Algoritme muliggjør visuell terreng-relativ navigasjon i autonome kjøretøy

En ny dyp læring algoritme utviklet av forskere ved California Institute of Technology (Caltech) muliggjør at autonome systemer kan gjenkjenne hvor de er ved å observere terrenget rundt dem. For første gang noen sinne kan denne teknologien fungere uavhengig av sesongmessige endringer i terrenget.

Forskningen ble publisert den 23. juni i tidsskriftet Science Robotics av American Association for the Advancement of Science (AAAS).

Visuell terreng-relativ navigasjon

Prosessenen kalles visuell terreng-relativ navigasjon (VTRN), og den ble først utviklet på 1960-tallet. Autonome systemer kan lokalisere seg selv gjennom VTRN ved å sammenligne nærliggende terreng med høyoppløselige satellittbilder.

Men den nåværende generasjonen av VTRN krever at terrenget det observerer ligner på bildene i databasen. Enhver endring i terrenget, som snø eller fallende blader, kan forårsake at systemet feiler på grunn av ikke-matching bilder. Dette betyr at VTRN-systemer kan lett bli forvirret medmindre det finnes en database med landskapsbilder under alle tenkelige forhold.

Teamet som var involvert i dette prosjektet kommer fra laben til Soon-Jo Chung, Bren Professor of Aerospace and Control and Dynamical systems og forskningsscientist ved JPL. Teamet brukte dyp læring og kunstig intelligens (AI) for å fjerne sesongmessig innhold som kan være problematisk for VTRN-systemer.

Anthony Fragoso er en foreleser og stabsscientist, samt hovedforfatter av Science Robotics-papiret.

“Regelen er at begge bilder — det fra satellitten og det fra det autonome kjøretøyet — må ha identisk innhold for å fungere med nåværende teknikker. Forskjellene de kan håndtere er omtrent det som kan oppnås med en Instagram-filter som endrer bildets farger,” sier Fragoso. “I virkelige systemer endrer ting seg imidlertid dramatisk basert på sesongen fordi bildene ikke lenger inneholder de samme objektene og kan ikke sammenlignes direkte.”

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

Selv-supervisert læring

Prosessenen ble utviklet av Chung og Fragoso i samarbeid med graduate student Connor Lee og undergraduate student Austin McCoy, og den bruker “selv-supervisert læring.”

I stedet for å være avhengig av menneskelige annotatorer for å kuratere store datasett for å lære en algoritme å gjenkjenne noe, som er tilfelle med de fleste computer-vision-strategier, muliggjør denne prosessen at algoritmen kan lære seg selv. AI-en detekterer mønster i bilder ved å trekke ut detaljer og trekk som det menneskelige øyet ville overse.

Ved å supplere den nåværende generasjonen av VTRN med det nye systemet, oppnås mer nøyaktig lokalisering. Ett eksperiment involverte at forskerne prøvde å lokalisere bilder av sommer-løvverk mot vinter-løvfall-bilder ved hjelp av en korrelasjons-basert VTRN-teknikk. De fant at 50 prosent av forsøkene resulterte i navigasjonsfeil, men når de innførte den nye algoritmen i VTRN, ble 92 prosent av forsøkene korrekt matchet, og de gjenværende 8 prosent kunne identifiseres som problematiske på forhånd.

“Datamaskiner kan finne obskure mønster som våre øyne ikke kan se og kan plukke opp selv de minste trekk,” sier Lee. “VTRN var i ferd med å bli en urealistisk teknologi i vanlige, men utfordrende miljøer. Vi reddet tiårs arbeid med å løse dette problemet.”

Anvendelser i rommet

Det nye systemet har ikke bare bruk for autonome droner på jorden, men kan også brukes for romoppdrag. JPLs Mars 2020 Perseverance-rovers oppdrag brukte VTRN under innkjøringen, nedstigningen og landingen i Jezero-krateret, som tidligere ble ansett som for farlig for trygg innkjøring.

Ifølge Chung er en viss mengde autonom kjøring nødvendig for rovere som Perseverance, “siden overføringer tar syv minutter å reise mellom jorden og Mars, og det finnes ingen GPS på Mars.”

Teamet tror at det nye systemet også kan brukes i de martianske polare regionene, som har intense sesongmessige endringer. Det kan muliggjøre forbedret navigasjon for å støtte vitenskapelige mål, som søket etter vann.

Teamet vil nå utvide teknologien for å ta hensyn til værforandringer, som tåke, regn og snø. Dette arbeidet kan føre til bedre navigasjonssystemer for selvkjørende biler.