Giver smarte køretøjer deres retningssans

Forskere rundt om i verden ræser om at udvikle selvkørende køretøjer, men nogle få væsentlige komponenter mangler endnu at blive perfektioneret. Den ene er lokalisering - køretøjets evne til at bestemme sin plads og bevægelse. En anden er kortlægning - køretøjernes evne til at modellere sine omgivelser, så de sikkert kan transportere passagerer til det rigtige sted.

Spørgsmålet er:Hvordan giver man et køretøj en retningsfølelse? Mens GPS-enheder (Global Positioning Satellite) kan hjælpe, de er ikke tilgængelige eller pålidelige i alle sammenhænge. I stedet, mange eksperter undersøger samtidig lokalisering og kortlægning, eller SLAM, et notorisk vanskeligt problem inden for robotteknologi. Nye algoritmer udviklet af Guoquan (Paul) Huang, en adjunkt i maskinteknik, el- og computerteknik, og computer- og informationsvidenskab ved University of Delaware, bringer svaret tættere på øjnene.

Huang bruger visuelle-inerti-navigationssystemer, der kombinerer inerti-sensorer, som indeholder gyroskoper til at bestemme orientering og accelerometre til at bestemme acceleration, sammen med kameraer. Ved at bruge data fra disse relativt billige, bredt tilgængelige komponenter, Huang måler og beregner bevægelse og lokalisering.

For eksempel, da hans team sluttede deres system til en bærbar computer og bar det rundt i UD's Spencer Laboratory, hjemsted for Institut for Maskinteknik, de genererede tilstrækkelige data til at kortlægge bygningen, mens de sporede selve den bærbare computers bevægelse. I et selvkørende køretøj, lignende sensorer og kameraer ville blive knyttet til en robot i køretøjet.

Et autonomt køretøjs evne til at spore sin egen bevægelse og bevægelsen af ​​objekter omkring det er kritisk. "Vi er nødt til at lokalisere køretøjet, før vi automatisk kan kontrollere køretøjet, " sagde Huang. "Køretøjet skal kende sin placering for at kunne fortsætte."

Så er der spørgsmålet om sikkerhed. "I et byscenarie, for eksempel, der er fodgængere og andre køretøjer, så ideelt set skal køretøjet være i stand til at spore sin egen bevægelse såvel som bevægelsen af ​​bevægelige genstande i sine omgivelser, " sagde Huang.

I et papir offentliggjort tidligere på året i International Journal of Robotics Research (IJRR), Huang og hans team fandt en bedre, mere nøjagtig løsning til at kombinere inertimålingerne. Indtil nu, videnskabsmænd brugte diskret integration, en calculus-teknik, der tilnærmer arealet under en kurve, at tilnærme løsningen. I stedet, Huangs gruppe fandt en løsning og beviste, at den var bedre end eksisterende metoder. Endnu bedre, de deler deres løsning.

"Vi åbner vores kode. Den er på GitHub, " sagde Huang. "Mange mennesker har brugt vores kode til deres systemer." I et andet nyligt IJRR papir, Huang og hans team omformulerede SLAM-problemet som en formel, der beregner små trin af bevægelse af robotterne udstyret med de visuelle og inertisensorer. Mange af disse forskningsvideoer kan findes på Huangs Lab YouTube-kanal.

Disse opdagelser kunne have applikationer ud over autonome køretøjer, fra biler til luftdroner til undervandsfartøjer og meget mere. Huangs algoritmer kan også bruges til at udvikle augmented reality og virtual reality-applikationer til mobile enheder såsom smartphones, som allerede har kameraer og inertisensorer ombord.

"Disse sensorer er meget almindelige, så de fleste mobile enheder, smartphones, selv droner og køretøjer har disse sensorer, " sagde Huang. "Vi forsøger at udnytte de eksisterende billige sensorer og levere en lokaliseringsløsning, en bevægelsessporingsløsning."

I 2018 og igen i 2019, Huang modtog en Google Daydream (AR/VR) Faculty Research Award for at støtte dette arbejde.

"Folk ser, at robotter bliver den næste store ting i det virkelige liv, så det er derfor industrien faktisk driver dette forskningsfelt meget, " sagde Huang.