Onderzoekers ontwikkelen autonome systemen die veranderingen in schaduwen kunnen detecteren

Engineers at MIT hebben een nieuw systeem ontwikkeld dat extreem belangrijk is voor autonome voertuigen en hun veiligheid. Het systeem is in staat om kleine veranderingen in schaduwen op de grond te detecteren en kan bepalen of er zich bewegende objecten in de buurt bevinden.

Een van de belangrijkste doelen voor elk bedrijf dat autonome voertuigen wil creëren, is een toename van de veiligheid. Ingenieurs werken constant aan het verbeteren van de voertuigen om botsingen met andere auto’s of voetgangers te voorkomen, vooral als ze om een hoek van een gebouw komen.

Het nieuwe systeem heeft ook het potentieel om te worden gebruikt op toekomstige robots die door ziekenhuizen navigeren. Deze robots kunnen medicijnen of benodigdheden door het hele ziekenhuis leveren en het systeem zou helpen om botsingen met mensen te voorkomen.

Een paper zal volgende week worden gepresenteerd op de International Conference on Intelligent Robots and Systems (IROS). Het bevat beschrijvingen van de succesvolle experimenten die door de onderzoekers zijn uitgevoerd, waaronder een autonome auto die een parkeergarage manoeuvreert en stopt als hij een andere auto nadert.

Het huidige systeem is vaak LIDAR, dat in staat is om zichtbare objecten te detecteren met een vertraging van meer dan een halve seconde. Volgens de onderzoekers kunnen fracties van een seconde een enorm verschil maken in snel bewegende autonome voertuigen.

“Voor toepassingen waarbij robots zich in omgevingen met andere bewegende objecten of mensen bewegen, kan onze methode de robot een vroege waarschuwing geven dat iemand om de hoek komt, zodat het voertuig kan vertragen, zijn pad aanpassen en zich voorbereiden om een botsing te voorkomen,” voegt co-auteur Daniela Rus, directeur van het Computer Science and Artificial Intelligence Laboratory (CSAIL) en de Andrew en Erna Viterbi Professor of Electrical Engineering and Computer Science, toe. “De grote droom is om ‘röntgenvisie’ van soorten te bieden aan voertuigen die snel over de straat bewegen.”

Het nieuwe autonome systeem is alleen getest in een binnenomgeving. In deze omstandigheden zijn de lichtomstandigheden lager en de robotsnelheden zijn langzamer. Het autonome systeem kan schaduwen veel gemakkelijker analyseren en detecteren in deze omgeving.

Het paper is samengesteld door Daniela Rus; eerste auteur Felix Naser, die een voormalig CSAIL-onderzoeker is; Alexander Amini, een CSAIL-promovendus; Igor Gilitschenski, een CSAIL-postdoc; promovendus Christina Liao; Guy Rosman van het Toyota Research Institute; en Sertac Karaman, associate professor of aeronautics and astronautics aan MIT.

ShadowCam Systeem

Vóór de nieuwe ontwikkelingen hadden de onderzoekers al een systeem genaamd “ShadowCam”. Het systeem is in staat om veranderingen in schaduwen op de grond te identificeren en te classificeren met behulp van computer-vision-technieken. De eerdere versies van het systeem werden ontwikkeld door MIT-professoren William Freeman en Antonio Torralba. De twee professoren waren geen co-auteurs van het IROS-paper en hun werk werd gepresenteerd in 2017 en 2018.

ShadowCam gebruikt videoframes van een specifieke camera en kan veranderingen in lichtintensiteit over tijd detecteren. Dit vertelt het systeem of iets verder weg beweegt of dichterbij komt, en het analyseert de informatie en classificeert elk beeld als een stationair object of een bewegend object. Dit stelt het systeem in staat om op de beste mogelijke manier te handelen.

ShadowCam werd aangepast en veranderd om te worden gebruikt op autonome voertuigen. Oorspronkelijk gebruikte het augmented reality-labels genaamd “AprilTags”, die als QR-codes fungeerden. ShadowCam gebruikte deze om zich te concentreren op bepaalde clusters van pixels om te bepalen of er schaduwen aanwezig waren. Echter, dit systeem bleek onmogelijk te gebruiken in echte wereldsituaties.

Daarom creëerden de onderzoekers een nieuw proces dat image-registratie en een visual-odometrie-techniek combineert. Image-registratie legt meerdere beelden over elkaar heen om variaties te identificeren.

De visual-odometrie-techniek die de onderzoekers gebruiken, heet “Direct Sparse Odometry” (DSO), en werkt op een soortgelijke manier als de AprilTags. DSO gebruikt een 3D-printwolk en plaatst de verschillende kenmerken van een omgeving op deze wolk. Een computer-vision-pipeline lokaliseert vervolgens een regio van interesse, zoals een vloer.

ShadowCam gebruikt DSO-image-registratie en legt alle beelden van hetzelfde gezichtspunt van de robot over elkaar heen. De robot, die beweegt of stilstaat, kan vervolgens inzoomen op hetzelfde gebied van pixels waar een schaduw is.

Wat Volgt

De onderzoekers zullen doorgaan met het werken aan dit systeem en zullen zich richten op de verschillen tussen binnen- en buitenshuis lichtomstandigheden. Uiteindelijk wil het team de snelheid van het systeem verhogen en het proces automatiseren.