Görsel Arazi Bağımlı Navigasyon için Etkin Bir Algoritma

California Institute of Technology (Caltech) araştırmacıları tarafından geliştirilen yeni bir derin öğrenme algoritması, otonom sistemlerin etrafındaki araziyi gözlemleyerek nerede olduklarını tanımlamalarına olanak tanır. Bu teknoloji, ilk kez, mevsimsel değişikliklere rağmen arazide çalışabilir.

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

Görsel Arazi Bağımlı Navigasyon

Bu süreç, görsel arazi bağımlı 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, mevcut VTRN nesli, gözlemlediği arazinin veritabanındaki görüntüleri yakından eşleştirmesini gerektirir. Arazideki herhangi bir değişiklik, chẳng hạn kar veya düşen yapraklar, sistemın başarısız olmasına neden olabilir. Bu, VTRN sistemlerinin her türlü koşulla ilgili bir arazi görüntüsü veritabanına ihtiyaç duyduğu anlamına gelir.

Bu projede yer alan ekip, Soon-Jo Chung’un laboratuvarından gelir ve JPL’de araştırma bilimcisi olarak çalışır. Ekip, VTRN sistemlerine sorun teşkil edebilecek mevsimsel içeriği ortadan kaldırmak için derin öğrenme ve yapay zeka (AI) kullanmıştır.

Anthony Fragoso, bir öğretim görevlisi ve bilim insanıdır ve aynı zamanda Science Robotics makalesinin baş yazarıdır.

“Mevcut tekniklerin çalışması için, hem uydu hem de otonom araçtan alınan görüntülerin içeriğinin aynı olması gerekir” diyor Fragoso. “Gerçek sistemlerde, mevsime bağlı olarak şeyler dramatik bir şekilde değişir, çünkü görüntüler artık aynı nesneleri içermez ve doğrudan karşılaştırılamaz.”

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

Özyönetimli Öğrenme

Bu süreç, Chung ve Fragoso tarafından, yüksek lisans öğrencisi Connor Lee ve lisans öğrencisi Austin McCoy ile birlikte geliştirilmiştir ve “özyönetimli öğrenme” kullanır.

Bu süreç, algoritmaya bir şeyi tanımlamak için büyük veri setlerini oluşturmak amacıyla insan annotatörlerine güvenmek yerine, algoritmaya kendi kendine öğretme olanağı sağlar. AI, insan gözünün kaçırdığı detayları ve özellikleri ortaya çıkarmak için görüntülerdeki desenleri tanır.

Mevcut VTRN nesline yeni sistemi ekleyerek, daha doğru konumlandırma elde edilir. Bir deneyde, araştırmacılar, yaz foliage görüntülerini kış yaprak dökümü görüntüleri ile karşılaştırmaya çalıştılar ve korelasyon tabanlı bir VTRN tekniği kullandılar. Denemelerin %50’si navigasyon başarısızlıkları ile sonuçlandı, ancak yeni algoritmayı VTRN’ye eklediğinde, denemelerin %92’si doğru şekilde eşleştirildi ve geri kalan %8’i önceden sorunlu olarak tanımlanabilir.

“Bilgisayarlar, gözümüzün göremediği karmaşık desenleri bulabilir ve en küçük eğilimi bile tespit edebilir” diyor Lee. “VTRN, ortak ancak zorlu ortamlarda uygulanamaz bir teknoloji haline gelme tehlikesi ile karşı karşıyaydı. Bu sorunu çözmede on yıllar süren 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 görevi, Jezero Krateri’ne girerken, inerken ve inişte VTRN’yi kullandı ve bu, daha önce güvenli giriş için çok tehlikeli olarak kabul ediliyordu.

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 görüşüne göre, yeni sistem, Mars’ın kutup bölgelerinde de kullanılabilir ve burada şiddetli mevsimsel değişiklikler yaşanır. Bu, bilimsel hedefleri desteklemek için, chẳng hạn su arama, daha iyi navigasyon sağlayabilir.

Ekibin şimdi teknolojiyi, sis, yağmur ve kar gibi hava değişikliklerini dikkate almak için genişletmesi planlanıyor. Bu çalışma, otonom arabalar için daha iyi navigasyon sistemlerine yol açabilir.