Autonome droner kan hjælpe med at søge og redde efter katastrofer

Når der sker katastrofer – uanset om det er en naturkatastrofe som en oversvømmelse eller jordskælv, eller en menneskeskabt som et masseskyderi eller bombning – det kan være ekstremt farligt at sende førstehjælpere ind, selvom der er mennesker, der har hårdt brug for hjælp.

Droner er nyttige, og hjælper med genopretningen efter de dødelige Alabama-tornadoer, men de fleste kræver individuelle piloter, der flyver det ubemandede fly med fjernbetjening. Det begrænser, hvor hurtigt redningsfolk kan se et helt berørt område, og kan forsinke den faktiske hjælp i at nå frem til ofrene.

Autonome droner kunne dække mere jord hurtigere, men ville kun være mere effektive, hvis de på egen hånd var i stand til at hjælpe redningsfolk med at identificere mennesker i nød. På University of Dayton Vision Lab, vi arbejder på at udvikle systemer, der kan hjælpe med at få øje på mennesker eller dyr – især dem, der kan være fanget af nedfaldent affald. Vores teknologi efterligner en menneskelig redningsmands adfærd, se kort på brede områder og hurtigt vælge specifikke regioner at fokusere på, at undersøge nærmere.

Leder efter et objekt i en kaotisk scene

Katastrofeområder er ofte fyldt med væltede træer, sammenstyrtede bygninger, oprevne veje og anden uorden, der kan gøre det meget vanskeligt at få øje på ofre med behov for redning.

Mit forskerhold har udviklet et kunstigt neuralt netværkssystem, der kan køre i en computer ombord på en drone. Dette system kan efterligne nogle af de fremragende måder, menneskets syn fungerer på. Den analyserer billeder taget af dronens kamera og formidler bemærkelsesværdige fund til menneskelige tilsynsførende.

Først, vores system behandler billederne for at forbedre deres klarhed. Ligesom mennesker kniber øjnene sammen for at justere deres fokus, vores teknologier tager detaljerede skøn over mørkere områder i en scene og gør billederne lysere. Når billeder er for uklare eller tågede, systemet genkender, at de er for lyse og reducerer hvidheden af ​​billedet for at se den faktiske scene mere tydeligt.

I et regnfuldt miljø, menneskelige hjerner bruger en genial strategi til at se klart. Ved at lægge mærke til de dele af en scene, der ikke ændrer sig – og dem, der gør, efterhånden som regndråberne falder – kan folk se rimeligt på trods af regn. Vores teknologi bruger den samme strategi, løbende undersøger indholdet af hver lokation i en sekvens af billeder for at få klar information om objekterne på det pågældende sted.

Vi har også udviklet teknologi, der kan gøre billeder fra et dronebåret kamera større, lysere og klarere. Ved at udvide størrelsen af ​​billedet, både algoritmer og mennesker kan se nøglefunktioner tydeligere.

Bekræftelse af genstande af interesse

Vores system kan identificere personer i forskellige positioner, såsom at ligge tilbøjelig eller krøllet i fosterstilling, selv fra forskellige betragtningsvinkler og under varierende lysforhold.

Den menneskelige hjerne kan se på et billede af et objekt og forestille sig, hvordan det ville se ud fra andre vinkler. Når politiet udsender en alarm, der beder offentligheden om at lede efter nogen, de inkluderer ofte et stillbillede – vel vidende at seernes sind vil forestille sig tredimensionelle visninger af, hvordan denne person kan se ud, og genkende dem på gaden, selvom de ikke får nøjagtig samme visning som det tilbudte billede. Vi anvender denne strategi ved at beregne tredimensionelle modeller af mennesker - enten generelle menneskelige former eller mere detaljerede projektioner af specifikke mennesker. Disse modeller bruges til at matche ligheder, når en person optræder i en scene.

Vi har også udviklet en måde at detektere dele af et objekt, uden at se det hele. Vores system kan trænes til at opdage og lokalisere et ben, der stikker ud under murbrokker, en hånd, der vinker på afstand, eller et hoved, der dukker op over en bunke træklodser. Det kan skelne en person eller et dyr fra et træ, busk eller køretøj.

At sætte brikkerne sammen

Under den første scanning af landskabet, vores system efterligner tilgangen af ​​en luftbåren spotter, undersøger jorden for at finde mulige objekter af interesse eller regioner, der er værd at undersøge nærmere, og så kigge nærmere. For eksempel, en flypilot, der leder efter en lastbil på jorden, vil typisk være mindre opmærksom på søer, damme, gårdmarker og legepladser – fordi lastbiler er mindre tilbøjelige til at være i disse områder. Vores autonome teknologi anvender den samme strategi til at fokusere søgeområdet til de mest betydningsfulde regioner i scenen.

Derefter undersøger vores system hver udvalgt region for at få oplysninger om formen, struktur og tekstur af objekter der. Når den registrerer et sæt funktioner, der matcher et menneske eller en del af et menneske, det markerer det som en placering af et offer.

Dronen indsamler også GPS-data om dens placering, og fornemmer, hvor langt den er fra andre objekter, den fotograferer. Disse oplysninger lader systemet beregne nøjagtigt placeringen af ​​hver person, der har brug for assistance, og alarmere redningsfolk.

Hele denne proces – at tage et billede, at behandle det for maksimal synlighed og analysere det for at identificere personer, der kan være fanget eller skjult - tager omkring en femtedel af et sekund på den normale bærbare computer, som dronen bærer, sammen med dets højopløselige kamera.

Det amerikanske militær er interesseret i denne teknologi. Vi har arbejdet sammen med U.S. Army Medical Research and Materiel Command for at finde sårede personer på en slagmark, som har brug for redning. Vi har tilpasset dette arbejde til at betjene forsyningsselskaber, der søger efter indtrængen på rørledningsstier fra entreprenørudstyr eller køretøjer, der kan beskadige rørledningerne. Forsyningsselskaber er også interesserede i at opdage nye konstruktioner af bygninger nær rørledningsvejene. Alle disse grupper – og mange flere – er interesserede i teknologi, der kan se, som mennesker kan se, især steder, hvor mennesker ikke kan være.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.