Algorytm umożliwia nawigację względem terenu w pojazdach autonomicznych

Naukowcy z California Institute of Technology (Caltech) opracowali nowy algorytm głębokiego uczenia, który umożliwia systemom autonomicznym rozpoznanie ich położenia poprzez obserwację terenu wokół nich. Po raz pierwszy ta technologia może działać niezależnie od zmian sezonowych terenu.

Badania zostały opublikowane 23 czerwca w czasopiśmie Science Robotics przez American Association for the Advancement of Science (AAAS).

Nawigacja względem terenu

Proces ten nazywa się nawigacją względem terenu (VTRN) i został po raz pierwszy opracowany w latach 60. Systemy autonomiczne mogą określić swoje położenie za pomocą VTRN, porównując pobliski teren z wysokorozdzielczymi obrazami satelitarnymi.

Jednak obecna generacja VTRN wymaga, aby teren, który obserwuje, był bardzo podobny do obrazów w bazie danych. Jakiekolwiek zmiany w terenie, takie jak śnieg lub opadające liście, mogą spowodować awarię systemu z powodu niezgodności obrazów. Oznacza to, że systemy VTRN mogą być łatwo mylone, chyba że istnieje baza danych obrazów krajobrazu w każdych możliwych warunkach.

Zespół zaangażowany w ten projekt pochodzi z laboratorium Soon-Jo Chung, Bren Professor of Aerospace and Control and Dynamical systems oraz naukowca w JPL. Zespół wykorzystał głębokie uczenie i sztuczną inteligencję (AI), aby usunąć sezonowe treści, które mogą być kłopotliwe dla systemów VTRN.

Anthony Fragoso jest wykładowcą i głównym autorem artykułu w Science Robotics.

“Zasada jest taka, że oba obrazy – ten z satelity i ten z pojazdu autonomicznego – muszą mieć identyczne treści, aby obecne techniki działały. Różnice, które mogą być obsłużone, są takie same, jak te, które można osiągnąć za pomocą filtra Instagram, który zmienia odcień obrazu”, mówi Fragoso. “W rzeczywistych systemach jednak wszystko zmienia się dramatycznie w zależności od pory roku, ponieważ obrazy nie zawierają już tych samych obiektów i nie mogą być bezpośrednio porównywane”.

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

Samouczne uczenie

Proces ten został opracowany przez Chung i Fragoso we współpracy z doktorantem Connor Lee i studentem Austinem McCoy, i wykorzystuje “samouczne uczenie”.

Zamiast polegać na annotatorach, aby przygotować duże zestawy danych w celu nauczenia algorytmu, jak rozpoznać coś, ten proces pozwala algorytmowi nauczyć się samemu. AI wykrywa wzorce w obrazach, wyciągając szczegóły i cechy, których ludzkie oko nie zauważyłoby.

Dzięki uzupełnieniu obecnej generacji VTRN nowym systemem, uzyskuje się bardziej dokładne położenie. Jednym z eksperymentów było próba lokalizacji obrazów liści letnich przeciwko zimowym obrazom bez liści przy użyciu techniki VTRN opartej na korelacji. Stwierdzono, że 50% prób skutkowało awarią nawigacji, ale gdy wstawiono nowy algorytm do VTRN, 92% prób zostało poprawnie dopasowanych, a pozostałe 8% mogło być zidentyfikowane jako problematyczne z wyprzedzeniem.

“Komputery mogą znaleźć ukryte wzorce, których nasze oczy nie widzą, i mogą dostrzec nawet najmniejszy trend”, mówi Lee. “VTRN było w niebezpieczeństwie, że stanie się niemożliwą technologią w powszechnych, ale trudnych środowiskach. Uratowaliśmy dekady pracy nad rozwiązaniem tego problemu”.

Zastosowania w kosmosie

Nowy system nie ma tylko zastosowania w autonomicznych dronach na Ziemi, ale może być również wykorzystany w misjach kosmicznych. Misja Mars 2020 Perseverance rover JPL wykorzystała VTRN podczas wejścia, opadania i lądowania w kraterze Jezero, który wcześniej był uważany za zbyt niebezpieczny dla bezpiecznego wejścia.

Według Chung, dla łazików takich jak Perseverance “pewna ilość autonomicznej jazdy jest konieczna, ponieważ transmisje zajmują siedem minut, aby dotrzeć z Ziemi na Marsa, i nie ma GPS na Marsie”.

Zespół uważa, że nowy system może być również wykorzystany w polarnej okolicy Marsa, która ma intensywne zmiany sezonowe. Mogłoby to umożliwić poprawioną nawigację w celu wsparcia celów naukowych, takich jak poszukiwanie wody.

Zespół będzie teraz rozwijał technologię, aby uwzględnić zmiany pogody, takie jak mgła, deszcz i śnieg. Praca ta może doprowadzić do poprawionych systemów nawigacji dla samochodów autonomicznych.