Без GPS автономные системы легко теряются. Теперь новый алгоритм, разработанный в Калифорнийском технологическом институте, позволяет автономным системам распознавать, где они находятся, просто взглянув на местность вокруг них. technology работает независимо от сезонных изменений местности.
Общий процесс, известный как визуальное относительно местности. навигация (VTRN), впервые был разработан в 1960-х годах. Сравнивая близлежащую местность со спутниковыми изображениями высокого разрешения, автономные системы могут определить свое местоположение.
Проблема в том, что для работы текущего поколения VTRN требуется, чтобы ландшафт, на который он смотрит, точно соответствовал изображениям в его базе данных. Все, что изменяет или затемняет местность, например, снежный покров или опавшие листья, приводит к несовпадению изображений и нарушает работу системы. Таким образом, если нет базы данных изображений ландшафта при всех мыслимых условиях, системы VTRN можно легко запутать.
Чтобы преодолеть эту проблему, команда из лаборатории Сун-Джо Чанга, профессора Брена аэрокосмических, управляющих и динамических систем и научного сотрудника JPL, которым Калтех управляет для НАСА, обратилась к глубокому обучению и искусственному интеллекту (ИИ), чтобы удалить сезонные контент, который мешает существующим системам VTRN.
«Эмпирическое правило состоит в том, что оба изображения - одно со спутника и одно с автономного транспортного средства - должны иметь идентичный контент, чтобы современные методы работали. Различия, с которыми они могут справиться, касаются того, что можно сделать с помощью фильтра Instagram, который изменяет оттенки изображения », - говорит Энтони Фрагосо (MS '14, Ph.D. '18), лектор и штатный научный сотрудник, а также ведущий автор журнала Science. Бумага для робототехники. «Однако в реальных системах все резко меняется в зависимости от сезона, потому что изображения больше не содержат одни и те же объекты и их нельзя напрямую сравнивать».
Этот процесс, разработанный Чангом и Фрагозо в сотрудничестве с аспирантом Коннором Ли (BS '17, MS '19) и студентом Остином Маккой, использует так называемое «обучение с самоконтролем». В то время как большинство стратегий компьютерного зрения полагаются на людей-аннотаторов, которые тщательно обрабатывают большие наборы данных, чтобы научить алгоритм распознавать то, что он видит, эта стратегия вместо этого позволяет алгоритму обучаться самому. ИИ ищет закономерности на изображениях, выявляя детали и функции, которые, вероятно, были бы упущены людьми.
Дополнение текущего поколения VTRN новой системой дает более точную локализацию: в одном эксперименте исследователи попытались локализовать изображения летней листвы на фоне изображений зимней листвы с использованием корреляционной техники VTRN. Они обнаружили, что производительность была не лучше, чем при подбрасывании монеты, причем 50% попыток приводили к сбоям навигации. Напротив, внедрение нового алгоритма в VTRN сработало намного лучше: 92 процента попыток были правильно сопоставлены, а оставшиеся 8 процентов можно было заранее определить как проблемные, а затем легко управлять с помощью других установленных методов навигации.
«Компьютеры могут находить неясные закономерности, которые не видны нашим глазам, и могут улавливать даже самые незначительные тенденции», - говорит Ли. По его словам, VTRN рискует превратиться в неосуществимую технологию в обычных, но сложных условиях. «Мы сэкономили десятилетия работы над решением этой проблемы».
Помимо использования автономных дронов на Земле, система также имеет приложения для космических миссий. Например, система входа, спуска и посадки (EDL) в миссии марсохода JPL Mars 2020 Perseverance, например, впервые использовала VTRN на Красной планете для приземления в кратере Джезеро, месте, которое ранее считалось слишком опасным для безопасности. Вход. Для таких марсоходов, как Perseverance, «необходимо определенное количество автономного вождения, - говорит Чанг, - поскольку передача занимает семь минут, чтобы путешествовать между Землей и Марсом, и нет GPS на Марсе ». Команда рассмотрела марсианские полярные регионы, которые также имеют интенсивные сезонные изменения, условия, аналогичные земным, и новая система может позволить улучшить навигацию для поддержки научных целей, включая поиск воды.
Затем Фрагосо, Ли и Чанг расширят эту технологию, чтобы учесть изменения погоды: туман, дождь, снег и т. Д. В случае успеха их работа могла бы помочь улучшить навигационные системы для беспилотных автомобилей.