidak mungkin dilakukan dalam lingkungan yang umum tetapi menantang. Kami menyelamatkan dekade kerja dalam memecahkan masalah ini.”

Aplikasi di Luar Angkasa

Sistem baru ini tidak hanya memiliki kegunaan untuk drone otonom di Bumi, tetapi juga dapat digunakan untuk misi luar angkasa. Misi rover Mars 2020 Perseverance JPL menggunakan VTRN selama masuk, turun, dan mendarat di kawah Jezero, yang sebelumnya dianggap terlalu berbahaya untuk pendaratan yang aman.

Menurut Chung, untuk rover seperti Perseverance, “sejumlah tertentu pengemudi otonom diperlukan karena transmisi membutuhkan waktu tujuh menit untuk melakukan perjalanan antara Bumi dan Mars, dan tidak ada GPS di Mars.”

Tim percaya bahwa sistem baru ini juga dapat digunakan di daerah kutub Mars, yang memiliki perubahan musim yang intens. Ini dapat memungkinkan navigasi yang ditingkatkan untuk mendukung tujuan ilmiah, seperti pencarian air.

Tim akan segera memperluas teknologi ini untuk mempertimbangkan perubahan cuaca, seperti kabut, hujan, dan salju. Pekerjaan ini dapat mengarah pada sistem navigasi yang ditingkatkan untuk mobil otonom.