[Геоинформационные сервисы, Машинное обучение, Робототехника, Искусственный интеллект, Транспорт] Исследователи разработали более универсальный алгоритм машинного зрения для беспилотников
Автор
Сообщение
news_bot ®
Стаж: 6 лет 9 месяцев
Сообщений: 27286
В Калифорнийском технологическом институте разработали алгоритм машинного зрения, позволяет автономным системам распознавать, где они находятся, просто глядя на местность вокруг. Впервые технология работает независимо от сезонных изменений этой местности, что делает визуальную навигацию более практичной.
Автономная навигация с улучшенным визуальным распознаванием местностиВизуальную навигацию по местности (VTRN) разработали еще в 1960-х годах. Сравнивая близлежащую местность со спутниковыми изображениями высокого разрешения, автономные системы могут определять свое местоположение.Проблема в том, что для работы текущего поколения VTRN требуется, чтобы ландшафт точно соответствовал изображениям в базе данных. Все, что изменяет или затемняет местность, например, снежный покров или опавшие листья, нарушает работу системы. Чтобы решить эту проблему, команда из лаборатории Сун-Джо Чанга, научного сотрудника Калтеха, обратилась к глубокому обучению и искусственному интеллекту. По словам исследователей, проблема реальных систем заключается в том, что изображения одной и той же местности в разные сезоны содержат разные объекты, и их нельзя напрямую сравнивать, даже с помощью фильтра.Команда разработала процесс, который использует так называемое «самообучение». В то время как большинство стратегий компьютерного зрения полагаются на людей-аннотаторов, которые тщательно обрабатывают большие наборы данных, эта стратегия позволяет алгоритму обучаться самому. ИИ ищет закономерности на изображениях, выявляя детали, которые, вероятно, были бы упущены людьми.В одном эксперименте исследователи попытались локализовать изображения летней листвы на фоне изображений зимней с использованием корреляционной техники VTRN. Они обнаружили, что производительность была не выше уровня вероятности, причем 50 % попыток приводили к сбоям системы навигации. Внедрение нового алгоритма в VTRN сработало намного лучше: 92 % ситуаций были правильно сопоставлены, а оставшиеся 8 % заранее определены как проблемные, чтобы управлять ими с помощью других методов.«Компьютеры могут находить неясные закономерности, которые не видны нашим глазам, и могут улавливать даже самые незначительные тенденции», — говорит Ли. Помимо использования автономных дронов и автомобилей на Земле, система также может применяться для космических миссий. Например, система спуска (EDL) в миссии марсохода «Персеверанс» впервые использовала VTRN для посадки в кратере Езеро. Новая система также может позволить улучшить навигацию для научных целей, включая поиск воды на других планетах.В настоящее время ученые расширяют технологию, чтобы учесть изменения погоды: туман, дождь, снег и т. д.Извините, данный ресурс не поддреживается. :( Ранее исследователи Мичиганского технологического университета создали базу данных погодных условий на дорогах «глазами» беспилотных авто. Над аналогичным датасетом работают и европейские ученые из проекта DENSE.А в Массачусетском технологическом институте разработали модель, которая помогает роботам воспринимать свою физическую среду так, как это делают люди. Система быстро создает 3D-карту окружения, которое включает объекты и их семантические метки. Модель способна запрашивать местоположение объектов и помещений или движение людей на своем пути.
