Zonder GPS raken autonome systemen gemakkelijk verloren. Nu zorgt een nieuw bij Caltech ontwikkeld algoritme ervoor dat autonome systemen kunnen herkennen waar ze zijn, simpelweg door naar het terrein om hen heen te kijken – en voor het eerst kunnen de technologie werkt ongeacht seizoensveranderingen op dat terrein.
Het algemene proces, bekend als visueel terrein-relatief navigatie (VTRN), werd voor het eerst ontwikkeld in de jaren zestig. Door nabijgelegen terrein te vergelijken met satellietbeelden met hoge resolutie kunnen autonome systemen zichzelf lokaliseren.
Het probleem is dat, om het te laten werken, de huidige generatie VTRN vereist dat het terrein waar het naar kijkt nauw aansluit bij de afbeeldingen in zijn database. Alles wat het terrein verandert of verduistert, zoals sneeuwbedekking of gevallen bladeren, zorgt ervoor dat de afbeeldingen niet overeenkomen en het systeem vervuilt. Dus, tenzij er een database is van de landschapsbeelden onder alle denkbare omstandigheden, kunnen VTRN-systemen gemakkelijk verward worden.
Om deze uitdaging het hoofd te bieden, wendde een team van het laboratorium van Soon-Jo Chung, Bren Professor of Aerospace and Control and Dynamical Systems en onderzoekswetenschapper bij JPL, die Caltech beheert voor NASA, zich tot deep learning en kunstmatige intelligentie (AI) om seizoensgebonden inhoud die de huidige VTRN-systemen hindert.
“De vuistregel is dat beide beelden – die van de satelliet en die van het autonome voertuig – identieke inhoud moeten hebben om de huidige technieken te laten werken. De verschillen die ze aankunnen, gaan over wat er kan worden bereikt met een Instagram-filter dat de tinten van een afbeelding verandert”, zegt Anthony Fragoso (MS '14, Ph.D. '18), docent en stafwetenschapper en hoofdauteur van de Science Robotica papier. "In echte systemen veranderen de dingen echter drastisch op basis van het seizoen, omdat de afbeeldingen niet langer dezelfde objecten bevatten en niet direct te vergelijken zijn."
Het proces - ontwikkeld door Chung en Fragoso in samenwerking met afgestudeerde student Connor Lee (BS '17, MS '19) en student Austin McCoy - maakt gebruik van wat bekend staat als 'zelf-gesuperviseerd leren'. Hoewel de meeste computervisiestrategieën afhankelijk zijn van menselijke annotators die zorgvuldig grote datasets samenstellen om een algoritme te leren herkennen wat het ziet, laat dit algoritme het algoritme zichzelf leren. De AI zoekt naar patronen in afbeeldingen door details en functies te plagen die waarschijnlijk door mensen zouden worden gemist.
Het aanvullen van de huidige generatie VTRN met het nieuwe systeem levert een nauwkeurigere lokalisatie op: in één experiment probeerden de onderzoekers beelden van zomergebladerte te lokaliseren tegen winterblad-off-beelden met behulp van een op correlatie gebaseerde VTRN-techniek. Ze ontdekten dat de prestaties niet beter waren dan het opgooien van een munt, waarbij 50 procent van de pogingen resulteerde in navigatiefouten. Daarentegen werkte het invoegen van het nieuwe algoritme in de VTRN veel beter: 92 procent van de pogingen kwam correct overeen en de resterende 8 procent kon van tevoren als problematisch worden geïdentificeerd en vervolgens gemakkelijk worden beheerd met behulp van andere gevestigde navigatietechnieken.
"Computers kunnen obscure patronen vinden die onze ogen niet kunnen zien en kunnen zelfs de kleinste trend oppikken", zegt Lee. VTRN dreigde een onhaalbare technologie te worden in gewone maar uitdagende omgevingen, zegt hij. "We hebben tientallen jaren werk gered om dit probleem op te lossen."
Naast het hulpprogramma voor autonome drones op aarde, heeft het systeem ook toepassingen voor ruimtemissies. Het systeem voor binnenkomst, dalen en landen (EDL) op JPL's Mars 2020 Perseverance rover-missie, bijvoorbeeld, gebruikte VTRN voor het eerst op de Rode Planeet om te landen op de Jezero-krater, een locatie die voorheen als te gevaarlijk werd beschouwd voor een veilige binnenkomst. Bij rovers zoals Perseverance "is een zekere mate van autonoom rijden noodzakelijk", zegt Chung, "aangezien transmissies zeven minuten duren om tussen de aarde en Mars te reizen, en er geen GPS op Mars." Het team beschouwde de poolgebieden van Mars die ook intense seizoensveranderingen hebben, omstandigheden die vergelijkbaar zijn met die van de aarde, en het nieuwe systeem zou een verbeterde navigatie mogelijk maken om wetenschappelijke doelen te ondersteunen, waaronder het zoeken naar water.
Vervolgens zullen Fragoso, Lee en Chung de technologie uitbreiden om ook rekening te houden met veranderingen in het weer: mist, regen, sneeuw, enzovoort. Als dit lukt, kan hun werk helpen bij het verbeteren van navigatiesystemen voor auto's zonder bestuurder.