อัลกอริทึมใหม่ช่วยให้ยานพาหนะอัตโนมัติสามารถนำทางได้ด้วยการรู้จำภูมิประเทศ

นักวิจัยจากสถาบันเทคโนโลยีแคลิฟอร์เนีย (Caltech) ได้พัฒนาแอลกอริทึมการเรียนรู้ลึกใหม่ที่ช่วยให้ระบบอัตโนมัติสามารถรู้จักตำแหน่งของตนเองได้โดยการตรวจสอบภูมิประเทศโดยรอบ ซึ่งเป็นเทคโนโลยีที่สามารถทำงานได้ไม่ว่าจะมีการเปลี่ยนแปลงตามฤดูกาลหรือไม่

การวิจัยนี้ได้รับการตีพิมพ์ในวันที่ 23 มิถุนายน ในวารสาร Science Robotics โดยสมาคมส่งเสริมวิทยาศาสตร์อเมริกา (AAAS)

การนำทางโดยอาศัยภูมิประเทศ

กระบวนการนี้เรียกว่าการนำทางโดยอาศัยภูมิประเทศ (VTRN) ซึ่งถูกพัฒนาครั้งแรกใน thập niên 1960 ระบบอัตโนมัติสามารถกำหนดตำแหน่งของตนเองได้โดยการเปรียบเทียบภูมิประเทศโดยรอบกับภาพถ่ายดาวเทียมที่มีความละเอียดสูง

อย่างไรก็ตาม ระบบ VTRN รุ่นปัจจุบันต้องการให้ภูมิประเทศที่กำลังตรวจสอบต้องตรงกับภาพในฐานข้อมูลอย่างใกล้ชิด การเปลี่ยนแปลงใดๆ ในภูมิประเทศ เช่น หิมะหรือใบไม้ร่วง สามารถทำให้ระบบล้มเหลวได้ เนื่องจากไม่สามารถเปรียบเทียบภาพได้

ทีมวิจัยที่เกี่ยวข้องกับโครงการนี้มาจากห้องปฏิบัติการของ Soon-Jo Chung ผู้ช่วยศาสตราจารย์และนักวิจัยจาก JPL ทีมงานได้ใช้การเรียนรู้ลึกและปัญญาประดิษฐ์ (AI) เพื่อลบเนื้อหาที่เปลี่ยนแปลงตามฤดูกาลออกจากภาพ

Anthony Fragoso เป็น讲 viênและนักวิจัย และเป็นนักเขียนหลักของเอกสารวิจัยใน Science Robotics

“กฎทั่วไปคือทั้งสองภาพ — ภาพจากดาวเทียมและภาพจากยานพาหนะอัตโนมัติ — ต้องมีเนื้อหาที่เหมือนกันเพื่อให้เทคนิคปัจจุบันทำงานได้” Fragoso กล่าว “ความแตกต่างที่สามารถจัดการได้คือสิ่งที่สามารถทำได้ด้วยฟิลเตอร์ Instagram ที่เปลี่ยนสีของภาพ”

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

การเรียนรู้แบบอิสระ

กระบวนการนี้ถูกพัฒนาโดย Chung และ Fragoso ในการทำงานร่วมกับนักศึกษาระดับบัณฑิตศึกษา Connor Lee และนักศึกษาระดับอุดมศึกษา Austin McCoy และใช้ “การเรียนรู้แบบอิสระ”

แทนการอาศัยผู้เขียนข้อมูลเพื่อสร้างฐานข้อมูลขนาดใหญ่เพื่อสอนอัลกอริทึมให้รู้จักสิ่งต่างๆ การเรียนรู้แบบอิสระช่วยให้อัลกอริทึมสามารถสอนตัวเองได้ AI สามารถตรวจสอบรูปแบบในภาพโดยการค้นหาข้อมูลและคุณสมบัติที่ตาสามารถมองไม่เห็น

โดยการเพิ่มระบบใหม่เข้ากับระบบ VTRN รุ่นปัจจุบัน ทำให้สามารถกำหนดตำแหน่งที่แม่นยำยิ่งขึ้น ในการทดลองหนึ่ง นักวิจัยได้พยายามกำหนดตำแหน่งภาพของพืชชาพื้นในฤดูร้อนโดยใช้เทคนิค VTRN ที่อาศัยการเปรียบเทียบ และพบว่า 50% ของความพยายามล้มเหลว แต่เมื่อใส่ระบบใหม่เข้ากับ VTRN พบว่า 92% ของความพยายามสามารถกำหนดตำแหน่งที่ถูกต้อง และ 8% ที่เหลือสามารถระบุได้ว่าเป็นปัญหาในขั้นตอนต่อไป

“คอมพิวเตอร์สามารถค้นหารูปแบบที่ตาสามารถมองไม่เห็นและสามารถตรวจสอบรูปแบบที่เล็กที่สุด” Lee กล่าว “VTRN อยู่ในความเสี่ยงต่อการกลายเป็นเทคโนโลยีที่ไม่สามารถใช้ได้ในสภาพแวดล้อมที่ท้าทาย แต่เราสามารถช่วยแก้ปัญหานี้ได้”

การประยุกต์ใช้ในอวกาศ

ระบบใหม่นี้ไม่เพียงแต่สามารถใช้ได้กับยานพาหนะอัตโนมัติ trênพื้นโลกเท่านั้น แต่ยังสามารถใช้ได้กับภารกิจในอวกาศอีกด้วย ยานพาหนะอวกาศ Mars 2020 Perseverance rover ของ JPL ใช้ VTRN ระหว่างการเข้าสู่วงโคจร การลงจอด และการเดินบนพื้นผิวดวงจันทร์ ซึ่งเคยถือว่าเป็นภารกิจที่มีความเสี่ยงสูง

ตามที่ Chung กล่าว สำหรับยานพาหนะอวกาศเช่น Perseverance “การขับขี่อัตโนมัติเป็นสิ่งจำเป็นเนื่องจากสัญญาณสามารถใช้เวลา 7 นาทีในการเดินทางระหว่างโลกและดาวอังคาร และไม่มี GPS บนดาวอังคาร”

ทีมวิจัยเชื่อว่าระบบใหม่นี้สามารถใช้ได้กับภูมิประเทศในบริเวณขั้วโลกของดาวอังคาร ซึ่งมีการเปลี่ยนแปลงตามฤดูกาลอย่างมาก และสามารถช่วยให้การนำทางดีขึ้นเพื่อสนับสนุนวัตถุประสงค์ทางวิทยาศาสตร์ เช่น การค้นหาน้ำ

ทีมวิจัยจะขยายเทคโนโลยีนี้เพื่อคำนึงถึงการเปลี่ยนแปลงของสภาพอากาศ เช่น หมอก ลม และหิมะ ซึ่งสามารถนำไปสู่ระบบนำทางที่ดีขึ้นสำหรับรถยนต์ขับขี่อัตโนมัติ