Forskare utvecklar autonoma system som kan upptäcka förändringar i skuggor

Ingenjörer vid MIT har utvecklat ett nytt system som är mycket viktigt för autonoma fordon och deras säkerhet. Systemet kan upptäcka små förändringar i skuggor på marken och kan bestämma om det finns några rörliga föremål runt hörnet. 

En av de stora målen för alla företag som försöker skapa autonoma fordon är ökad säkerhet. Ingenjörer arbetar ständigt med att göra fordonen bättre på att undvika kollisioner med andra bilar eller fotgängare, särskilt de som kommer runt en byggnads hörn. 

Det nya systemet har också potentialen att användas på framtida robotar som navigerar på sjukhus. Dessa robotar kunde leverera medicin eller förnödenheter till hela sjukhuset, och systemet skulle hjälpa dem att undvika att träffa människor. 

En rapport kommer att presenteras nästa vecka på den internationella konferensen om intelligenta robotar och system (IROS). Den innehåller beskrivningar av de lyckade experiment som forskarna har genomfört, inklusive ett autonomt fordon som manövrerar runt en parkeringsgarage och stannar när det närmar sig ett annat fordon.

Det nuvarande systemet är ofta LIDAR, som kan upptäcka synliga föremål med mer än en halv sekund. Enligt forskarna kan bråkdelar av en sekund göra en stor skillnad för snabbt rörliga autonoma fordon.  

“För applikationer där robotar rör sig i miljöer med andra rörliga föremål eller människor, kan vår metod ge roboten en tidig varning att någon är på väg runt hörnet, så fordonet kan sakta ner, anpassa sin bana och förbereda sig i förväg för att undvika en kollision”, tillägger medförfattaren Daniela Rus, chef för datorvetenskap och artificiell intelligenslaboratoriet (CSAIL) och Andrew och Erna Viterbi-professorn i elektroteknik och datorvetenskap. “Den stora drömmen är att ge ‘röntgenblick’ till fordon som rör sig snabbt på gatorna.”

Det nya autonoma systemet har endast testats inomhus. Under dessa förhållanden är belysningsförhållandena lägre, och robotens hastighet är långsammare. Det autonoma systemet kan analysera och upptäcka skuggor mycket lättare i denna miljö. 

Rapporten sammanställdes av Daniela Rus; första författaren Felix Naser, som är en tidigare CSAIL-forskare; Alexander Amini, en CSAIL-student; Igor Gilitschenski, en CSAIL-postdoktor; studenten Christina Liao; Guy Rosman från Toyota Research Institute; och Sertac Karaman, biträdande professor i aerodynamik och astronautik vid MIT. 

ShadowCam System

Innan de nya utvecklingarna hade forskarna redan ett system som kallades “ShadowCam”. Systemet kan identifiera och klassificera förändringar i skuggor på marken med hjälp av datorseende-tekniker. De tidigare versionerna av systemet utvecklades av MIT-professorerna William Freeman och Antonio Torralba. De två professorerna var inte medförfattare till IROS-rapporten, och deras arbete presenterades 2017 och 2018. 

ShadowCam använder videofiler från en kamera som är specifik för målet, och den kan upptäcka förändringar i ljusintensitet över tiden. Detta berättar för systemet om något rör sig längre bort eller kommer närmare, och det analyserar sedan informationen och klassificerar varje bild som ett stationärt föremål eller ett rörligt föremål. Detta tillåter systemet att fortsätta på bästa sätt. 

ShadowCam justerades och ändrades för att användas på autonoma fordon. Ursprungligen använde den förstärkt verklighetsetiketter som kallades “AprilTags”, som var som QR-koder. ShadowCam använde dessa för att fokusera på vissa pixelförsamlingar för att bestämma om det fanns några skuggor närvarande. Men detta system visade sig vara omöjligt att använda i verkliga scenarier. 

På grund av detta skapade forskarna en ny process som använder bildregistrering och en visuell-odometri-teknik tillsammans. Bildregistrering överlagrar flera bilder för att identifiera eventuella variationer. 

Den visuell-odometri-teknik som forskarna använder kallas “Direct Sparse Odometry” (DSO), och den fungerar på ett liknande sätt som AprilTags. DSO använder en 3D-utskriftsmoln, och den plotterar olika funktioner i en miljö på den. En datorseende-pipeline hittar sedan en region av intresse, såsom en golv. 

ShadowCam använder DSO-bildregistrering och överlagrar alla bilder från samma vy som roboten. Roboten, som rör sig eller står still, kan sedan fokusera på samma pixelfläck där det finns en skugga. 

Vad händer nu

Forskarna kommer att fortsätta arbeta med detta system, och de kommer att fokusera på skillnaderna mellan inomhus- och utomhusbelysningsförhållanden. Till slut vill teamet öka systemets hastighet samt automatisera processen.