Algoritmul care permite navigarea vizuală relativă la teren în vehiculele autonome

Un nou algoritm de învățare profundă, dezvoltat de cercetători de la Institutul de Tehnologie din California (Caltech), permite sistemelor autonome să recunoască locația lor prin observarea terenului din jurul lor. Pentru prima dată, această tehnologie poate funcționa indiferent de schimbările sezoniere ale terenului.

Cercetarea a fost publicată pe 23 iunie în revista Science Robotics de către Asociația Americană pentru Avansarea Științei (AAAS).

Navigare vizuală relativă la teren

Procesul se numește navigare vizuală relativă la teren (VTRN) și a fost dezvoltat pentru prima dată în anii 1960. Sistemele autonome pot localiza poziția lor prin VTRN, comparând terenul din jur cu imagini satelitare de înaltă rezoluție.

Cu toate acestea, generația actuală de VTRN necesită ca terenul observat să se potrivească strâns cu imaginile din baza de date. Orice modificări ale terenului, cum ar fi zăpada sau frunzele căzute, pot cauza eșecul sistemului din cauza imaginilor care nu se potrivesc. Acest lucru înseamnă că sistemele VTRN pot fi ușor confundate, cu excepția cazului în care există o bază de date cu imagini ale peisajului în toate condițiile posibile.

Echipa implicată în acest proiect provine din laboratorul lui Soon-Jo Chung, profesor de aerospațială și sisteme de control și dinamice, și cercetător științific la JPL. Echipa a utilizat învățarea profundă și inteligența artificială (IA) pentru a elimina conținutul sezonier care poate fi problematic pentru sistemele VTRN.

Anthony Fragoso este lector și cercetător științific, precum și autor principal al articolului din Science Robotics.

“Regula de bază este că ambele imagini – cea de la satelit și cea de la vehiculul autonom – trebuie să aibă conținut identic pentru ca tehnicile actuale să funcționeze. Diferențele pe care le pot gestiona sunt aproximativ ceea ce se poate realiza cu un filtru Instagram care modifică nuanțele unei imagini”, spune Fragoso. “În sistemele reale, cu toate acestea, lucrurile se schimbă drastic în funcție de sezon, deoarece imaginile nu mai conțin aceleași obiecte și nu pot fi comparate direct.”

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

Învățare auto-supervizată

Procesul a fost dezvoltat de către Chung și Fragoso, în colaborare cu studentul absolvent Connor Lee și studentul undergraduate Austin McCoy, și utilizează “învățarea auto-supervizată”.

În loc să se bazeze pe annotatori umani pentru a crea seturi de date mari pentru a învăța un algoritm să recunoască ceva, așa cum este cazul cu majoritatea strategiilor de viziune computerizată, acest proces permite algoritmul să se învețe singur. IA detectează modele în imagini, scoțând în evidență detalii și caracteristici pe care ochiul uman le-ar pierde.

Prin completarea generației actuale de VTRN cu noul sistem, se obține o localizare mai precisă. Un experiment a implicat încercarea de a localiza imagini de frunziș de vară împotriva imaginilor de iarnă, folosind o tehnică VTRN bazată pe corelație. S-a constatat că 50% din încercări au dus la eșecuri de navigare, dar atunci când s-a introdus noul algoritm în VTRN, 92% din încercări au fost corect asociate, iar celelalte 8% au putut fi identificate ca problematice în avans.

“Calculatoarele pot găsi modele obscure pe care ochii noștri nu le pot vedea și pot detecta chiar și cele mai mici tendințe”, spune Lee. “VTRN era în pericol de a deveni o tehnologie nefezabilă în medii comune, dar dificile. Am salvat decenii de muncă în rezolvarea acestei probleme.”

Aplikații în spațiu

Noul sistem nu are utilizări doar pentru drone autonome pe Pământ, ci poate fi utilizat și pentru misiuni spațiale. Misiunea roverului Mars 2020 Perseverance al JPL a utilizat VTRN în timpul intrării, coborârii și aterizării în craterul Jezero, care a fost considerat anterior prea periculos pentru o intrare sigură.

Conform lui Chung, pentru rovere precum Perseverance, “o anumită cantitate de conducere autonomă este necesară, deoarece transmisiile durează șapte minute pentru a călători între Pământ și Marte, și nu există GPS pe Marte”.

Echipa consideră că noul sistem ar putea fi utilizat și în regiunile polare ale planetei Marte, care au schimbări sezoniere intense. Acesta ar putea permite o navigare îmbunătățită pentru a sprijini obiective științifice, cum ar fi căutarea apei.

Echipa va extinde acum tehnologia pentru a ține cont de schimbările meteorologice, cum ar fi ceața, ploaia și zăpada. Această lucrare ar putea duce la sisteme de navigare îmbunătățite pentru mașinile autonome.