ללא GPS, מערכות אוטונומיות הולכות לאיבוד בקלות. כעת אלגוריתם חדש שפותח ב-Caltech מאפשר למערכות אוטונומיות לזהות היכן הן נמצאות פשוט על ידי התבוננות בשטח שסביבן - ולראשונה, טֶכנוֹלוֹגִיָה עובד ללא קשר לשינויים עונתיים בשטח זה.
התהליך הכללי, המכונה יחסי שטח ויזואלי שיט (VTRN), פותחה לראשונה בשנות ה-1960. על ידי השוואת שטח סמוך לתמונות לוויין ברזולוציה גבוהה, מערכות אוטונומיות יכולות לאתר את עצמן.
הבעיה היא שכדי שזה יעבוד, דור ה- VTRN הנוכחי דורש שהשטח שהוא מסתכל עליו יתאים מקרוב לתמונות במאגר המידע שלו. כל מה שמשנה או מטשטש את השטח, כמו כיסוי שלג או עלים שנפלו, גורם לכך שהתמונות אינן תואמות ומשבש את המערכת. לכן, אלא אם כן קיים בסיס נתונים של תמונות הנוף בכל מצב אפשרי, ניתן להתבלבל בין מערכות VTRN.
כדי להתגבר על אתגר זה, צוות ממעבדתו של Soon-Jo Chung, פרופסור ברן לחלל ובקרה ומערכות דינמיות ומדעני מחקר ב- JPL, שמנהל קלטק עבור נאס"א, פנה למידה עמוקה ובינה מלאכותית (AI) להסרת עונתיות. תוכן שמפריע למערכות VTRN הנוכחיות.
"כלל האצבע הוא ששני התמונות - זו מהלווין ותמונת הרכב האוטונומי - צריכות להכיל תוכן זהה בכדי שהטכניקות הנוכחיות יעבדו. ההבדלים שהם יכולים להתמודד הם לגבי מה שניתן להשיג באמצעות פילטר אינסטגרם שמשנה את גווני התמונה ", אומר אנתוני פרגוסו (MS '14, Ph.D. '18), מרצה ומדען הצוות, והמחבר הראשי של המדע. נייר רובוטיקה. "לעומת זאת, במערכות אמיתיות הדברים משתנים באופן דרסטי על פי עונה מכיוון שהתמונות אינן מכילות עוד את אותם אובייקטים ולא ניתן להשוות אותן ישירות."
התהליך - שפותח על ידי צ'ונג ופרגוסו בשיתוף עם הסטודנט לתואר שני קונור לי (BS '17, MS '19) וסטודנט לתואר ראשון אוסטין מקוי - משתמש במה שמכונה "למידה בפיקוח עצמי". בעוד שרוב האסטרטגיות לראיית מחשב מסתמכות על ביאורים אנושיים שאוצרים בקפידה מערכי נתונים גדולים כדי ללמד אלגוריתם כיצד לזהות את מה שהוא רואה, זה במקום זאת מאפשר לאלגוריתם ללמד את עצמו. ה- AI מחפש דפוסים בתמונות על ידי הקנטה של פרטים ותכונות שייתכן כי אנשים יפספסו.
השלמת הדור הנוכחי של VTRN עם המערכת החדשה מניבה לוקליזציה מדויקת יותר: בניסוי אחד החוקרים ניסו למקם תמונות של עלוות קיץ כנגד תמונות העלים החורפיות באמצעות טכניקת VTRN מבוססת מתאם. הם גילו שהביצועים לא היו טובים יותר ממטבע, כאשר 50 אחוז מהניסיונות גרמו לכשלים בניווט. לעומת זאת, הכנסת האלגוריתם החדש ל- VTRN עבדה הרבה יותר טוב: 92 אחוז מהניסיונות הותאמו כראוי, וניתן היה לזהות את 8 האחוזים הנותרים כבעייתיים מראש, ואז לנהל אותם בקלות באמצעות טכניקות ניווט מבוססות אחרות.
"מחשבים יכולים למצוא דפוסים לא ברורים שעינינו אינן יכולות לראות ויכולים לעלות אפילו במגמה הקטנה ביותר", אומר לי. VTRN היה בסכנה והפך לטכנולוגיה בלתי אפשרית בסביבות משותפות אך מאתגרות, הוא אומר. "חילצנו עשרות שנים של עבודה בפתרון בעיה זו."
מעבר לתועלת למזל"טים אוטונומיים על פני כדור הארץ, יש למערכת גם יישומים למשימות חלל. מערכת הכניסה, הירידה והנחיתה (EDL) במשימת נדידת ההתמדה של מאדים 2020 של JPL, למשל, השתמשה ב- VTRN בפעם הראשונה בכוכב האדום כדי לנחות במכתש ג'יזרו, אתר שנחשב בעבר למסוכן מדי עבור כספת. כְּנִיסָה. עם רוברים כמו התמדה, "דרושה נהיגה אוטונומית מסוימת", אומר צ'ונג, "מכיוון ששידור לוקח שבע דקות לנסוע בין כדור הארץ למאדים, ואין GPS על מאדים." הצוות שקל את אזורי הקוטב המאדים שיש בהם גם שינויים עונתיים עזים, תנאים דומים לכדור הארץ, והמערכת החדשה עשויה לאפשר ניווט משופר לתמיכה ביעדים מדעיים כולל חיפוש מים.
בהמשך, פרגוסו, לי וצ'ונג ירחיבו את הטכנולוגיה בכדי להסביר שינויים גם במזג האוויר: ערפל, גשם, שלג וכו '. אם תצליח, עבודתם עשויה לסייע בשיפור מערכות הניווט למכוניות ללא נהג.