GPS가 없으면 자율 시스템은 쉽게 길을 잃습니다. 이제 Caltech에서 개발된 새로운 알고리즘을 통해 자율 시스템은 주변 지형만 보고 자신의 위치를 인식할 수 있습니다. technology 해당 지형의 계절적 변화에 관계없이 작동합니다.
시각적 지형 기준으로 알려진 일반적인 프로세스 항해 (VTRN)은 1960년대에 처음 개발되었습니다. 자율 시스템은 주변 지형을 고해상도 위성 이미지와 비교하여 스스로 위치를 찾을 수 있습니다.
문제는 그것이 작동하기 위해 VTRN의 현재 세대가보고있는 지형이 데이터베이스의 이미지와 밀접하게 일치해야한다는 것입니다. 눈 덮음이나 낙엽과 같이 지형을 변경하거나 가리는 것은 이미지가 일치하지 않게하고 시스템을 더럽 힙니다. 따라서 상상할 수있는 모든 조건에서 풍경 이미지 데이터베이스가 없으면 VTRN 시스템은 쉽게 혼동 될 수 있습니다.
이 문제를 극복하기 위해 칼텍이 NASA에서 관리하는 JPL의 Bren 항공 우주 및 제어 및 동적 시스템 교수이자 연구 과학자 인 정순조 연구실의 팀은 딥 러닝 및 인공 지능 (AI)으로 전환하여 계절을 제거했습니다. 현재 VTRN 시스템을 방해하는 콘텐츠.
“경험의 법칙은 위성 이미지와 자율 주행 차량의 이미지 모두가 현재 기술이 작동하려면 동일한 콘텐츠를 가져야한다는 것입니다. 그들이 처리 할 수있는 차이점은 이미지의 색조를 변경하는 Instagram 필터로 달성 할 수있는 것에 관한 것입니다. 로봇 종이. 그러나 실제 시스템에서는 이미지가 더 이상 동일한 개체를 포함하지 않고 직접 비교할 수 없기 때문에 계절에 따라 상황이 크게 달라집니다.”
Chung과 Fragoso가 대학원생 Connor Lee (BS '17, MS '19) 및 학부생 Austin McCoy와 공동으로 개발 한이 프로세스는 "자기지도 학습"을 사용합니다. 대부분의 컴퓨터 비전 전략은 대규모 데이터 세트를 신중하게 큐레이팅하여 알고리즘이보고있는 것을 인식하는 방법을 가르치는 사람 주석에 의존하지만, 대신 알고리즘이 스스로 학습 할 수 있도록합니다. AI는 인간이 놓칠 수있는 세부 사항과 특징을 찾아내어 이미지의 패턴을 찾습니다.
현재 세대의 VTRN을 새로운 시스템으로 보완하면 더 정확한 위치 파악이 가능합니다. 한 실험에서 연구원들은 상관 기반 VTRN 기술을 사용하여 겨울 잎사귀 이미지에 대해 여름 단풍 이미지를 위치 지정하려고 시도했습니다. 그들은 성능이 동전 던지기보다 나을 것이 없다는 것을 발견했으며 시도의 50 %는 탐색 실패를 초래했습니다. 반대로 새로운 알고리즘을 VTRN에 삽입하면 훨씬 더 잘 작동했습니다. 92 %의 시도가 올바르게 일치하고 나머지 8 %는 문제가있는 것으로 미리 식별 된 다음 기존의 다른 탐색 기술을 사용하여 쉽게 관리 할 수있었습니다.
"컴퓨터는 우리 눈으로 볼 수없는 모호한 패턴을 찾아 내고 아주 작은 추세도 포착 할 수 있습니다."라고 Lee는 말합니다. VTRN은 일반적이지만 도전적인 환경에서 실행 불가능한 기술로 바뀌는 위험에 처해있었습니다. "우리는이 문제를 해결하기 위해 수십 년간의 작업을 구조했습니다."
이 시스템은 지구상의 자율 무인 항공기를위한 유틸리티 외에도 우주 임무를위한 응용 프로그램을 가지고 있습니다. 예를 들어 JPL의 Mars 2020 Perseverance 로버 미션의 EDL (입국, 하강 및 착륙) 시스템은 Red Planet에서 처음으로 VTRN을 사용하여 이전에 금고에 비해 너무 위험한 것으로 간주되었던 Jezero Crater에 착륙했습니다. 기입. Perseverance와 같은 로버의 경우“일정량의 자율 주행이 필요합니다.”정 씨는“전송이 지구와 화성 사이를 이동하는 데 XNUMX 분이 걸리기 때문에 GPS 화성에.” 연구팀은 극심한 계절적 변화와 지구와 유사한 조건을 가진 화성의 극지방을 고려했으며, 새로운 시스템은 물 탐색을 포함한 과학적 목표를 지원하기 위해 향상된 탐색을 허용 할 수 있습니다.
다음으로 Fragoso, Lee, Chung은 안개, 비, 눈 등 날씨 변화를 고려하여 기술을 확장합니다. 성공한다면 무인 자동차의 내비게이션 시스템을 개선하는 데 도움이 될 것입니다.