Алгоритм дозволяє візуальну навігацію відносно місцевості в автономних транспортних засобах

Нові алгоритми глибокого навчання, розроблені дослідниками в Каліфорнійському технологічному інституті (Caltech), дозволяють автономним системам розпізнавати своє місце розташування, спостерігаючи за місцевістю навколо них. Вперше ця технологія може працювати незалежно від сезонних змін місцевості.

Дослідження було опубліковано 23 червня в журналі Science Robotics Американської асоціації розвитку науки (AAAS).

Візуальна навігація відносно місцевості

Цей процес називається візуальною навігацією відносно місцевості (VTRN), і був вперше розроблений у 1960-х роках. Автономні системи можуть визначити своє місце розташування через VTRN, порівнюючи навколишню місцевість з високоякісними супутниковими зображеннями.

Однак, поточне покоління VTRN вимагає, щоб місцевість, яку воно спостерігає, була дуже схожа на зображення в базі даних. Будь-які зміни в місцевості, такі як сніг або опале листя, можуть викликати збій системи через неідентичні зображення. Це означає, що системи VTRN можуть легко заплутатися, якщо немає бази даних зображень місцевості під кожною можливою умовою.

Команда, яка працювала над цим проєктом, належить до лабораторії Сун-Джо Чунга, професора аерокосмічної техніки та контролю і динамічних систем, а також наукового співробітника JPL. Команда використала глибоке навчання та штучний інтелект (AI), щоб видалити сезонний контент, який може бути проблематичним для систем VTRN.

Ентоні Фрагозо – лектор і науковий співробітник, а також головний автор статті в Science Robotics.

“Правило полягає в тому, що обидва зображення – те, яке отримано з супутника, і те, яке отримано з автономного транспортного засобу – повинні мати ідентичний вміст, щоб поточні методи працювали. Різниці, які вони можуть обробити, складають близько того, що можна зробити за допомогою фільтра Instagram, який змінює відтінки зображення”, – говорить Фрагозо. “У реальних системах, однак, все змінюється суттєво залежно від сезону, оскільки зображення вже не містять одних і тих же об’єктів і не можуть бути безпосередньо порівняні”.

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

Самостійне навчання

Цей процес був розроблений Чунгом і Фрагозо у співпраці з аспірантом Коннором Лі та студентом Остіном Маккоєм, і він використовує “самостійне навчання”.

Натомість того, щоб покладатися на людей-анотаторів для створення великих наборів даних для навчання алгоритму, як це робиться у більшості стратегій комп’ютерного бачення, цей процес дозволяє алгоритму навчатися самостійно. Штучний інтелект виявляє закономірності в зображеннях, витягуючи деталі та особливості, які людське око не може побачити.

Додавши нову систему до поточного покоління VTRN, можна досягти більш точної локалізації. Одним з експериментів було спроба локалізації зображень літньої зелені проти зимових зображень без листя за допомогою кореляційного методу VTRN. Виявилося, що 50% спроб закінчилися збоями навігації, але коли вони вставили новий алгоритм у VTRN, 92% спроб були правильно зіставлені, а інші 8% можна було ідентифікувати як проблематичні заздалегідь.

“Комп’ютери можуть виявити незвичні закономірності, яких не можуть побачити наші очі, і можуть навіть витягнути найменшу тенденцію”, – говорить Лі. “VTRN був у небезпеці стати недосяжною технологією у звичайних, але складних середовищах. Ми врятували десятиліття роботи над розв’язанням цієї проблеми”.

Застосування в космосі

Нова система не тільки має застосування для автономних дронів на Землі, але також може бути використана для космічних місій. Космічний апарат JPL Mars 2020 Perseverance використовував VTRN під час входу, спуску та посадки на кратер Джезеро, який раніше вважався надто небезпечним для безпечного входу.

За словами Чунга, для роверів, таких як Perseverance, “певна кількість автономного руху необхідна, оскільки передачі займають сім хвилин, щоб долетіти від Землі до Марса, і на Марсі немає GPS”.

Команда вважає, що нова система також може бути використана в полярних регіонах Марса, які мають інтенсивні сезонні зміни. Це може дозволити покращити навігацію для підтримки наукових цілей, таких як пошук води.

Команда тепер розширить технологію, щоб врахувати зміни погоди, такі як туман, дощ і сніг. Ця робота може привести до покращення систем навігації для автономних автомобілів.