Algoritmo Permite Navegação Visual Relativa ao Terreno em Veículos Autônomos

Um novo algoritmo de aprendizado profundo desenvolvido por pesquisadores do Instituto de Tecnologia da Califórnia (Caltech) permite que sistemas autônomos reconheçam onde estão observando o terreno ao seu redor. Pela primeira vez, essa tecnologia pode funcionar independentemente das mudanças sazonais no terreno.

A pesquisa foi publicada em 23 de junho na revista Science Robotics pela American Association for the Advancement of Science (AAAS).

Navegação Visual Relativa ao Terreno

O processo é chamado de navegação visual relativa ao terreno (VTRN), e foi desenvolvido pela primeira vez na década de 1960. Sistemas autônomos podem localizar-se por meio da VTRN comparando o terreno próximo a imagens de satélite de alta resolução.

No entanto, a geração atual de VTRN requer que o terreno que está observando se aproxime das imagens no banco de dados. Qualquer alteração no terreno, como neve ou folhas caindo, pode causar a falha do sistema devido a imagens não coincidentes. Isso significa que os sistemas VTRN podem ser facilmente confundidos, a menos que haja um banco de dados de imagens da paisagem em todas as condições concebíveis.

A equipe envolvida neste projeto vem do laboratório de Soon-Jo Chung, professor Bren de Aeroespacial e Controle e Sistemas Dinâmicos e cientista de pesquisa no JPL. A equipe utilizou aprendizado profundo e inteligência artificial (IA) para remover o conteúdo sazonal que pode ser problemático para os sistemas VTRN.

Anthony Fragoso é um palestrante e cientista, bem como autor principal do artigo da Science Robotics.

“A regra geral é que ambas as imagens – a do satélite e a do veículo autônomo – devem ter conteúdo idêntico para que as técnicas atuais funcionem. As diferenças que elas podem lidar são sobre o que pode ser realizado com um filtro do Instagram que altera as cores de uma imagem”, diz Fragoso. “Em sistemas reais, no entanto, as coisas mudam drasticamente com base na estação, pois as imagens não contêm mais os mesmos objetos e não podem ser comparadas diretamente.”

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

Aprendizado Auto-Supervisionado

O processo foi desenvolvido por Chung e Fragoso em colaboração com o estudante de pós-graduação Connor Lee e o estudante de graduação Austin McCoy, e utiliza “aprendizado auto-supervisionado”.

Em vez de confiar em anotadores humanos para curar grandes conjuntos de dados para ensinar um algoritmo a reconhecer algo, como é o caso da maioria das estratégias de visão computacional, esse processo permite que o algoritmo se ensine a si mesmo. A IA detecta padrões em imagens destacando detalhes e recursos que o olho humano não perceberia.

Ao complementar a geração atual de VTRN com o novo sistema, obtém-se uma localização mais precisa. Um experimento envolveu os pesquisadores tentando localizar imagens de folhagem de verão contra imagens de inverno sem folhas usando uma técnica de VTRN baseada em correlação. Eles descobriram que 50% das tentativas resultaram em falhas de navegação, mas quando inseriram o novo algoritmo no VTRN, 92% das tentativas foram corretamente combinadas, e os 8% restantes puderam ser identificados como problemáticos antecipadamente.

“Os computadores podem encontrar padrões obscuros que nossos olhos não podem ver e podem capturar até a menor tendência”, diz Lee. “A VTRN estava em perigo de se tornar uma tecnologia inviável em ambientes comuns, mas desafiadores. Nós resgatamos décadas de trabalho na resolução desse problema.”

Aplicações no Espaço

O novo sistema não tem apenas uso para drones autônomos na Terra, mas também pode ser usado para missões espaciais. A missão do rover Perseverance da NASA em Marte usou a VTRN durante a entrada, descida e pouso no Cratera Jezero, que anteriormente era considerada perigosa demais para uma entrada segura.

De acordo com Chung, para rovers como o Perseverance, “uma certa quantidade de direção autônoma é necessária, pois as transmissões levam sete minutos para viajar entre a Terra e Marte, e não há GPS em Marte”.

A equipe acredita que o novo sistema também possa ser usado nas regiões polares de Marte, que têm mudanças sazonais intensas. Isso pode permitir uma navegação melhorada para apoiar objetivos científicos, como a busca por água.

A equipe agora expandirá a tecnologia para levar em conta mudanças climáticas, como nevoeiro, chuva e neve. Esse trabalho pode levar a sistemas de navegação melhorados para carros autônomos.