หุ่นยนต์และ AI ทางกายภาพ
AI ใช้ความปรากฏทางภาพเพื่อประมาณระยะทางสำหรับโดรน
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
กระบวนการเรียนรู้แบบออปติคัลโฟลว์ที่พัฒนาโดยทีมนักวิจัยจาก TU Delft และ Westphalian University of Applied Sciences ทำให้หุ่นยนต์สามารถประมาณระยะทางผ่านความปรากฏทางภาพของวัตถุในมุมมองได้ ความปรากฏทางภาพสามารถรวมปัจจัยต่างๆ เช่น รูปร่าง สี และเนื้อสัมผัส
โดยใช้กลยุทธ์การเรียนรู้ของ AI นี้ การนำทางของโดรนบินขนาดเล็กสามารถปรับปรุงได้
บทความนี้ตีพิมพ์เมื่อเดือนที่แล้วใน Nature Machine Intelligence
หุ่นยนต์เทียบกับแมลง
เพื่อให้หุ่นยนต์บินขนาดเล็กมีอิสระในระดับเดียวกับรถยนต์ขับเคลื่อนอัตโนมัติขนาดใหญ่ พวกมันจะต้องแสดงให้เห็นถึงความฉลาดที่พัฒนาแล้วเหมือนกับแมลงบินที่สามารถทำได้ผ่านระบบ AI ที่มีประสิทธิภาพสูง
หุ่นยนต์บินขนาดเล็กที่มีอยู่ในตลาดปัจจุบันไม่ได้มีเซ็นเซอร์และพลังการประมวลผลที่เพียงพอบนเครื่องบิน ซึ่งเป็นหนึ่งในความท้าทายที่ยิ่งใหญ่ที่สุดของเทคโนโลยีนี้
ในโลกธรรมชาติ แมลงพึ่งพา ‘ออปติคัลโฟลว์’ ซึ่งเป็นวิธีที่วัตถุเคลื่อนที่ในมุมมองของแมลง ออปติคัลโฟลว์นี้ทำให้พวกมันสามารถลงจอดบนดอกไม้และหลบหลีกสัตว์ร้ายได้ สิ่งที่น่าประหลาดใจเกี่ยวกับออปติคัลโฟลว์คือมันค่อนข้างง่าย尽管ใช้สำหรับงานที่ซับซ้อน
Guido de Croon เป็นศาสตราจารย์ด้าน Bio-inspired Micro Air Vehicles และเป็นผู้เขียนบทความหลัก
“งานของเราที่เกี่ยวข้องกับการควบคุมออปติคัลโฟลว์เริ่มต้นจากความหลงใหลในกลยุทธ์ที่เรียบง่ายและสวยงามที่แมลงบินใช้” เขากล่าว “อย่างไรก็ตาม การพัฒนาวิธีการควบคุมเพื่อนำกลยุทธ์เหล่านี้ไปใช้กับหุ่นยนต์บินกลับกลายเป็นเรื่องที่ไม่ธรรมดาเลย ตัวอย่างเช่น หุ่นยนต์บินของเราจะไม่ลงจอดจริงๆ แต่จะเริ่มสั่นไหวอย่างต่อเนื่อง โดยขึ้นลงอย่างต่อเนื่องเหนือพื้นผิวลงจอด”
https://www.youtube.com/watch?v=A50Wl311rmU&feature=emb_title
ออปติคัลโฟลว์
มีข้อจำกัดสองประการของออปติคัลโฟลว์ ประการแรก มันให้ข้อมูลผสมเกี่ยวกับระยะทางและความเร็ว และไม่ได้ให้ข้อมูลเกี่ยวกับแต่ละส่วนแยกจากกัน ประการที่สอง ออปติคัลโฟลว์มีขนาดเล็กมากในแนวที่โดรนเคลื่อนที่ ซึ่งมีผลกระทบต่อการหลีกเลี่ยงอุปสรรค ในอีกคำหนึ่ง หุ่นยนต์มีความยากที่สุดในการตรวจจับวัตถุที่กำลังเคลื่อนที่เข้ามา
“เราสังเกตเห็นว่าปัญหาเหล่านั้นของออปติคัลโฟลว์จะหายไปหากหุ่นยนต์สามารถตีความไม่เพียงออปติคัลโฟลว์เท่านั้น แต่ยังรวมถึงความปรากฏทางภาพของวัตถุใน môi trườngด้วย” Guido de Croon กล่าว “สิ่งนี้จะทำให้หุ่นยนต์สามารถมองเห็นระยะทางถึงวัตถุในฉากได้เหมือนกับวิธีที่มนุษย์สามารถประมาณระยะทางในภาพนิ่งได้ คำถามเดียวคือ: หุ่นยนต์สามารถเรียนรู้ที่จะเห็นระยะทางได้อย่างไร?”
ในแนวทางใหม่ที่นักวิจัยพัฒนา หุ่นยนต์ขึ้นอยู่กับการสั่นไหวเพื่อเรียนรู้ว่าวัตถุใน môi trườngดูเหมือนอย่างไรขึ้นอยู่กับระยะทาง ตัวอย่างเช่น โดรนสามารถเรียนรู้ว่าเนื้อสัมผัสของหญ้าจะดูเหมือนอย่างไรเมื่ออยู่ในระดับความสูงต่างๆ ระหว่างการลงจอด
Christophe De Wagter เป็นนักวิจัยที่ TU Delft และเป็นผู้เขียนร่วมของบทความ
“การเรียนรู้ที่จะเห็นระยะทางโดยใช้ความปรากฏทางภาพนำไปสู่การลงจอดที่เร็วขึ้นและราบรื่นกว่าที่เราเคยทำได้” เขากล่าว “นอกจากนี้ สำหรับการหลีกเลี่ยงอุปสรรค หุ่นยนต์สามารถมองเห็นอุปสรรคในแนวที่บินได้อย่างชัดเจนมากขึ้น สิ่งนี้ไม่เพียงแต่ปรับปรุงประสิทธิภาพการตรวจจับอุปสรรคเท่านั้น แต่ยังทำให้หุ่นยนต์ของเราสามารถเร่งความเร็วได้อีกด้วย”
การพัฒนานี้จะมีผลกระทบต่อหุ่นยนต์บินที่มีทรัพยากรจำกัด และมีประโยชน์เฉพาะสำหรับหุ่นยนต์ที่ทำงานในพื้นที่ปิด
