W przypadku zawalenia si\u0119 kopalni czas jest najwa\u017cniejszy. Krytyczne misje poszukiwawczo-ratownicze staj\u0105 si\u0119 niezwykle trudne, poniewa\u017c robot poruszaj\u0105cy si\u0119 po niebezpiecznym, cz\u0119\u015bciowo zawalonym szybie musi szybko mapowa\u0107 otoczenie i ustala\u0107 swoj\u0105 pozycj\u0119. Polegaj\u0105c jedynie na kamerach pok\u0142adowych, zadanie to staje si\u0119 co najmniej \u017cmudne.<\/p>\n
Nawet przy ostatnich post\u0119pach w uczeniu maszynowym, kt\u00f3re u\u0142atwiaj\u0105 robotom wykonywanie takich zada\u0144 przy u\u017cyciu danych wizualnych, nadal istniej\u0105 ograniczenia. Obecne modele mog\u0105 przetwarza\u0107 tylko ograniczon\u0105 liczb\u0119 obraz\u00f3w jednocze\u015bnie. Wyobra\u017amy sobie sytuacj\u0119, w kt\u00f3rej robot musi przegl\u0105da\u0107 i analizowa\u0107 tysi\u0105ce obraz\u00f3w w czasie rzeczywistym - w tym momencie ograniczenia te staj\u0105 si\u0119 istotn\u0105 przeszkod\u0105.<\/p>\n
Do akcji wkroczyli naukowcy z MIT, kt\u00f3rzy opracowali system oparty na sztucznej inteligencji, \u0142\u0105cz\u0105cy w sobie mocne strony zar\u00f3wno wsp\u00f3\u0142czesnego g\u0142\u0119bokiego uczenia si\u0119, jak i tradycyjnych technik widzenia komputerowego. Metoda ta mo\u017ce przetwarza\u0107 niesko\u0144czon\u0105 liczb\u0119 obraz\u00f3w i szybko generowa\u0107 skomplikowane mapy 3D z\u0142o\u017conych \u015brodowisk, takich jak zat\u0142oczony korytarz biurowy.<\/p>\n
Zamiast przetrawia\u0107 gigantyczn\u0105 scen\u0119 za jednym zamachem, system dzieli \u015brodowisko na mniejsze podsekcje lub \"podmapy\". S\u0105 one nast\u0119pnie wyr\u00f3wnywane i \u0142\u0105czone w celu stworzenia kompletnego planu 3D - ca\u0142y czas monitoruj\u0105c pozycj\u0119 robota w czasie rzeczywistym. Pi\u0119kno tej metody polega na jej prostocie, szybko\u015bci i skalowalno\u015bci, dzi\u0119ki czemu nadaje si\u0119 ona do zastosowa\u0144 obejmuj\u0105cych misje poszukiwawczo-ratownicze, logistyk\u0119 przemys\u0142ow\u0105 i rozszerzon\u0105 rzeczywisto\u015b\u0107.<\/p>\n
Istota tego prze\u0142omu polega na przedefiniowaniu pot\u0119\u017cnej zagadki robotyki - jednoczesnej lokalizacji i mapowania (SLAM). Tradycyjnie algorytmy SLAM zmagaj\u0105 si\u0119 z intensywnymi wizualnie \u015brodowiskami lub w du\u017cym stopniu polegaj\u0105 na wst\u0119pnie skalibrowanym sprz\u0119cie. Modele uczenia maszynowego oferuj\u0105 rozwi\u0105zanie, ale s\u0105 ograniczone ilo\u015bci\u0105 danych, z kt\u00f3rymi mog\u0105 sobie poradzi\u0107 jednocze\u015bnie, zwykle oko\u0142o 60 obraz\u00f3w.<\/p>\n
Prze\u0142omowy system MIT rozwi\u0105zuje t\u0119 przeszkod\u0119, koncentruj\u0105c si\u0119 na mniejszych fragmentach \u015brodowiska. Mimo \u017ce ka\u017cda podmapa jest tworzona przy u\u017cyciu zaledwie kilku migawek, s\u0105 one szybko \u0142\u0105czone w nadrz\u0119dn\u0105, sp\u00f3jn\u0105 map\u0119; przyspieszaj\u0105c proces i umo\u017cliwiaj\u0105c robotowi radzenie sobie z bardziej rozleg\u0142ym i zr\u00f3\u017cnicowanym terenem.<\/p>\n
