따라서 TU Delft와 Westphalian University of Applied Sciences 연구팀은 로봇이보기에있는 물체의 시각적 모양 (모양, 색상, 질감)을 통해 거리를 추정 할 수있는 광학 흐름 기반 학습 프로세스를 제시합니다. 이 인공 지능 (AI) 기반 학습 전략은 소형 비행 드론의 탐색 기술을 향상시키고 곤충 지능에 대한 새로운 가설을 수반합니다. 이 기사는 오늘 게시되었습니다. 자연 기계 지능.

꿀벌은 어떻게 꽃에 착지하거나 장애물을 피합니까? 이러한 질문은 대부분 생물 학자들에게 흥미로울 것으로 예상됩니다. 그러나 소형 전자 장치 및 로봇 시스템의 부상으로 인해 이러한 질문은 로봇 공학 및 인공 지능 (AI)과 관련이 있습니다. 예를 들어 소형 비행 로봇은 기내에 휴대 할 수있는 센서 및 처리 측면에서 극도로 제한됩니다. 이 로봇이 훨씬 더 큰 자율 주행 자동차만큼 자율적이라면 그들은 날아 다니는 곤충이 소유 한 고도로 발달 된 지능과 유사한 매우 효율적인 유형의 인공 지능을 사용해야합니다.

옵티컬 플로우

곤충의 소매에 대한 주요 트릭 중 하나는 '광학 흐름'을 광범위하게 사용하는 것입니다. 물체가 시야에서 움직이는 방식입니다. 그들은 그것을 사용하여 꽃에 착륙하고 장애물이나 포식자를 피합니다. 곤충은 놀랍도록 간단하고 우아한 광학 흐름 전략을 사용하여 복잡한 작업을 처리합니다. 예를 들어, 착륙하는 꿀벌의 경우 사물이 얼마나 빨리 커지는지를 포착하는 광학 흐름 "발산"을 사용합니다. 꿀벌이 땅에 떨어지면이 발산은 계속 증가 할 것입니다. 예를 들어 풀은 더 빨리 시야에서 더 커집니다. 그러나 착륙하는 동안 꿀벌은 속도를 늦추어 발산을 일정하게 유지하는 전략을 사용합니다. 그 결과 부드럽고 부드러운 착륙이 가능합니다.

“광학 흐름 제어에 대한 우리의 작업은 날아 다니는 곤충이 사용하는 우아하고 간단한 전략에 대한 열정에서 시작되었습니다.”라고 Bio-inspired Micro Air Vehicles의 교수이자이 기사의 첫 번째 저자 인 Guido de Croon은 말합니다. “그러나 비행 로봇에서 이러한 전략을 실제로 구현하기위한 제어 방법을 개발하는 것은 사소한 일이 아닙니다. 예를 들어, 우리의 비행 로봇은 실제로 착륙하지 않았지만 착륙 표면 바로 위에서 계속 오르락 내리락하며 진동하기 시작했습니다.”

근본적인 한계

광학 흐름에는 생물에서 영감을받은 로봇 공학에 대한 증가하는 문헌에서 널리 설명 된 두 가지 근본적인 한계가 있습니다. 첫 번째는 광학 흐름이 거리와 속도에 대한 혼합 정보 만 제공하고 거리 나 속도에 대해서는 별도로 제공하지 않는다는 것입니다. 예를 들어, 두 대의 착륙 드론이 있고 그중 하나가 다른 드론보다 두 배 더 높이, 두 배 빠르게 날아간다면 정확히 동일한 광학 흐름을 경험합니다. 그러나 좋은 제어를 위해이 두 드론은 실제로 광학 흐름 발산의 편차에 다르게 반응해야합니다. 드론이 착륙 할 때 높이에 반응하지 않으면 착륙하지 않고 착륙 표면 위로 진동하기 시작하지 않습니다. 둘째, 장애물 회피를 위해 로봇이 움직이는 방향에서 광학 흐름이 매우 작다는 것은 매우 불행한 일입니다. 이는 해당 방향에서 광학 흐름 측정이 시끄럽기 때문에 장애물의 존재에 대한 정보를 거의 제공하지 않음을 의미합니다. 따라서 가장 중요한 장애물 (로봇이 이동하는 장애물)은 실제로 감지하기 가장 어려운 장애물입니다!

솔루션으로 시각적 모양 학습

Guido de Croon은 "로봇이 광학 흐름뿐만 아니라 주변 물체의 시각적 모양도 해석 할 수 있다면 광학 흐름의 두 가지 문제가 모두 사라질 것임을 깨달았습니다."라고 덧붙였습니다. “이를 통해 로봇은 인간이 스틸 사진에서 거리를 추정 할 수있는 방법과 유사하게 장면에서 물체까지의 거리를 볼 수 있습니다. 유일한 질문은 로봇이 그런 거리를 보는 법을 어떻게 배울 수 있는가였습니다.”

이 질문의 핵심은 De Croon이 고안 한 최근 이론에 있었는데, 이는 비행 로봇이 장면에서 물체까지의 거리를 감지하기 위해 광학 흐름 진동을 능동적으로 유도 할 수 있음을 보여주었습니다. 제안 된 접근 방식에서 자연 기계 지능 기사 로봇은 주변 환경의 물체가 서로 다른 거리에서 어떻게 보이는지 알아보기 위해 이러한 진동을 사용합니다. 이런 식으로 로봇은 착륙하는 동안 다른 높이에서 볼 때 잔디의 질감이 얼마나 미세한 지 또는 숲을 탐색 할 때 다른 거리에있는 나무 껍질의 두께를 알 수 있습니다.

로봇 공학 및 애플리케이션과의 관련성

TU Delft의 연구원이자이 기사의 공동 저자 인 Christophe De Wagter는“시각적 외형을 통해 거리를 확인하는 방법을 배운 덕분에 이전보다 훨씬 빠르고 원활하게 착륙 할 수있었습니다. “또한 장애물 회피를 위해 로봇은 이제 비행 방향의 장애물을 매우 명확하게 볼 수있었습니다. 이로 인해 장애물 감지 성능이 향상되었을뿐만 아니라 로봇의 속도도 빨라졌습니다. " 제안 된 방법은 특히 작물을 모니터링하기 위해 온실에서 비행하거나 창고에서 재고를 추적하는 것과 같이 다소 제한된 환경에서 작동 할 때 자원이 제한된 비행 로봇과 매우 관련이 있습니다.

생물학과의 관련성

이 발견은 로봇 공학과 관련이있을뿐만 아니라 곤충 지능에 대한 새로운 가설을 제공합니다. “전형적인 꿀벌 실험은 꿀벌이 새로운 환경과 인공 꽃과 같은 관련 새로운 단서에 익숙해지면 다양한 진동 행동을 나타내는 학습 단계에서 시작됩니다.”라고 Westphalian 응용 과학 대학의 생물 학자이자 교수 인 Tobias Seidl은 말합니다. “기사에 제시된 최종 측정은 일반적으로이 학습 단계가 완료된 후에 이루어지며 주로 광학 흐름의 역할에 중점을 둡니다. 제시된 학습 과정은 날아 다니는 곤충이 평생 동안 착륙과 같은 탐색 기술을 어떻게 향상시키는 지에 대한 새로운 가설을 형성합니다. 이것은 우리가이 학습 단계에 대해 조사하고보고하기 위해 더 많은 연구를 설정해야 함을 시사합니다.”