Algoritmo Abilita la Navigazione Visiva Relativa al Terreno nei Veicoli Autonomi

Un nuovo algoritmo di apprendimento profondo sviluppato da ricercatori del California Institute of Technology (Caltech) consente ai sistemi autonomi di riconoscere dove si trovano osservando il terreno intorno a loro. Per la prima volta, questa tecnologia può funzionare indipendentemente dai cambiamenti stagionali del terreno.

La ricerca è stata pubblicata il 23 giugno sulla rivista Science Robotics dell’American Association for the Advancement of Science (AAAS).

Navigazione Visiva Relativa al Terreno

Il processo si chiama navigazione visiva relativa al terreno (VTRN) e fu sviluppato per la prima volta negli anni ’60. I sistemi autonomi possono localizzarsi attraverso la VTRN confrontando il terreno vicino con immagini satellitari ad alta risoluzione.

Tuttavia, l’attuale generazione di VTRN richiede che il terreno che sta osservando corrisponda strettamente alle immagini nel database. Qualsiasi alterazione del terreno, come neve o foglie cadute, può causare il fallimento del sistema a causa di immagini non corrispondenti. Ciò significa che i sistemi VTRN possono essere facilmente confusi a meno che non ci sia un database di immagini del paesaggio in ogni condizione concepibile.

Il team coinvolto in questo progetto proviene dal laboratorio di Soon-Jo Chung, Bren Professor of Aerospace e Control e Dynamical Systems e ricercatore presso il JPL. Il team ha utilizzato l’apprendimento profondo e l’intelligenza artificiale (AI) per rimuovere il contenuto stagionale che può essere problematico per i sistemi VTRN.

Anthony Fragoso è un docente e scienziato di staff, nonché autore principale del paper di Science Robotics.

“La regola empirica è che entrambe le immagini – quella del satellite e quella del veicolo autonomo – devono avere un contenuto identico perché le tecniche attuali funzionino. Le differenze che possono gestire sono circa quelle che possono essere realizzate con un filtro Instagram che cambia i toni di un’immagine”, afferma Fragoso. “Tuttavia, nei sistemi reali, le cose cambiano drasticamente in base alla stagione perché le immagini non contengono più gli stessi oggetti e non possono essere confrontate direttamente”.

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

Apprendimento Autonomo

Il processo è stato sviluppato da Chung e Fragoso in collaborazione con lo studente di dottorato Connor Lee e lo studente undergraduate Austin McCoy, e utilizza l'”apprendimento autonomo”.

Invece di affidarsi ad annotatori umani per curare grandi set di dati al fine di insegnare a un algoritmo a riconoscere qualcosa, come nel caso della maggior parte delle strategie di visione computerizzata, questo processo consente all’algoritmo di insegnare a se stesso. L’AI rileva pattern nelle immagini individuando dettagli e caratteristiche che l’occhio umano non può notare.

Integrando il nuovo sistema con l’attuale generazione di VTRN, si ottiene una localizzazione più precisa. Un esperimento ha coinvolto i ricercatori che hanno tentato di localizzare immagini di fogliame estivo contro immagini di fogliame invernale utilizzando una tecnica di VTRN basata sulla correlazione. Hanno scoperto che il 50% dei tentativi ha portato a fallimenti di navigazione, ma quando hanno inserito il nuovo algoritmo nella VTRN, il 92% dei tentativi è stato correttamente abbinato e l’8% rimanente poteva essere identificato come problematico in anticipo.

“I computer possono trovare pattern oscuri che i nostri occhi non possono vedere e possono rilevare anche la più piccola tendenza”, afferma Lee. “La VTRN era in pericolo di diventare una tecnologia non fattibile in ambienti comuni ma impegnativi. Abbiamo salvato decenni di lavoro nel risolvere questo problema”.

Applicazioni nello Spazio

Il nuovo sistema non ha solo un uso per i droni autonomi sulla Terra, ma può anche essere utilizzato per le missioni spaziali. La missione Mars 2020 Perseverance rover del JPL ha utilizzato la VTRN durante l’ingresso, la discesa e l’atterraggio nella cratera Jezero, che in precedenza era considerata troppo pericolosa per un ingresso sicuro.

Secondo Chung, per rover come Perseverance, “è necessaria una certa quantità di guida autonoma poiché le trasmissioni richiedono sette minuti per viaggiare tra la Terra e Marte e non c’è un GPS su Marte”.

Il team ritiene che il nuovo sistema possa anche essere utilizzato nelle regioni polari di Marte, che hanno intensi cambiamenti stagionali. Potrebbe consentire una navigazione migliorata per supportare obiettivi scientifici, come la ricerca di acqua.

Il team ora estenderà la tecnologia per tenere conto dei cambiamenti meteorologici, come nebbia, pioggia e neve. Questo lavoro potrebbe portare a sistemi di navigazione migliorati per le auto a guida autonoma.