Tanpa GPS, sistem autonomi mudah hilang. Kini, algoritma baharu yang dibangunkan di Caltech membolehkan sistem autonomi mengenali di mana ia berada hanya dengan melihat rupa bumi di sekelilingnya—dan buat pertama kalinya, teknologi berfungsi tanpa mengira perubahan bermusim pada rupa bumi itu.
Proses umum, yang dikenali sebagai visual terrain-relative navigasi (VTRN), mula dibangunkan pada tahun 1960-an. Dengan membandingkan rupa bumi berdekatan dengan imej satelit resolusi tinggi, sistem autonomi boleh mengesan sendiri.
Masalahnya ialah, agar dapat berfungsi, generasi VTRN sekarang ini memerlukan kawasan yang dilihatnya sesuai dengan gambar dalam pangkalan data. Apa sahaja yang mengubah atau mengaburkan kawasan, seperti penutup salji atau daun yang jatuh, menyebabkan gambar tidak sesuai dan merosakkan sistem. Oleh itu, melainkan jika terdapat pangkalan data gambar lanskap di bawah setiap keadaan yang dapat difahami, sistem VTRN mudah dikelirukan.
Untuk mengatasi cabaran ini, pasukan dari makmal Soon-Jo Chung, Bren Profesor Aeroangkasa dan Sistem Kawalan dan Sistem Dinamika dan saintis penyelidikan di JPL, yang dikendalikan oleh Caltech untuk NASA, beralih kepada pembelajaran mendalam dan kecerdasan buatan (AI) untuk menghilangkan musiman kandungan yang menghalang sistem VTRN semasa.
"Peraturan praktisnya adalah bahwa kedua gambar - yang satu dari satelit dan yang satu dari kenderaan autonomi - harus mempunyai kandungan yang sama agar teknik terkini dapat berfungsi. Perbezaan yang dapat mereka atasi adalah mengenai apa yang dapat dicapai dengan penapis Instagram yang mengubah warna gambar, "kata Anthony Fragoso (MS '14, Ph.D. '18), pensyarah dan saintis kakitangan, dan penulis utama Sains Kertas robotik. "Namun, dalam sistem nyata, keadaan berubah secara drastis berdasarkan musim karena gambar tidak lagi berisi objek yang sama dan tidak dapat dibandingkan secara langsung."
Proses yang dikembangkan oleh Chung dan Fragoso bekerjasama dengan pelajar siswazah Connor Lee (BS '17, MS '19) dan pelajar sarjana Austin McCoy-menggunakan apa yang dikenali sebagai "pembelajaran diawasi sendiri." Walaupun kebanyakan strategi penglihatan komputer bergantung pada anotator manusia yang secara berhati-hati mengatur kumpulan data besar untuk mengajar algoritma bagaimana mengenali apa yang dilihatnya, yang satu ini memungkinkan algoritma itu mengajar sendiri. AI mencari corak dalam gambar dengan mengusik perincian dan ciri yang mungkin akan dilupakan oleh manusia.
Melengkapkan generasi VTRN terkini dengan sistem baru menghasilkan penyetempatan yang lebih tepat: dalam satu eksperimen, para penyelidik berusaha melokalisasikan gambar dedaunan musim panas terhadap gambar musim sejuk dengan menggunakan teknik VTRN berasaskan korelasi. Mereka mendapati bahawa prestasi tidak lebih baik daripada pelepasan duit syiling, dengan 50 peratus percubaan mengakibatkan kegagalan navigasi. Sebaliknya, penyisipan algoritma baru ke dalam VTRN bekerja jauh lebih baik: 92 peratus percubaan dipadankan dengan betul, dan 8 persen sisanya dapat diidentifikasi sebagai bermasalah sebelumnya, dan kemudian dikendalikan dengan mudah menggunakan teknik navigasi lain yang sudah ada.
"Komputer dapat menemukan corak yang tidak jelas yang tidak dapat dilihat oleh mata kita dan dapat mengambil tren terkecil sekalipun," kata Lee. VTRN dalam bahaya berubah menjadi teknologi yang tidak dapat dilaksanakan dalam lingkungan umum tetapi mencabar, katanya. "Kami menyelamatkan puluhan tahun kerja dalam menyelesaikan masalah ini."
Di luar utiliti untuk drone autonomi di Bumi, sistem ini juga mempunyai aplikasi untuk misi angkasa. Sistem kemasukan, keturunan, dan pendaratan (EDL) di misi JPL's Mars 2020 Perseverance rover, misalnya, menggunakan VTRN untuk pertama kalinya di Planet Merah untuk mendarat di Kawah Jezero, sebuah laman web yang sebelumnya dianggap terlalu berbahaya untuk keselamatan kemasukan. Dengan penumpang seperti Perseverance, "sejumlah pemanduan autonomi diperlukan," kata Chung, "kerana transmisi memerlukan tujuh minit perjalanan antara Bumi dan Marikh, dan tidak ada GPS di Marikh. " Pasukan ini menganggap kawasan kutub Mars yang juga mengalami perubahan musim yang sengit, keadaan yang serupa dengan Bumi, dan sistem baru dapat memungkinkan navigasi yang lebih baik untuk menyokong objektif saintifik termasuk pencarian air.
Seterusnya, Fragoso, Lee, dan Chung akan mengembangkan teknologi untuk memperhitungkan perubahan cuaca juga: kabus, hujan, salji, dan sebagainya. Sekiranya berjaya, karya mereka dapat membantu meningkatkan sistem navigasi untuk kereta tanpa pemandu.