Na pocz\u0105tku wyr\u00f3wnanie podmap wydawa\u0142o si\u0119 prostym rozwi\u0105zaniem, ale wkr\u00f3tce odkryto, \u017ce wady modeli uczenia maszynowego mog\u0105 powodowa\u0107 nieznaczne zniekszta\u0142cenie podmap. Tradycyjne metody wyr\u00f3wnywania przy u\u017cyciu rotacji i translacji nie przynios\u0142y rezultat\u00f3w, poniewa\u017c same podmapy by\u0142y zniekszta\u0142cone. Zesp\u00f3\u0142 powr\u00f3ci\u0142 wi\u0119c do wieloletnich bada\u0144 nad wizj\u0105 komputerow\u0105, \u0142\u0105cz\u0105c te spostrze\u017cenia z nowoczesn\u0105 sztuczn\u0105 inteligencj\u0105.<\/p>\n
Rezultatem by\u0142a bardziej elastyczna struktura matematyczna, kt\u00f3ra uwzgl\u0119dnia\u0142a zniekszta\u0142cenia submap. Umo\u017cliwi\u0142o to systemowi dok\u0142adne wyr\u00f3wnanie nawet zniekszta\u0142conych submap, tworz\u0105c niezawodny prototyp 3D i precyzyjne szacunki pozycji kamery o krytycznym znaczeniu dla nawigacji robotycznej. Imponuj\u0105ce wyniki test\u00f3w wykaza\u0142y, \u017ce system przewy\u017csza istniej\u0105ce metody zar\u00f3wno pod wzgl\u0119dem szybko\u015bci, jak i precyzji, b\u0119d\u0105c w stanie zrekonstruowa\u0107 skomplikowane \u015brodowiska przy u\u017cyciu tylko kr\u00f3tkich film\u00f3w wideo ze smartfona, z marginesem b\u0142\u0119du mniejszym ni\u017c pi\u0119\u0107 centymetr\u00f3w.<\/p>\n
W przysz\u0142o\u015bci zesp\u00f3\u0142 przewiduje udoskonalenie swojej metody dla jeszcze bardziej zr\u00f3\u017cnicowanych \u015brodowisk i w\u0142\u0105czenie jej do prawdziwych robot\u00f3w dzia\u0142aj\u0105cych w terenie. Ich praca ostatecznie pokazuje zalety \u0142\u0105czenia podstawowej wiedzy z awangardow\u0105 sztuczn\u0105 inteligencj\u0105 w celu sprostania rzeczywistym wyzwaniom. Jak trafnie uj\u0105\u0142 to profesor nadzwyczajny MIT Luca Carlone: \"Znajomo\u015b\u0107 tradycyjnej geometrii si\u0119 op\u0142aca. Je\u015bli dog\u0142\u0119bnie zrozumiesz, co dzieje si\u0119 w modelu, mo\u017cesz uzyska\u0107 znacznie lepsze wyniki i uczyni\u0107 rzeczy znacznie bardziej skalowalnymi\".<\/p>\n
Te intryguj\u0105ce badania, wspierane przez Narodow\u0105 Fundacj\u0119 Nauki Stan\u00f3w Zjednoczonych, Biuro Bada\u0144 Marynarki Wojennej i Narodow\u0105 Fundacj\u0119 Bada\u0144 Korei, zostan\u0105 zaprezentowane na konferencji po\u015bwi\u0119conej systemom przetwarzania informacji neuronowych. Osoby zainteresowane szczeg\u00f3\u0142ami mog\u0105 zapozna\u0107 si\u0119 z oryginalnym artyku\u0142em tutaj<\/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\/pl\/wp-json\/wp\/v2\/posts\/7375","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/comments?post=7375"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/7375\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media\/7376"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media?parent=7375"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/categories?post=7375"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/tags?post=7375"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}