Visuel målsøgning for mikroluftfartøjer ved hjælp af scenekendskab

I et papir, der skal udgives i Ubemandede systemer , en gruppe forskere har opdaget, at en navigationsalgoritme foreslået af Baddeley et al. er i stand til at give MAV'er ret hurtigt og effektivt mulighed for at finde tilbage til et tidligere besøgt sted, gør det muligt at fungere mere som et flyvende insekt.

Her er en gåde, som en ubemandet systemingeniør måske spørger dig en dag:hvordan ligner et mikroluftfartøj (også kendt som en MAV) et flyvende insekt? Godt, du kan sige som svar, både MAV'er og flyvende insekter skal navigere i ukendte komplekse miljøer. Men et insekts hjerne er lille, og en MAV kan ikke udføre tunge beregninger og har ofte ikke et godt sensorsystem. Som resultat, både insektet og MAV må stole på enkle, effektive navigationsmekanismer, der ikke overbelaster deres kapacitet. Når man udvikler en MAV, udfordringen er derfor at skrive en navigationsalgoritme, der fungerer godt uden at kræve masser af computerkraft.

En sådan algoritme, foreslået af Baddeley et al., bruger kameraer til at afgøre, om en visning er kendt for en MAV. Hvis udsigten er kendt, MAV'en skal have bestået den vej før. Ved at evaluere mange sådanne synspunkter for fortrolighed, MAV kan bestemme den korrekte retning til et tidligere besøgt sted. Et lille neuralt netværk bruges også til at gemme og rekapitulere en rute, så den oprindelige placering kan findes. Baddeley et al. hævde, at denne algoritme ville gøre det unødvendigt for MAV at konstruere et kort over sine omgivelser - en proces, der ofte er strømkrævende.

Et team af videnskabsmænd bestående af Gerald J. J. van Dalen, Kimberly N. McGuire, og Guido C. H. E. de Croon har sat denne algoritme på prøve ved at bruge den i mere realistiske miljøer end dem, der er skabt af Baddeley et al. for deres egne eksperimenter med algoritmen. Holdet testede også algoritmen på forskellige billedrepræsentationer (rå pixels, farver og rumlig invariant information) for at se virkningen af ​​forskellige billedparametre. Ud over, to metoder til visningsrepræsentation blev testet for at bestemme, hvilken der gav overlegne resultater:et lagret sæt billedrepræsentationer (benævnt perfekt hukommelse) eller et ikke-overvåget neuralt netværk (kendt som Infomax). Algoritmens følsomhed blev også testet under både rotation og translation.

I rotationstilstand, MAV'en blev lavet til at udføre en 360° drejning på et fast sted i miljøet, i trin på 5°. Visningerne 'set' af MAV'en under denne øvelse sammenlignes med et tidligere gemt billede tegnet fra det pågældende sted. Teamets hypotese er, at fortroligheden bør forbedres, efterhånden som den aktuelle visning begynder at ligne det gemte billede.

I oversættelsestilstand, MAV'en blev lavet til at bevæge sig fra et givet punkt langs en given vej mod et sted i miljøet. Igen, visningerne 'set' af MAV'en under denne øvelse sammenlignes med et tidligere gemt billede tegnet fra det pågældende sted. Teamets hypotese er, at fortroligheden bør forbedres, efterhånden som afstanden mellem MAV'en og visningen i det gemte billede bliver mindre. For at teste algoritmens følsomhed, holdet har eksperimenteret med at øge afstanden mellem MAV og visningen i det gemte billede, samt at øge kursvinklen, hvorved MAV nærmer sig nævnte visning.

Resultaterne af denne undersøgelse tyder på, at algoritmen er lovende. Når testet, MAV'erne klarede sig godt på flere måder:de kunne nøjagtigt finde tilbage til et tidligere besøgt sted, de kunne gøre det ret hurtigt, og de brugte ikke særlig meget computerkraft for at opnå dette. Dette har spændende konsekvenser. Da denne algoritme er beregningseffektiv, det kunne sandsynligvis anvendes på de fleste MAV'er for at give dem målsøgningsfunktioner. Du ville være i stand til at sende dine MAV'er ud for at indsamle data, sikker i viden om, at uanset hvor de går, de vil være i stand til at komme direkte tilbage til dig bagefter.

Det pågældende blad vil blive offentliggjort i næste nummer af Ubemandede systemer .