算法支持自动驾驶车辆的视觉地形相关导航

加州理工学院 (Caltech) 研究人员开发的一种新的深度学习算法使自主系统能够通过观察周围的地形来识别自己所在的位置。 有史以来第一次，无论地形季节变化如何，这项技术都能发挥作用。

该研究发表于23月XNUMX日的期刊上 科学机器人 由美国科学促进会 (AAAS) 主办。

视觉地形相对导航

该过程称为视觉地形相对导航 (VTRN)，最早于 1960 世纪 XNUMX 年代开发。 自主系统可以通过 VTRN 将附近地形与高分辨率卫星图像进行比较来定位自己。

然而，当前一代的VTRN系统要求其观测的地形与数据库中的图像高度匹配。地形的任何变化，例如降雪或落叶，都可能导致系统因图像不匹配而失效。这意味着，除非有一个涵盖所有可能条件下的景观图像数据库，否则VTRN系统很容易出现混乱。 

参与该项目的团队来自喷气推进实验室航空航天、控制和动力系统布伦教授、研究科学家 Soon-Jo Chung 的实验室。 该团队利用深度学习和人工智能 (AI) 来删除可能给 VTRN 系统带来麻烦的季节性内容。 

安东尼·弗拉戈索（Anthony Fragoso）是一名讲师和科学家，也是《科学机器人》论文的主要作者。

“经验法则是，两幅图像——一张来自卫星，另一张来自自动驾驶汽车——必须内容完全相同，当前的技术才能发挥作用。它们所能处理的差异，就如同使用Instagram滤镜改变图像色调一样，”弗拉戈索说道。“然而，在实际系统中，情况会随着季节的变化而发生巨大变化，因为图像中不再包含相同的物体，无法直接进行比较。”

自监督学习

该过程是由 Chung 和 Fragoso 与研究生 Connor Lee 和本科生 Austin McCoy 合作开发的，它使用“自我监督学习”。

这个过程使算法能够自我学习，而不是像大多数计算机视觉策略那样依靠人类注释者来管理大型数据集来教算法如何识别某些东西。 人工智能通过梳理人眼可能错过的细节和特征来检测图像中的模式。 

通过用新系统补充当前一代 VTRN，它可以产生更准确的定位。 在一项实验中，研究人员尝试使用基于相关性的 VTRN 技术将夏季树叶图像与冬季落叶图像进行定位。 他们发现 50% 的尝试导致导航失败，但当他们将新算法插入 VTRN 时，92% 的尝试被正确匹配，另外 8% 的尝试可以提前被识别为有问题。 

“计算机能够发现我们肉眼无法察觉的模糊模式，甚至能够捕捉到最细微的趋势，”李说道。“VTRN 曾经一度面临在常见但具有挑战性的环境中变得不可行的危险。我们挽救了数十年来为解决这个问题所付出的努力。”

太空应用

新系统不仅可用于地球上的自主无人机，还可用于太空任务。 JPL 的 Mars 2020 Perseverance 漫游车任务在进入、下降和着陆 Jezero 陨石坑期间使用了 VTRN，此前该陨石坑被认为对于安全进入来说过于危险。

Chung 表示，对于像毅力号这样的火星车，“一定程度的自动驾驶是必要的，因为地球和火星之间的传输需要七分钟，而且火星上没有 GPS。” 

研究小组认为，新系统也可以用于季节变化剧烈的火星极地地区。 它可以改善导航以支持科学目标，例如寻找水源。

该团队现在将扩展该技术以适应天气变化，例如雾、雨和雪。 这项工作可能会改进自动驾驶汽车的导航系统。