===========
Источник:
habr.com
===========
Похожие новости:
- [Python, Алгоритмы, Big Data, Машинное обучение, Искусственный интеллект] DataScience Digest — 24.06.21
- [Программирование, Машинное обучение, Учебный процесс в IT, Карьера в IT-индустрии] И в науку, и в индустрию. Магистерские программы при поддержке JetBrains
- [Обработка изображений, Машинное обучение, Искусственный интеллект, Natural Language Processing] ruCLIP — мультимодальная модель для русского языка
- [Информационная безопасность, Законодательство в IT, Искусственный интеллект] Регуляторы Евросоюза призывают отказаться от распознавания лиц в общественных местах
- [Машинное обучение, Искусственный интеллект, Суперкомпьютеры, Транспорт, IT-компании] Tesla рассказала про свой суперкомпьютер для обучения алгоритмов машинного зрения
- [Здоровье] Больничный алгоритм, разработанный для прогнозирования смертельно опасных состояний, упускает большинство случаев
- [Open source, Python, Программирование, Машинное обучение] ABBYY NeoML 2.0: Python и многое другое
- [Машинное обучение, Разработка робототехники, Робототехника] Toyota научила роботов обобщать выполнение задач для разных сред
- [Алгоритмы, Машинное обучение, Искусственный интеллект, Здоровье] Исследователи научили алгоритм находить на снимках зараженные вирусом клетки
- [Машинное обучение, Научно-популярное, Физика, Астрономия] Изучаем машинное обучения на примере данных, полученных телескопом «Кеплер» (перевод)
Теги для поиска: #_geoinformatsionnye_servisy (Геоинформационные сервисы), #_mashinnoe_obuchenie (Машинное обучение), #_robototehnika (Робототехника), #_iskusstvennyj_intellekt (Искусственный интеллект), #_transport (Транспорт), #_kalteh (калтех), #_algoritmy (алгоритмы), #_mashinnoe_zrenie (машинное зрение), #_navigatsija (навигация), #_navigatsionnye_sistemy (навигационные системы), #_pogoda (погода), #_avtonomnoe_upravlenie (автономное управление), #_bespilotniki (беспилотники), #_glubokoe_obuchenie (глубокое обучение), #_geoinformatsionnye_servisy (
Геоинформационные сервисы
), #_mashinnoe_obuchenie (
Машинное обучение
), #_robototehnika (
Робототехника
), #_iskusstvennyj_intellekt (
Искусственный интеллект
), #_transport (
Транспорт
)
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 22-Ноя 06:36
Часовой пояс: UTC + 5
| Автор | Сообщение |
|---|---|
|
news_bot ®
Стаж: 6 лет 9 месяцев |
|
|
В Калифорнийском технологическом институте разработали алгоритм машинного зрения, позволяет автономным системам распознавать, где они находятся, просто глядя на местность вокруг. Впервые технология работает независимо от сезонных изменений этой местности, что делает визуальную навигацию более практичной.  Автономная навигация с улучшенным визуальным распознаванием местностиВизуальную навигацию по местности (VTRN) разработали еще в 1960-х годах. Сравнивая близлежащую местность со спутниковыми изображениями высокого разрешения, автономные системы могут определять свое местоположение.Проблема в том, что для работы текущего поколения VTRN требуется, чтобы ландшафт точно соответствовал изображениям в базе данных. Все, что изменяет или затемняет местность, например, снежный покров или опавшие листья, нарушает работу системы. Чтобы решить эту проблему, команда из лаборатории Сун-Джо Чанга, научного сотрудника Калтеха, обратилась к глубокому обучению и искусственному интеллекту. По словам исследователей, проблема реальных систем заключается в том, что изображения одной и той же местности в разные сезоны содержат разные объекты, и их нельзя напрямую сравнивать, даже с помощью фильтра.Команда разработала процесс, который использует так называемое «самообучение». В то время как большинство стратегий компьютерного зрения полагаются на людей-аннотаторов, которые тщательно обрабатывают большие наборы данных, эта стратегия позволяет алгоритму обучаться самому. ИИ ищет закономерности на изображениях, выявляя детали, которые, вероятно, были бы упущены людьми.В одном эксперименте исследователи попытались локализовать изображения летней листвы на фоне изображений зимней с использованием корреляционной техники VTRN. Они обнаружили, что производительность была не выше уровня вероятности, причем 50 % попыток приводили к сбоям системы навигации. Внедрение нового алгоритма в VTRN сработало намного лучше: 92 % ситуаций были правильно сопоставлены, а оставшиеся 8 % заранее определены как проблемные, чтобы управлять ими с помощью других методов.«Компьютеры могут находить неясные закономерности, которые не видны нашим глазам, и могут улавливать даже самые незначительные тенденции», — говорит Ли. Помимо использования автономных дронов и автомобилей на Земле, система также может применяться для космических миссий. Например, система спуска (EDL) в миссии марсохода «Персеверанс» впервые использовала VTRN для посадки в кратере Езеро. Новая система также может позволить улучшить навигацию для научных целей, включая поиск воды на других планетах.В настоящее время ученые расширяют технологию, чтобы учесть изменения погоды: туман, дождь, снег и т. д.Извините, данный ресурс не поддреживается. :( Ранее исследователи Мичиганского технологического университета создали базу данных погодных условий на дорогах «глазами» беспилотных авто. Над аналогичным датасетом работают и европейские ученые из проекта DENSE.А в Массачусетском технологическом институте разработали модель, которая помогает роботам воспринимать свою физическую среду так, как это делают люди. Система быстро создает 3D-карту окружения, которое включает объекты и их семантические метки. Модель способна запрашивать местоположение объектов и помещений или движение людей на своем пути. =========== Источник: habr.com =========== Похожие новости:
Геоинформационные сервисы ), #_mashinnoe_obuchenie ( Машинное обучение ), #_robototehnika ( Робототехника ), #_iskusstvennyj_intellekt ( Искусственный интеллект ), #_transport ( Транспорт ) |
|
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 22-Ноя 06:36
Часовой пояс: UTC + 5