Algoritma, Otonom Araçlarda Görsel Araziden Bağlı Navigasyonu Etkinleştirir

California Institute of Technology (Caltech) araştırmacıları tarafından geliştirilen yeni bir derin öğrenme algoritması, otonom sistemlerin etrafındaki araziyi gözlemleyerek nerede olduklarını tanımalarını sağlar. İlk kez, bu teknoloji arazideki mevsimsel değişikliklere bakılmaksızın çalışabilir.

Araştırma, 23 Haziran’da American Association for the Advancement of Science (AAAS) tarafından yayınlanan Science Robotics dergisinde yayınlandı.

Görsel Araziden Bağlı Navigasyon

Bu süreç, görsel araziden bağlı navigasyon (VTRN) olarak adlandırılır ve ilk olarak 1960’larda geliştirilmiştir. Otonom sistemler, VTRN aracılığıyla yakındaki araziyi yüksek çözünürlüklü uydu görüntüleri ile karşılaştırarak kendilerini konumlandırabilirler.

Ancak, VTRN’nin当前 jenerasyonu, gözlemlediği arazinin veritabanındaki görüntülere yakın bir şekilde eşleşmesini gerektirir. Arazideki herhangi bir değişiklik, chẳng hạn kar veya düşen yapraklar, sistemin eşleşmeyen görüntüler nedeniyle başarısız olmasına neden olabilir. Bu, VTRN sistemlerinin her türlü koşulla ilgili bir görüntü veritabanına sahip olmadıkça kolayca karıştırılabileceği anlamına gelir.

Bu projeyle ilgili ekip, Soon-Jo Chung, Bren Professor of Aerospace ve Control and Dynamical systems ve JPL’de araştırma bilimcisinden oluşmaktadır. Ekibin VTRN sistemleri için sorun teşkil edebilecek mevsimsel içeriği kaldırmak için derin öğrenme ve yapay zeka (AI) kullandı.

Anthony Fragoso, bir ders veren ve staff bilim adamı serta Science Robotics makalesinin baş yazarıdır.

“Genel kural, hem uydu hem de otonom araçtan alınan görüntülerin mevcut tekniklerin çalışması için aynı içeriğe sahip olması gerektiğidir” diyor Fragoso. “İnstagram filtresi gibi bir görüntü düzenleme filtresi ile gerçekleştirilebilecek farklılıklar, yaklaşık olarak mevcut tekniklerin ele alabileceği farklılıklardır. Gerçek sistemlerde ise, mevsime bağlı olarak şeyler dramatik bir şekilde değişir, çünkü görüntüler artık aynı nesneleri içermez ve doğrudan karşılaştırılamaz.”

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

Kendiliğinden Denetimsiz Öğrenme

Bu süreç, Chung ve Fragoso tarafından yüksek lisans öğrencisi Connor Lee ve lisans öğrencisi Austin McCoy ile işbirliği içinde geliştirilmiştir ve “kendiliğinden denetimsiz öğrenme” kullanır.

Bilgisayarlı görme stratejilerinin çoğunda olduğu gibi, bir algoritmanın bir şeyi tanımayı öğrenmesi için büyük veri kümelerini düzenlemek için insan annotatörlerine güvenmek yerine, bu süreç algoritmanın kendisine öğretmesini sağlar. AI, insan gözünün kaçırdığı ayrıntıları ve özellikleri vurgulayarak görüntülerdeki desenleri tanır.

Yeni sistemi mevcut VTRN ile birleştirerek, daha doğru konumlandırma elde edilir. Bir deney, araştırmacıların yaz foliage görüntülerini kış yaprak dökülme görüntüleri ile karşılaştırarak bir korelasyon tabanlı VTRN tekniği kullanarak konumlandırmaya çalışmasını içeriyordu. Denemelerin %50’sinin navigasyon hataları ile sonuçlandığını, ancak yeni algoritmanın VTRN’ye eklenmesiyle denemelerin %92’sinin doğru şekilde eşleştirildiğini ve diğer %8’inin önceden sorunlu olarak tanımlanabileceğini buldular.

“Bilgisayarlar, gözümüzün göremediği karmaşık desenleri bulabilir ve en küçük eğilimi bile tespit edebilir” diyor Lee. “VTRN, yaygın ancak zorlu ortamlarda uygulanamaz bir teknoloji haline gelme tehlikesi ile karşı karşıyaydı. Bu sorunu çözmede decades’lık çalışmayı kurtardık.”

Uzay Uygulamaları

Yeni sistem, yalnızca Dünya’daki otonom dronlar için değil, aynı zamanda uzay görevleri için de kullanılabilir. JPL’nin Mars 2020 Perseverance rover misyonu, Jezero Krateri’ne girerken, inişte ve inişte VTRN kullanmıştır ve bu previously güvenli girişe uygun değildi.

Chung’a göre, Perseverance gibi gezginler için, “bir miktar otonom sürüş gerekli çünkü iletişimler Dünya ve Mars arasında 7 dakika sürer ve Mars’ta GPS yoktur.”

Ekibin yeni sistemi, ayrıca yoğun mevsimsel değişikliklere sahip olan Mars’ın kutup bölgelerinde de kullanılabilir. Bilimsel amaçları desteklemek için, chẳng hạn su arama, daha iyi navigasyonu sağlayabilir.

Ekibin şimdi teknolojiyi hava değişiklikleri, chẳng hạn sis, yağmur ve kar için genişletmesi planlanmaktadır. Bu çalışma, otonom arabalar için geliştirilmiş navigasyon sistemlerine yol açabilir.