Bei einem Mineneinsturz ist die Zeit von entscheidender Bedeutung. Kritische Such- und Rettungseins\u00e4tze werden zu einer unglaublichen Herausforderung, da der Roboter, der durch den gef\u00e4hrlichen, teilweise eingest\u00fcrzten Schacht navigiert, schnell seine Umgebung erfassen und seine Position bestimmen muss. Da er sich bei der Navigation nur auf seine Kameras an Bord verlassen kann, ist diese Aufgabe gelinde gesagt m\u00fchsam.<\/p>\n
Trotz der j\u00fcngsten Fortschritte im Bereich des maschinellen Lernens, die es Robotern erm\u00f6glichen, solche Aufgaben unter Verwendung visueller Daten auszuf\u00fchren, gibt es noch immer Einschr\u00e4nkungen. Die aktuellen Modelle k\u00f6nnen nur eine begrenzte Anzahl von Bildern auf einmal verarbeiten. Stellen Sie sich eine Situation vor, in der der Roboter Tausende von Bildern in Echtzeit pr\u00fcfen und analysieren muss - an diesem Punkt werden diese Einschr\u00e4nkungen zu einem erheblichen Hindernis.<\/p>\n
Die Forscher des MIT haben ein KI-gest\u00fctztes System entwickelt, das die St\u00e4rken des modernen Deep Learning und traditioneller Computer-Vision-Techniken vereint. Diese Methode kann eine unendliche Anzahl von Bildern verarbeiten und schnell komplizierte 3D-Karten von komplexen Umgebungen wie einem \u00fcberf\u00fcllten B\u00fcroflur erstellen.<\/p>\n
Anstatt eine gigantische Szene auf einen Schlag zu verdauen, unterteilt das System die Umgebung in kleinere Unterabschnitte oder \u201cSubmaps\u201d. Diese werden anschlie\u00dfend ausgerichtet und zusammengef\u00fchrt, um einen vollst\u00e4ndigen 3D-Entwurf zu erstellen - und das alles, w\u00e4hrend die Position des Roboters in Echtzeit \u00fcberwacht wird. Die Sch\u00f6nheit dieser Methode liegt in ihrer Einfachheit, Schnelligkeit und Skalierbarkeit, wodurch sie sich f\u00fcr Anwendungen eignet, die von Such- und Rettungseins\u00e4tzen \u00fcber Industrielogistik bis hin zu erweiterten Realit\u00e4tserfahrungen reichen.<\/p>\n
Der Kern dieses Durchbruchs liegt in der Neudefinition eines starken Robotikproblems - der gleichzeitigen Lokalisierung und Kartierung (SLAM). Traditionell haben SLAM-Algorithmen mit visuell intensiven Umgebungen zu k\u00e4mpfen oder sind stark von vorkalibrierter Hardware abh\u00e4ngig. Modelle des maschinellen Lernens bieten eine L\u00f6sung, sind aber durch die Datenmenge beschr\u00e4nkt, die sie gleichzeitig verarbeiten k\u00f6nnen, normalerweise etwa 60 Bilder.<\/p>\n
Das bahnbrechende System des MIT l\u00f6st dieses Hindernis, indem es sich auf kleinere Fragmente der Umgebung konzentriert. Obwohl jede Teilkarte mit nur wenigen Schnappsch\u00fcssen erstellt wird, werden sie schnell zu einer \u00fcbergreifenden, zusammenh\u00e4ngenden Karte zusammengesetzt, was den Prozess beschleunigt und es dem Roboter erm\u00f6glicht, ein gr\u00f6\u00dferes und abwechslungsreicheres Terrain zu bew\u00e4ltigen.<\/p>\n
Anfangs schien das Ausrichten der Submaps eine einfache L\u00f6sung zu sein, doch schon bald stellte sich heraus, dass die Fehler der Modelle des maschinellen Lernens dazu f\u00fchren k\u00f6nnen, dass die Submaps leicht verzerrt sind. Herk\u00f6mmliche Ausrichtungsmethoden mit Rotation und Translation waren nicht erfolgreich, da die Submaps selbst verzerrt waren. Also griff das Team auf jahrzehntealte Forschungen im Bereich des maschinellen Sehens zur\u00fcck und verband diese Erkenntnisse mit moderner KI.<\/p>\n
Das Ergebnis war ein flexibleres mathematisches Ger\u00fcst, das auch Verzerrungen von Teilkarten ber\u00fccksichtigt. Dies erm\u00f6glichte es dem System, selbst verzerrte Submaps genau auszurichten und einen zuverl\u00e4ssigen 3D-Prototyp sowie pr\u00e4zise Sch\u00e4tzungen der Kamerapositionen zu erstellen, die f\u00fcr die Roboternavigation entscheidend sind. Beeindruckende Testergebnisse zeigten, dass das System bestehende Methoden sowohl in Bezug auf Geschwindigkeit als auch auf Pr\u00e4zision \u00fcbertrifft und in der Lage ist, komplizierte Umgebungen mit nur kurzen Smartphone-Videos zu rekonstruieren, und zwar mit einer Fehlerspanne von weniger als f\u00fcnf Zentimetern.<\/p>\n
F\u00fcr die Zukunft plant das Team, seine Methode f\u00fcr noch vielf\u00e4ltigere Umgebungen zu verfeinern und sie in reale Roboter einzubauen, die in der Praxis eingesetzt werden. Ihre Arbeit zeigt, dass es sich lohnt, elementares Wissen mit avantgardistischer KI zu kombinieren, um reale Herausforderungen zu bew\u00e4ltigen. Wie MIT-Assistenzprofessor Luca Carlone treffend formuliert: \u201cDas Wissen \u00fcber traditionelle Geometrie zahlt sich aus. Wenn man genau versteht, was im Modell vor sich geht, kann man viel bessere Ergebnisse erzielen und die Dinge viel besser skalierbar machen.\u201d<\/p>\n
Diese faszinierende Forschung, die von der U.S. National Science Foundation, dem Office of Naval Research und der National Research Foundation of Korea unterst\u00fctzt wird, soll auf der Conference on Neural Information Processing Systems vorgestellt werden. Wenn Sie an weiteren Einzelheiten interessiert sind, k\u00f6nnen Sie den Originalartikel lesen hier<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" When it comes to a mine collapse, time is of the essence. Critical search-and-rescue missions become incredibly challenging as the robot navigating through the hazardous, partially caved-in shaft must rapidly map its surroundings and ascertain its position. Relying only on its onboard cameras for navigation, this task becomes arduous to say the least. Even with the recent advancements in machine learning facilitating robots to perform such tasks using visual data, there still persist limitations. The current models can only process a limited number of images at once. Imagine a situation where the robot needs to review and analyze thousands of […]<\/p>\n","protected":false},"author":4,"featured_media":7376,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2,47],"tags":[],"class_list":["post-7375","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-images","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/7375","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=7375"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/7375\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/7376"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=7375"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=7375"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=7375"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}