Алгоритм забезпечує візуальну навігацію відносно місцевості в автономних транспортних засобах

Новий алгоритм глибокого навчання, розроблений дослідниками Каліфорнійського технологічного інституту (Caltech), дозволяє автономним системам розпізнавати, де вони знаходяться, спостерігаючи за місцевістю навколо них. Вперше в історії ця технологія може працювати незалежно від сезонних змін рельєфу.

Дослідження було опубліковано 23 червня в журналі Наука робототехніка Американською асоціацією сприяння розвитку науки (AAAS).

Візуальна навігація щодо місцевості

Процес називається візуальною навігацією відносно місцевості (VTRN) і вперше був розроблений у 1960-х роках. Автономні системи можуть визначати своє місцезнаходження через VTRN, порівнюючи рельєф поблизу із супутниковими зображеннями високої роздільної здатності.

Однак сучасне покоління VTRN вимагає, щоб рельєф, який він спостерігає, точно відповідав зображенням у базі даних. Будь-які зміни рельєфу, наприклад сніг або падіння листя, можуть призвести до збою системи через невідповідні зображення. Це означає, що системи VTRN можна легко сплутати, якщо немає бази даних із зображеннями ландшафту за всіх можливих умов. 

Команда, яка бере участь у цьому проекті, походить із лабораторії Сун-Джо Чунга, професора аерокосмічної галузі та систем управління та динамічних систем Брена, а також наукового співробітника JPL. Команда використовувала глибоке навчання та штучний інтелект (AI), щоб видалити сезонний вміст, який може заважати системам VTRN. 

Ентоні Фрагозо — викладач і науковий співробітник, а також провідний автор статті Science Robotics.

«Емпіричне правило полягає в тому, що обидва зображення — і зображення із супутника, і те, що зроблено автономним транспортним засобом — мають мати ідентичний вміст, щоб поточні методи працювали. Відмінності, з якими вони можуть впоратися, стосуються того, чого можна досягти за допомогою фільтра Instagram, який змінює відтінки зображення», — говорить Фрагозо. «Однак у реальних системах все кардинально змінюється залежно від сезону, тому що зображення більше не містять однакові об’єкти і їх неможливо безпосередньо порівняти».

Навчання з самоконтролем

Процес був розроблений Чангом і Фрагозо у співпраці з аспірантом Коннором Лі та студентом бакалаврату Остіном Маккоєм, і він використовує «самоконтрольоване навчання».

Замість того, щоб покладатися на людей-анотаторів, щоб керувати великими наборами даних, щоб навчити алгоритм розпізнавати щось, як у випадку з більшістю стратегій комп’ютерного бачення, цей процес дозволяє алгоритму самонавчатися. Штучний інтелект виявляє шаблони в зображеннях, виділяючи деталі та особливості, які людське око не помітить. 

Доповнюючи поточне покоління VTRN новою системою, це забезпечує точнішу локалізацію. В одному експерименті дослідники намагалися локалізувати зображення літнього листя проти зимових зображень листя, використовуючи метод VTRN на основі кореляції. Вони виявили, що 50 відсотків спроб призвели до помилок навігації, але коли вони вставили новий алгоритм у VTRN, 92 відсотки спроб були правильно зіставлені, а інші 8 відсотків можна було заздалегідь визначити як проблемні. 

«Комп’ютери можуть знаходити незрозумілі закономірності, які не бачать наше око, і вловлювати навіть найменшу тенденцію», — говорить Лі. «VTRN була під загрозою перетворитися на нездійсненну технологію в звичайних, але складних середовищах. Ми врятували десятиліття роботи над вирішенням цієї проблеми».

Застосування в космосі

Нову систему можна використовувати не тільки для автономних дронів на Землі, але й для космічних місій. Марсохід JPL Mars 2020 Perseverance використовував VTRN під час входу, спуску та посадки в кратері Єзеро, який раніше вважався надто небезпечним для безпечного входу.

За словами Чунга, для таких марсоходів, як Perseverance, «необхідна певна кількість автономного водіння, оскільки передача даних займає сім хвилин для подорожі між Землею та Марсом, а на Марсі немає GPS». 

Команда вважає, що нову систему також можна використовувати в полярних регіонах Марса, які мають інтенсивні сезонні зміни. Це може дозволити покращити навігацію для підтримки наукових цілей, таких як пошук води.

Тепер команда розширить технологію, щоб враховувати зміни погоди, такі як туман, дощ і сніг. Ця робота може призвести до покращення систем навігації для самокерованих автомобілів.