Алгоритм обеспечивает визуальную навигацию относительно местности в автономных транспортных средствах

Новый алгоритм глубокого обучения, разработанный исследователями Калифорнийского технологического института (Калифорнийский технологический институт), позволяет автономным системам узнавать, где они находятся, наблюдая за местностью вокруг них. Впервые эта технология может работать независимо от сезонных изменений местности.

Исследование было опубликовано 23 июня в журнале Робототехника Американской ассоциацией содействия развитию науки (AAAS).

Визуальная навигация относительно местности

Этот процесс называется визуальной навигацией относительно местности (VTRN) и впервые был разработан в 1960-х годах. Автономные системы могут определить свое местонахождение через VTRN, сравнивая близлежащую местность со спутниковыми изображениями высокого разрешения.

Однако нынешнее поколение VTRN требует, чтобы местность, за которой он наблюдает, точно соответствовала изображениям в базе данных. Любые изменения местности, такие как снег или падающие листья, могут привести к сбою системы из-за несоответствия изображений. Это означает, что системы VTRN можно легко спутать, если нет базы данных изображений ландшафта при всех мыслимых условиях. 

Команда, участвующая в этом проекте, происходит из лаборатории Сун-Джо Чанга, профессора аэрокосмических и динамических систем Брена и научного сотрудника JPL. Команда использовала глубокое обучение и искусственный интеллект (ИИ) для удаления сезонного контента, который может создавать проблемы для систем VTRN. 

Энтони Фрагозо — лектор и штатный научный сотрудник, а также ведущий автор статьи Science Robotics.

«Практическое правило заключается в том, что оба изображения — со спутника и с беспилотного автомобиля — должны иметь одинаковое содержание, чтобы современные методы работали. Различия, с которыми они могут справиться, связаны с тем, что можно сделать с помощью фильтра Instagram, который меняет оттенки изображения», — говорит Фрагозо. «Однако в реальных системах все резко меняется в зависимости от времени года, потому что изображения больше не содержат одни и те же объекты и не могут сравниваться напрямую».

Самостоятельное обучение

Этот процесс был разработан Чангом и Фрагозо в сотрудничестве с аспирантом Коннором Ли и студентом бакалавриата Остином МакКоем, и в нем используется «обучение с самоконтролем».

Вместо того, чтобы полагаться на людей-аннотаторов для курирования больших наборов данных, чтобы научить алгоритм распознавать что-либо, как в случае с большинством стратегий компьютерного зрения, этот процесс позволяет алгоритму обучаться самому. ИИ обнаруживает закономерности в изображениях, выделяя детали и особенности, которые человеческий глаз упустил бы. 

Дополняя текущее поколение ВТРН новой системой, он обеспечивает более точную локализацию. В одном эксперименте исследователи пытались локализовать изображения летней листвы по сравнению с изображениями зимних листьев, используя метод VTRN на основе корреляции. Они обнаружили, что 50 процентов попыток привели к сбоям навигации, но когда они вставили новый алгоритм в VTRN, 92 процента попыток были сопоставлены правильно, а остальные 8 процентов можно было заранее определить как проблемные. 

«Компьютеры могут находить неясные закономерности, невидимые нашим глазам, и улавливать даже малейшие тенденции, — говорит Ли. «VTRN грозила превратиться в неосуществимую технологию в обычных, но сложных условиях. Мы спасли десятилетия работы в решении этой проблемы».

Приложения в космосе

Новая система может использоваться не только для автономных дронов на Земле, но и для космических миссий. Миссия марсохода JPL Mars 2020 Perseverance использовала VTRN во время входа, спуска и посадки в кратере Джезеро, который ранее считался слишком опасным для безопасного входа.

По словам Чанга, для таких марсоходов, как Perseverance, «необходимо определенное количество автономного вождения, поскольку для передачи данных между Землей и Марсом требуется семь минут, а на Марсе нет GPS». 

Команда считает, что новую систему также можно использовать в марсианских полярных регионах, где происходят интенсивные сезонные изменения. Это может позволить улучшить навигацию для поддержки научных целей, таких как поиск воды.

Теперь команда расширит технологию, чтобы учитывать изменения погоды, такие как туман, дождь и снег. Эта работа может привести к улучшению навигационных систем для беспилотных автомобилей.