وبدون نظام تحديد المواقع العالمي (GPS)، تضيع الأنظمة الذاتية بسهولة. الآن، هناك خوارزمية جديدة تم تطويرها في معهد كاليفورنيا للتكنولوجيا تسمح للأنظمة المستقلة بالتعرف على مكان وجودها ببساطة من خلال النظر إلى التضاريس المحيطة بها - ولأول مرة، التكنلوجيا يعمل بغض النظر عن التغيرات الموسمية لتلك التضاريس.
تُعرف العملية العامة بالتضاريس البصرية النسبية ملاحة (VTRN)، تم تطويره لأول مرة في الستينيات. ومن خلال مقارنة التضاريس القريبة بصور الأقمار الصناعية عالية الدقة، يمكن للأنظمة الذاتية تحديد موقع نفسها.
تكمن المشكلة في أن الجيل الحالي من VTRN يتطلب أن تعمل التضاريس التي تبحث عنها بشكل وثيق مع الصور الموجودة في قاعدة بياناتها لكي تعمل. أي شيء يغير التضاريس أو يحجبها ، مثل الغطاء الثلجي أو الأوراق المتساقطة ، يتسبب في عدم تطابق الصور وإلحاق الضرر بالنظام. لذلك ، ما لم تكن هناك قاعدة بيانات لصور المناظر الطبيعية تحت كل حالة يمكن تصورها ، يمكن الخلط بين أنظمة VTRN بسهولة.
للتغلب على هذا التحدي ، قام فريق من مختبر Soon-Jo Chung ، أستاذ Bren في الفضاء والتحكم والأنظمة الديناميكية وعالم الأبحاث في JPL ، الذي تديره Caltech لصالح NASA ، بالتحول إلى التعلم العميق والذكاء الاصطناعي (AI) لإزالة الموسمية المحتوى الذي يعيق أنظمة VTRN الحالية.
"القاعدة الأساسية هي أن كلتا الصورتين - صورة القمر الصناعي والصورة من السيارة المستقلة - يجب أن يكون لها محتوى متطابق حتى تعمل التقنيات الحالية. يقول أنتوني فراغوسو (MS '14 ، دكتوراه '18) ، المحاضر وعالم فريق العمل ، والمؤلف الرئيسي لمجلة Science ورق الروبوتات. "في الأنظمة الحقيقية ، ومع ذلك ، تتغير الأشياء بشكل جذري بناءً على الموسم لأن الصور لم تعد تحتوي على نفس الأشياء ولا يمكن مقارنتها بشكل مباشر."
العملية - التي طورها Chung and Fragoso بالتعاون مع طالب الدراسات العليا Connor Lee (BS '17، MS '19) والطالب الجامعي أوستن ماكوي - تستخدم ما يعرف باسم "التعلم بالإشراف الذاتي". في حين أن معظم استراتيجيات رؤية الكمبيوتر تعتمد على المعلقين البشريين الذين يرعون بعناية مجموعات كبيرة من البيانات لتعليم الخوارزمية كيفية التعرف على ما تراه ، فإن هذه الطريقة تسمح للخوارزمية بدلاً من ذلك بتعليم نفسها. يبحث الذكاء الاصطناعي عن الأنماط في الصور من خلال إثارة التفاصيل والميزات التي من المحتمل أن يفوتها البشر.
يؤدي استكمال الجيل الحالي من VTRN بالنظام الجديد إلى توطين أكثر دقة: في تجربة واحدة ، حاول الباحثون توطين صور أوراق الشجر الصيفية مقابل صور الأوراق الشتوية باستخدام تقنية VTRN القائمة على الارتباط. ووجدوا أن الأداء لم يكن أفضل من تقليب العملة ، حيث أدت 50 في المائة من المحاولات إلى فشل الملاحة. في المقابل ، كان إدخال الخوارزمية الجديدة في شبكة VTRN أفضل بكثير: فقد تمت مطابقة 92 في المائة من المحاولات بشكل صحيح ، ويمكن تحديد نسبة 8 في المائة المتبقية على أنها إشكالية مسبقًا ، ومن ثم إدارتها بسهولة باستخدام تقنيات التنقل الأخرى المعمول بها.
يقول لي: "يمكن لأجهزة الكمبيوتر أن تجد أنماطًا غامضة لا تستطيع أعيننا رؤيتها ويمكن أن تلتقط حتى أصغر الاتجاهات". كان VTRN في خطر التحول إلى تقنية غير مجدية في بيئات مشتركة ولكنها صعبة ، كما يقول. "لقد أنقذنا عقودًا من العمل في حل هذه المشكلة."
بالإضافة إلى فائدة الطائرات بدون طيار ذاتية التحكم على الأرض ، فإن للنظام أيضًا تطبيقات لمهام الفضاء. على سبيل المثال ، استخدم نظام الدخول والنزول والهبوط (EDL) في مهمة المركبة الجوالة مارس 2020 الخاصة بمختبر الدفع النفاث VTRN لأول مرة على الكوكب الأحمر للهبوط في Jezero Crater ، وهو موقع كان يعتبر سابقًا خطيرًا للغاية بالنسبة للأمان. دخول. مع المركبات الجوالة مثل المثابرة ، "يلزم قدر معين من القيادة الذاتية" ، كما يقول تشونغ ، "نظرًا لأن عمليات النقل تستغرق سبع دقائق للتنقل بين الأرض والمريخ ، ولا يوجد نظام تحديد المواقع جي بي اس على كوكب المريخ. " نظر الفريق في مناطق المريخ القطبية التي لديها أيضًا تغيرات موسمية شديدة ، وظروف مشابهة للأرض ، ويمكن للنظام الجديد أن يسمح بتحسين الملاحة لدعم الأهداف العلمية بما في ذلك البحث عن الماء.
بعد ذلك ، سيقوم Fragoso و Lee و Chung بتوسيع التكنولوجيا لمراعاة التغيرات في الطقس أيضًا: الضباب والمطر والثلج وما إلى ذلك. إذا نجحت ، يمكن أن يساعد عملهم في تحسين أنظمة الملاحة للسيارات بدون سائق.