Χωρίς GPS, τα αυτόνομα οχήματα χάνονται εύκολα. Τώρα ένας νέος αλγόριθμος που αναπτύχθηκε στο Caltech (California Institute of Technology) επιτρέπει στα αυτόνομα οχήματα να αναγνωρίζουν πού βρίσκονται απλά κοιτάζοντας το έδαφος γύρω τους – και για πρώτη φορά, η τεχνολογία λειτουργεί ανεξάρτητα από τις εποχιακές αλλαγές σε αυτό το έδαφος.
Δείτε επίσης: ΕΕ: Το AI καθιστά τα αυτόνομα οχήματα «εξαιρετικά ευάλωτα» στις κυβερνοεπιθέσεις
Λεπτομέρειες σχετικά με τη διαδικασία δημοσιεύθηκαν στις 23 Ιουνίου στο περιοδικό Science Robotics, που δημοσιεύθηκε από την Αμερικανική Ένωση για την Προώθηση της Επιστήμης (AAAS).
Η γενική διαδικασία, γνωστή ως οπτική πλοήγηση σχετική με το έδαφος (VTRN), αναπτύχθηκε για πρώτη φορά στη δεκαετία του 1960. Τα αυτόνομα οχήματα δεν χάνουν τον προσανατολισμό τους, συγκρίνοντας το κοντινό έδαφος με δορυφορικές εικόνες υψηλής ανάλυσης.
Δείτε επίσης: Γερμανία: Περνά νομοθεσία για την κυκλοφορία αυτόνομων οχημάτων
Το πρόβλημα είναι ότι, για να λειτουργήσει, η τρέχουσα γενιά VTRN απαιτεί το έδαφος που εξετάζει να ταιριάζει με τις εικόνες που υπάρχουν στη βάση δεδομένων του. Οτιδήποτε αλλοιώνει ή κρύβει το έδαφος, όπως το χιόνι ή τα πεσμένα φύλλα, κάνει τις εικόνες να μην ταιριάζουν. Τα συστήματα VTRN μπορούν να λειτουργήσουν σωστά, εάν η βάση δεδομένων θα περιέχει εικόνες τοπίων σε κάθε πιθανή καιρική κατάσταση.
Για να ξεπεραστεί αυτή η πρόκληση, το Caltech στράφηκε στο deep learning και στην τεχνητή νοημοσύνη (AI) για να αφαιρέσει το περιεχόμενο ανά εποχή που εμποδίζει τα τρέχοντα συστήματα VTRN.
Η διαδικασία – που αναπτύχθηκε από τους Soon-Jo Chung και Anthony Fragoso σε συνεργασία με τον μεταπτυχιακό φοιτητή Connor Lee και τον προπτυχιακό φοιτητή Austin McCoy – χρησιμοποιεί αυτό που είναι γνωστό ως “self-supervised learning”. Ενώ οι περισσότερες στρατηγικές όρασης με υπολογιστή βασίζονται στους ανθρώπους που ελέγχουν προσεκτικά μεγάλα σύνολα δεδομένων για να διδάξουν σε έναν αλγόριθμο πώς να αναγνωρίζει τι βλέπει, αυτό αφήνει αντ ‘αυτού τον αλγόριθμο να διδάξει τον εαυτό του. Η τεχνητή νοημοσύνη αναζητά μοτίβα σε εικόνες τραβώντας λεπτομέρειες και χαρακτηριστικά που πιθανότατα θα χάσουν οι άνθρωποι.
Πέρα από τη χρησιμότητα για αυτόνομα οχήματα στη Γη, το σύστημα διαθέτει και εφαρμογές για διαστημικές αποστολές. Το σύστημα εισόδου, κατάβασης και προσγείωσης (EDL) στην αποστολή Mars 2020 Perseverance rover της JPL, για παράδειγμα, χρησιμοποίησε το VTRN για πρώτη φορά στον Κόκκινο Πλανήτη για να προσγειωθεί στον κρατήρα Jezero, μια τοποθεσία που προηγουμένως θεωρείτο πολύ επικίνδυνη για προσγείωση. Η ομάδα εξέτασε τις περιοχές του Άρη που έχουν έντονες εποχιακές αλλαγές, συνθήκες παρόμοιες με τη Γη και το νέο σύστημα θα μπορούσε να επιτρέψει βελτιωμένη πλοήγηση για την υποστήριξη επιστημονικών στόχων, συμπεριλαμβανομένης της αναζήτησης νερού.
Δείτε επίσης: Κίνα: Στρέφεται στην αυτοματοποίηση για να αντιμετωπίσει πληθυσμιακά ζητήματα
Στη συνέχεια, οι Fragoso, Lee και Chung θα επεκτείνουν την τεχνολογία για να λάβουν υπόψη και τις αλλαγές στον καιρό: ομίχλη, βροχή, χιόνι και ούτω καθεξής. Εάν είναι επιτυχής, η δουλειά τους θα μπορούσε να συμβάλει στη βελτίωση των συστημάτων πλοήγησης για αυτοκίνητα χωρίς οδηγό.
Πηγή πληροφοριών: caltech.edu