В Калифорнийском технологическом институте разработали алгоритм машинного зрения, позволяет автономным системам распознавать, где они находятся, просто глядя на местность вокруг. Впервые технология работает независимо от сезонных изменений этой местности, что делает визуальную навигацию более практичной.

Автономная навигация с улучшенным визуальным распознаванием местности

Визуальную навигацию по местности (VTRN) разработали еще в 1960-х годах. Сравнивая близлежащую местность со спутниковыми изображениями высокого разрешения, автономные системы могут определять свое местоположение.

Проблема в том, что для работы текущего поколения VTRN требуется, чтобы ландшафт точно соответствовал изображениям в базе данных. Все, что изменяет или затемняет местность, например, снежный покров или опавшие листья, нарушает работу системы.

Чтобы решить эту проблему, команда из лаборатории Сун-Джо Чанга, научного сотрудника Калтеха, обратилась к глубокому обучению и искусственному интеллекту. По словам исследователей, проблема реальных систем заключается в том, что изображения одной и той же местности в разные сезоны содержат разные объекты, и их нельзя напрямую сравнивать, даже с помощью фильтра.

Команда разработала процесс, который использует так называемое «самообучение». В то время как большинство стратегий компьютерного зрения полагаются на людей-аннотаторов, которые тщательно обрабатывают большие наборы данных, эта стратегия позволяет алгоритму обучаться самому. ИИ ищет закономерности на изображениях, выявляя детали, которые, вероятно, были бы упущены людьми.

В одном эксперименте исследователи попытались локализовать изображения летней листвы на фоне изображений зимней с использованием корреляционной техники VTRN. Они обнаружили, что производительность была не выше уровня вероятности, причем 50 % попыток приводили к сбоям системы навигации. Внедрение нового алгоритма в VTRN сработало намного лучше: 92 % ситуаций были правильно сопоставлены, а оставшиеся 8 % заранее определены как проблемные, чтобы управлять ими с помощью других методов.

«Компьютеры могут находить неясные закономерности, которые не видны нашим глазам, и могут улавливать даже самые незначительные тенденции», — говорит Ли.

Помимо использования автономных дронов и автомобилей на Земле, система также может применяться для космических миссий. Например, система спуска (EDL) в миссии марсохода «Персеверанс» впервые использовала VTRN для посадки в кратере Езеро. Новая система также может позволить улучшить навигацию для научных целей, включая поиск воды на других планетах.

В настоящее время ученые расширяют технологию, чтобы учесть изменения погоды: туман, дождь, снег и т. д.

Ранее исследователи Мичиганского технологического университета создали базу данных погодных условий на дорогах «глазами» беспилотных авто. Над аналогичным датасетом работают и европейские ученые из проекта DENSE.

А в Массачусетском технологическом институте разработали модель, которая помогает роботам воспринимать свою физическую среду так, как это делают люди. Система быстро создает 3D-карту окружения, которое включает объекты и их семантические метки. Модель способна запрашивать местоположение объектов и помещений или движение людей на своем пути.