Dolar 9,3088
Euro 10,8387
Altın 529,59
BİST 1.430
Adana Adıyaman Afyon Ağrı Aksaray Amasya Ankara Antalya Ardahan Artvin Aydın Balıkesir Bartın Batman Bayburt Bilecik Bingöl Bitlis Bolu Burdur Bursa Çanakkale Çankırı Çorum Denizli Diyarbakır Düzce Edirne Elazığ Erzincan Erzurum Eskişehir Gaziantep Giresun Gümüşhane Hakkari Hatay Iğdır Isparta İstanbul İzmir K.Maraş Karabük Karaman Kars Kastamonu Kayseri Kırıkkale Kırklareli Kırşehir Kilis Kocaeli Konya Kütahya Malatya Manisa Mardin Mersin Muğla Muş Nevşehir Niğde Ordu Osmaniye Rize Sakarya Samsun Siirt Sinop Sivas Şanlıurfa Şırnak Tekirdağ Tokat Trabzon Tunceli Uşak Van Yalova Yozgat Zonguldak
İstanbul 17 °C
Çok Bulutlu

Yeni algoritma, otonom araçların kendilerini yaz veya kış bulmasına yardımcı oluyor

23.06.2021
74
Yeni algoritma, otonom araçların kendilerini yaz veya kış bulmasına yardımcı oluyor

GPS olmadan, otonom sistemler kolayca kaybolur. Şimdi Caltech’te geliştirilen yeni bir algoritma, otonom sistemlerin sadece etraflarındaki araziye bakarak nerede olduklarını tanımalarına izin veriyor ve ilk kez teknoloji, o arazideki mevsimsel değişikliklerden bağımsız olarak çalışıyor.

Görsel araziye göre navigasyon (VTRN) olarak bilinen genel süreç, ilk olarak 1960’larda geliştirildi. Otonom sistemler yakındaki araziyi yüksek çözünürlüklü uydu görüntüleriyle karşılaştırarak kendilerini bulabilirler.

Sorun şu ki, çalışması için mevcut VTRN nesli, baktığı arazinin veritabanındaki görüntülerle yakından eşleşmesini gerektiriyor. Kar örtüsü veya düşen yapraklar gibi araziyi değiştiren veya gizleyen herhangi bir şey, görüntülerin eşleşmemesine neden olur ve sistemi bozar. Bu nedenle, akla gelebilecek her koşulda manzara görüntülerinin bir veritabanı olmadığı sürece, VTRN sistemleri kolaylıkla karıştırılabilir.

Bu zorluğun üstesinden gelmek için, Bren Havacılık, Kontrol ve Dinamik Sistemler Profesörü ve Caltech’in NASA için yönettiği JPL’de araştırma bilimcisi olan Soon-Jo Chung’un laboratuvarından bir ekip, mevcut VTRN sistemlerini engelleyen içerik mevsimsel sorunları ortadan kaldırmak için derin öğrenmeye ve yapay zekaya (AI) başvurdu.

Kredi: California Teknoloji Enstitüsü

“Temel kural, mevcut tekniklerin çalışması için uydudan ve otonom araçtan gelen her iki görüntünün de aynı içeriğe sahip olması gerektiğidir. Kaldırabilecekleri farklılıklar, bir Instagram filtresiyle neler yapılabileceğiyle ilgilidir. Bu, bir görüntünün renk tonlarını değiştirir,” diyor Anthony Fragoso (MS ’14, Ph.D. ’18), öğretim görevlisi ve personel bilim insanı ve Science Robotics makalesinin baş yazarı. “Ancak gerçek sistemlerde, görüntüler artık aynı nesneleri içermediğinden ve doğrudan karşılaştırılamadığından işler mevsime göre büyük ölçüde değişiyor.”

Chung ve Fragoso tarafından lisansüstü öğrencisi Connor Lee (BS ’17, MS ’19) ve lisans öğrencisi Austin McCoy ile işbirliği içinde geliştirilen süreç, “kendi kendini denetleyen öğrenme” olarak bilinen şeyi kullanır. Bilgisayarlı görme stratejilerinin çoğu, bir algoritmaya gördüklerini nasıl tanıyacağını öğretmek için büyük veri kümelerini dikkatli bir şekilde küratörlüğünü yapan insan açıklayıcılara güvenirken, bu, bunun yerine algoritmanın kendini öğretmesine izin verir. AI, muhtemelen insanlar tarafından gözden kaçırılabilecek ayrıntıları ve özellikleri ortaya çıkararak görüntülerdeki kalıpları arar.

Mevcut VTRN neslini yeni sistemle desteklemek daha doğru yerelleştirme sağlar: bir deneyde, araştırmacılar korelasyona dayalı bir VTRN tekniği kullanarak yaz yapraklarının görüntülerini kış yaprağı görüntüsüne karşı yerelleştirmeye çalıştılar. Performansın yazı tura atmaktan daha iyi olmadığını ve denemelerin yüzde 50’sinin navigasyon hatalarıyla sonuçlandığını buldular. Buna karşılık, yeni algoritmanın VTRN’ye eklenmesi çok daha iyi çalıştı: girişimlerin yüzde 92’si doğru şekilde eşleştirildi ve kalan yüzde 8’i önceden sorunlu olarak tanımlandı ve ardından diğer yerleşik navigasyon teknikleri kullanılarak kolayca yönetildi.

Lee, “Bilgisayarlar, gözlerimizin göremediği belirsiz kalıpları bulabilir ve en küçük trendi bile yakalayabilir” diyor. VTRN, yaygın ancak zorlu ortamlarda uygulanabilir olmayan bir teknolojiye dönüşme tehlikesiyle karşı karşıya olduğunu söylüyor. “Bu sorunu çözmek için onlarca yıllık çalışmayı kurtardık.”

Sistem, Dünya’daki otonom dronlar için kullanımının ötesinde, uzay görevleri için de uygulamalara sahiptir. Örneğin, JPL’nin Mars 2020 Perseverance gezici misyonundaki giriş, iniş ve iniş (EDL) sistemi, daha önce güvenli olarak çok tehlikeli olduğu düşünülen Jezero Krateri’ne inmek için Kızıl Gezegen’de ilk kez VTRN’yi kullandı. giriş. Perseverance gibi gezici araçlarla, “belirli bir miktarda otonom sürüş gerekli” diyor Chung, “iletimlerin Dünya ile Mars arasında seyahat etmesi yedi dakika sürüyor ve Mars’ta GPS yok.” Ekip, aynı zamanda yoğun mevsimsel değişikliklere, Dünya’ya benzer koşullara sahip olan Mars kutup bölgelerini ve yeni sistemin su araması da dahil olmak üzere bilimsel hedefleri desteklemek için gelişmiş navigasyona izin verebileceğini düşündü.

Ardından Fragoso, Lee ve Chung, havadaki değişiklikleri de hesaba katmak için teknolojiyi genişletecek: sis, yağmur, kar vb. Başarılı olursa, çalışmaları sürücüsüz arabalar için navigasyon sistemlerinin geliştirilmesine yardımcı olabilir.

Daha fazla bilgi:
AT Fragoso el al., “Görsel araziye göre navigasyon için mevsimsel olarak değişmeyen bir derin dönüşüm,” Bilim Robotik (2021). robotics.sciencemag.org/lookup … /scirobotics.abf3320

ZİYARETÇİ YORUMLARI - 0 YORUM

Henüz yorum yapılmamış.