AI-modeller och plattformar
Algoritm möjliggör visuell terrängrelaterad navigation i autonoma fordon
Lägg till Unite.AI bland dina föredragna källor på Google
En ny djupinlärningsalgoritm som utvecklats av forskare vid California Institute of Technology (Caltech) möjliggör för autonoma system att känna igen var de befinner sig genom att observera terrängen runt omkring. För första gången kan denna teknik fungera oavsett de säsongsmässiga förändringarna i terrängen.
Forskningen publicerades den 23 juni i tidskriften Science Robotics av American Association for the Advancement of Science (AAAS).
Visuell terrängrelaterad navigation
Processen kallas visuell terrängrelaterad navigation (VTRN), och den utvecklades första gången på 1960-talet. Autonoma system kan lokalisera sig genom VTRN genom att jämföra närliggande terräng med högupplösta satellitbilder.
Men den nuvarande generationen av VTRN kräver att terrängen den observerar nära överensstämmer med bilderna i databasen. Eventuella förändringar i terrängen, som snö eller fallande löv, kan orsaka att systemet misslyckas på grund av icke-överensstämmande bilder. Detta innebär att VTRN-system kan lätt förvirras om det inte finns en databas med landskapsbilder under alla tänkbara förhållanden.
Teamet som arbetade med detta projekt kommer från Soon-Jo Chungs laboratorium, Bren Professor of Aerospace and Control and Dynamical systems och forskare vid JPL. Teamet använde djupinlärning och artificiell intelligens (AI) för att ta bort säsongsmässigt innehåll som kan vara besvärligt för VTRN-system.
Anthony Fragoso är föreläsare och forskare, samt huvudförfattare till Science Robotics-artikeln.
“Regeln är att båda bilderna – den från satelliten och den från det autonoma fordonet – måste ha identiskt innehåll för att nuvarande tekniker ska fungera. De skillnader som de kan hantera är ungefär vad som kan åstadkommas med ett Instagram-filter som ändrar en bilds nyanser”, säger Fragoso. “I verkliga system förändras dock saker dramatiskt beroende på säsong eftersom bilderna inte längre innehåller samma föremål och inte kan jämföras direkt.”
https://www.youtube.com/watch?v=U5Kr0YI3sec
Självständig inlärning
Processen utvecklades av Chung och Fragoso i samarbete med doktoranden Connor Lee och undergraduate-studenten Austin McCoy, och den använder “självständig inlärning”.
I stället för att förlita sig på mänskliga annotatorer för att sammanställa stora datamängder för att lära en algoritm att känna igen något, som är fallet med de flesta datorseende-strategier, möjliggör denna process för algoritmen att lära sig själv. AI upptäcker mönster i bilder genom att plocka ut detaljer och funktioner som det mänskliga ögat inte kan se.
Genom att komplettera den nuvarande generationen av VTRN med det nya systemet, resulterar det i mer exakt lokalisering. Ett experiment involverade att forska att lokalisera bilder av sommarlövverk mot vinterlövverk med hjälp av en korrelationsbaserad VTRN-teknik. De fann att 50 procent av försöken resulterade i navigationsfel, men när de införde den nya algoritmen i VTRN, matchades 92 procent av försöken korrekt, och de återstående 8 procenten kunde identifieras som problematiska i förväg.
“Datorer kan upptäcka outtalade mönster som våra ögon inte kan se och kan plocka upp även den minsta trenden”, säger Lee. “VTRN var i fara att bli en ogenomförbar teknik i vanliga men utmanande miljöer. Vi räddade decennier av arbete med att lösa detta problem.”
Tillämpningar i rymden
Det nya systemet har inte bara användning för autonoma drönare på jorden, utan kan också användas för rymduppdrag. JPL:s Mars 2020 Perseverance rover-mission använde VTRN under inträde, nedstigning och landning vid Jezero-kratern, som tidigare ansågs vara för farlig för säker inträde.
Enligt Chung behövs en viss mängd autonom körning för rovere som Perseverance, eftersom överföringar tar sju minuter att resa mellan jorden och Mars, och det finns ingen GPS på Mars.
Teamet tror att det nya systemet också kan användas i de martianska polära regionerna, som har intensiva säsongsmässiga förändringar. Det kan möjliggöra förbättrad navigation för att stödja vetenskapliga mål, såsom sökandet efter vatten.
Teamet kommer nu att utöka tekniken för att ta hänsyn till väderförändringar, såsom dimma, regn och snö. Detta arbete kan leda till förbättrade navigeringssystem för självkörande bilar.
