Алгоритм обеспечивает визуальную навигацию, относительно местности, в автономных транспортных средствах

Новый алгоритм глубокого обучения, разработанный исследователями в Калифорнийском технологическом институте (Caltech), позволяет автономным системам распознавать, где они находятся, наблюдая за окружающей местностью. Впервые эта технология может работать независимо от сезонных изменений местности.

Исследование было опубликовано 23 июня в журнале Science Robotics Американской ассоциации содействия развитию науки (AAAS).

Визуальная навигация, относительно местности

Этот процесс называется визуальной навигацией, относительно местности (VTRN), и был впервые разработан в 1960-х годах. Автономные системы могут определять свое местоположение с помощью VTRN, сравнивая ближайшую местность с высокоразрешительными спутниковыми изображениями.

Однако, текущее поколение VTRN требует, чтобы местность, которую оно наблюдает, была близка к изображениям в базе данных. Любые изменения в местности, такие как снег или падающие листья, могут привести к сбою системы из-за несоответствия изображений. Это означает, что системы VTRN могут легко запутаться, если нет базы данных изображений ландшафта при любых условиях.

Команда, участвующая в этом проекте, пришла из лаборатории Soon-Jo Chung, профессора аэрокосмической и контрольной системы и исследовательского ученого в JPL. Команда использовала глубокое обучение и искусственный интеллект (ИИ), чтобы удалить сезонный контент, который может быть проблематичным для систем VTRN.

Энтони Фрагозо – лектор и научный сотрудник, а также основной автор статьи в Science Robotics.

“Правило большого пальца заключается в том, что оба изображения – одно из спутника и одно из автономного транспортного средства – должны иметь идентичный контент, чтобы текущие методы работали. Различия, которые они могут обработать, примерно такие же, как если бы вы изменили оттенки изображения с помощью фильтра Instagram”, – говорит Фрагозо. “В реальных системах, однако, все меняется радикально в зависимости от сезона, потому что изображения больше не содержат одних и тех же объектов и не могут быть напрямую сравнены.”

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

Самообучение

Этот процесс был разработан Чунгом и Фрагозо в сотрудничестве с аспирантом Коннором Ли и студентом Остином Маккоем, и он использует “самообучение”.

Вместо того, чтобы полагаться на человеческих аннотаторов для создания больших наборов данных, чтобы научить алгоритм распознавать что-то, как это делается в большинстве стратегий компьютерного зрения, этот процесс позволяет алгоритму обучать себя. ИИ обнаруживает закономерности в изображениях, выделяя детали и особенности, которые человеческий глаз не может заметить.

Добавляя новую систему к текущему поколению VTRN, получается более точная локализация. В одном эксперименте исследователи пытались локализовать изображения летней листвы против зимней листвы с помощью корреляционного метода VTRN. Они обнаружили, что 50% попыток привели к сбоям навигации, но когда они вставили новый алгоритм в VTRN, 92% попыток были правильно сопоставлены, и оставшиеся 8% могли быть определены как проблемные заранее.

“Компьютеры могут обнаружить незаметные закономерности, которые наш глаз не может увидеть, и могут обнаружить даже самую маленькую тенденцию”, – говорит Ли. “VTRN была на грани того, чтобы стать неосуществимой технологией в обычных, но сложных средах. Мы спасли десятилетия работы по решению этой проблемы.”

Применения в космосе

Новая система не только имеет применение для автономных дронов на Земле, но также может быть использована для космических миссий. Марсоход NASA “Персеверанс” использовал VTRN во время входа, спуска и посадки на кратер Езеро, который ранее считался слишком опасным для безопасного входа.

По словам Чунга, для марсоходов, таких как “Персеверанс”, “определенное количество автономного вождения необходимо, поскольку передачи занимают семь минут, чтобы путешествовать между Землей и Марсом, и на Марсе нет GPS”.

Команда считает, что новая система также может быть использована в полярных регионах Марса, которые имеют интенсивные сезонные изменения. Она может обеспечить улучшенную навигацию для поддержки научных целей, таких как поиск воды.

Команда теперь расширит технологию, чтобы учесть погодные изменения, такие как туман, дождь и снег. Эта работа может привести к улучшению систем навигации для самоходных автомобилей.