Без GPS автономные транспортные средства легко теряют ориентацию. Однако новый алгоритм, разработанный в Калифорнийском технологическом институте, позволяет машинам «понимать», где они находятся, просто осматривая окружающее пространство. Подобные разработки были и ранее, но впервые технология работает независимо от сезонных изменений местности.
В целом, ориентироваться в пространстве без помощи GPS автономные транспортные системы умеют уже давно. Например, метод визуальной навигации по местности (visual terrain-relative navigation, VTRN), был впервые разработан в 1960-х годах. В основе подхода лежит довольно простой принцип — сравнивая окружающую обстановку со спутниковыми изображениями высокого разрешения из внутренней базы данных, автономные транспортные системы могут с высокой точностью определять свое местоположение. Но, есть и проблема. Чтобы метод работал, нынешнее поколение VTRN-систем требует, чтобы ландшафт, на который «смотрит» машина, точно соответствовал изображениям из базы данных. Все, что изменяет или скрывает местность, например, снежный покров или опавшие листья, приводит к несовпадению изображений и нарушает работу системы. Таким образом, если нет базы данных изображений ландшафта при всех возможных условиях, даже самую современную систему VTRN можно легко запутать.
Преодолением этой проблемы в интересах НАСА занялась команда одной из лаборатории Калтеха. Используя технологии искусственного интеллекта и глубокого обучения, ученые смогли добиться снижения степени влияния сезонных изменений на распознавание ключевых признаков конкретной местности в VTRN-системах.
«Проблема заключается в том, что оба изображения — фактическое и размещенное в базе данных автономного транспортного средства должны совпадать практически полностью, чтобы метод работал. Допустимые различия, даже для самых современных систем — это, максимум, разные оттенки цветов — на уровне фильтров для Instagram. В реальных же условиях, ландшафт может кардинально меняться в зависимости от сезона и два изображения (эталонное) и фактическое могут отличаться настолько, что их попросту нельзя сравнивать напрямую», — говорит профессор Энтони Фрагозо (Anthony Fragoso), один из участников процесса разработки новой системы.
Новый процесс, разработанный Профессорами Чангом (Chung) и Фрагозо в сотрудничестве с аспирантом Коннором Ли (Connor Lee) и студентом Остином Маккой (Austin McCoy), использует так называемое «самообучение». В то время как большинство стратегий компьютерного зрения полагаются на людей-видеоаннотаторов, которые тщательно обрабатывают большие наборы данных, чтобы научить алгоритм распознавать то, что он видит, новая стратегия позволяет алгоритму обучаться самостоятельно. ИИ ищет закономерности в изображениях, выявляя разнообразные детали, которые не всегда очевидны даже для людей.
Как показали проведенные эксперименты, дополнение текущего поколения VTRN новой системой обеспечивает существенно более точную локализацию. В одной серии опытов исследователи установили, что в условиях изменяющегося окружающего пространства, вероятность того, что автономная система на основе «простого» VTRN опознает местность, не отличается от угадывания (50%), в то время как применение нового метода на основе ИИ позволило увеличить долю успешных распознаваний до 92%. При этом оставшиеся 8% были заранее определены как проблемные, но с этими нераспознанными ситуациями можно было легко справится с помощью других распространенных методов навигации.
Уже сегодня метод может найти применение для автономных наземных дронов или, например, для космических миссий. Нынешнее поколение марсоходов все еще использует VTRN, но этот метод плохо работает в полярных регионах Марса, где характерны интенсивные сезонные изменения, поэтому новый алгоритм на основе ИИ может быть использован уже в ближайших экспедициях на Красную планету. Что касается земных применений, то здесь исследователи сейчас трудятся над расширением возможностей своей технологии, которые позволят учитывать кратковременные, но существенные изменения погоды: туман, дождь, снегопад и т.д. В случае успеха, новый алгоритм помог бы радикально улучшить навигационные системы современных беспилотных автомобилей.
«Создание автономных систем — это весьма нетривиальная задача. Только форм-фактор и необходимость вместить в него все процессоры, шины и прочее железо требуют изобретательности. Встроить в такие машины интеллект, научить их распознавать местность, ориентироваться, принимать соответствующие решения по навигации и движению — это еще один класс задач и вызовов. Но самый важный момент — это вывод в промышленную эксплуатацию. Гагарин полетел в космос в 1961 г, а полеты космических кораблей Бренсона и Безоса — 60 лет спустя — только выходят на стадию коммерческих продаж. Китай объявил о создании первого поезда на магнитной подушке, но начать такие поезда эксплуатировать они рассчитывают только через 10 лет, так как нужна еще инфраструктура. Позитивным моментом является конкуренция, многие институты работают над тем, чтобы автономные системы лучше ориентировались в пространстве. И это та область, где ИИ-модели и углубленная аналитика могут внести существенный вклад в развитие науки, бизнеса и принести большую пользу людям», — считает Александр Тихонов, генеральный директор SAS Россия/СНГ.
SAS Viya: аналитические модели можно сразу запускать в «продакшн» без написания дополнительного кода
Данные — это золотая руда, однако, чтобы добыть из нее полезные знания, необходимы комплексные инструменты, которые включают в себя элементы машинного обучения, обработки естественного языка, компьютерного зрения, интернета вещей. Платформа SAS Viya позволяет решить эту задачу за счет «композитного» искусственного интеллекта, in-memory вычислений и возможности запускать аналитические модели в производство без написания дополнительного программного кода.
Какие преимущества дает технология потоковой аналитики для решения задач по обеспечению безопасности
Пользовательские устройства ежесекундно генерируют триллионы событий, данные о которых оседают в хранилищах. Накапливать такого рода информацию бессмысленно и дорого. Компании ищут способы монетизации сведений, собранных, например, о клиентах. Крупные игроки, инвестирующие в дата-центры и персонал, научились анализировать колоссальные объемы информации, делать выводы и даже составлять прогнозы. Анализ больших объемов данных в режиме реального времени позволяет мгновенно реагировать на происходящее, как того требует ситуация.
Александр Миронов, SAS: Индивидуальные предложения не придумать заранее: их формируют алгоритмы прямо при общении с клиентом
Эффективность маркетинговых кампаний может колебаться в широком диапазоне. Многие клиенты воспринимают звонки и сообщения с предложениями услуг как спам. Изменить ситуацию мог бы индивидуальный подход, когда клиенту предлагают именно то, что ему в данный момент необходимо. Как это сделать, в интервью CNews рассказал Александр Миронов, руководитель практики по клиентской аналитике и CRM, SAS Россия и СНГ.
