Algoritme maakt visuele terrein-relatieve navigatie mogelijk in autonome voertuigen

Een nieuwe diepe leer-algoritme ontwikkeld door onderzoekers aan het California Institute of Technology (Caltech) maakt het mogelijk voor autonome systemen om te herkennen waar ze zijn door de omgeving te observeren. Voor het eerst kan deze technologie werken ongeacht de seizoensveranderingen in de omgeving.

Het onderzoek werd op 23 juni gepubliceerd in het tijdschrift Science Robotics door de American Association for the Advancement of Science (AAAS).

Visuele terrein-relatieve navigatie

Het proces heet visuele terrein-relatieve navigatie (VTRN) en werd voor het eerst ontwikkeld in de jaren 60. Autonome systemen kunnen zichzelf lokaliseren door VTRN door de omgeving te vergelijken met hoge-resolutie satellietbeelden.

Echter, de huidige generatie van VTRN vereist dat de omgeving die het observeert, nauw overeenkomt met de beelden in de database. Elke verandering in de omgeving, zoals sneeuw of vallende bladeren, kan ervoor zorgen dat het systeem faalt vanwege niet-overeenkomende beelden. Dit betekent dat VTRN-systemen gemakkelijk verward kunnen raken tenzij er een database is van landschapsbeelden onder alle denkbare omstandigheden.

Het team dat bij dit project betrokken is, komt uit het lab van Soon-Jo Chung, Bren Professor of Aerospace en Control en Dynamical systems en onderzoeker bij JPL. Het team gebruikte diepe leer- en kunstmatige intelligentie (AI) om seizoensgebonden inhoud te verwijderen die problematisch kan zijn voor VTRN-systemen.

Anthony Fragoso is een docent en wetenschappelijk medewerker, evenals de hoofdauteur van het Science Robotics-artikel.

“De vuistregel is dat beide beelden – het satellietbeeld en het beeld van het autonome voertuig – identieke inhoud moeten hebben voor de huidige technieken te werken. De verschillen die ze kunnen hanteren zijn ongeveer wat kan worden bereikt met een Instagram-filter die de kleuren van een beeld verandert”, zegt Fragoso. “In echte systemen veranderen dingen echter drastisch op basis van het seizoen, omdat de beelden niet langer dezelfde objecten bevatten en niet direct kunnen worden vergeleken.”

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

Zelf-supervised learning

Het proces werd ontwikkeld door Chung en Fragoso in samenwerking met graduate student Connor Lee en undergraduate student Austin McCoy, en het gebruikt “zelf-supervised learning”.

In plaats van te vertrouwen op menselijke annotators om grote datasets te cureren om een algoritme te leren hoe iets te herkennen, zoals het geval is met de meeste computer-vision-strategieën, maakt dit proces het mogelijk voor het algoritme om zichzelf te leren. De AI detecteert patronen in beelden door details en kenmerken te ontdekken die het menselijk oog zou missen.

Door de huidige generatie van VTRN te combineren met het nieuwe systeem, levert het meer accurate lokaliseren op. Een experiment waarbij de onderzoekers probeerden om beelden van zomerbladeren te lokaliseren tegen winterbeelden met een correlatie-gebaseerde VTRN-techniek, toonde aan dat 50% van de pogingen resulteerde in navigatiefouten, maar toen ze het nieuwe algoritme in de VTRN invoegden, werden 92% van de pogingen correct gematcht en konden de overige 8% van tevoren worden geïdentificeerd als problematisch.

“Computers kunnen obscure patronen vinden die ons oog niet kan zien en kunnen zelfs de kleinste trend oppikken”, zegt Lee. “VTRN stond op het punt om een onuitvoerbare technologie te worden in gewone maar uitdagende omgevingen. We hebben decennia aan werk gered om dit probleem op te lossen.”

Toepassingen in de ruimte

Het nieuwe systeem heeft niet alleen toepassingen voor autonome drones op aarde, maar kan ook worden gebruikt voor ruimtemissies. De Mars 2020 Perseverance rover-missie van JPL gebruikte VTRN tijdens de intocht, afdaling en landing in de Jezero-krater, die eerder als te gevaarlijk werd beschouwd voor een veilige intocht.

Volgens Chung is voor rovers zoals Perseverance “een zekere hoeveelheid autonome rijden noodzakelijk, omdat transmissies zeven minuten duren om tussen de aarde en Mars te reizen, en er geen GPS op Mars is”.

Het team gelooft dat het nieuwe systeem ook kan worden gebruikt in de poolgebieden van Mars, die intense seizoensveranderingen kennen. Het kan betere navigatie mogelijk maken om wetenschappelijke doelen te ondersteunen, zoals de zoektocht naar water.

Het team zal de technologie nu uitbreiden om rekening te houden met weersveranderingen, zoals mist, regen en sneeuw. Dit werk kan leiden tot verbeterde navigatiesystemen voor zelfrijdende auto’s.