Καθώς εντείνονται οι έρευνες πάνω σε θέματα αυτόνομης λειτουργίας ρομπότ και υπολογιστών – με χαρακτηριστικότερα παραδείγματα αυτά των αυτοοδηγούμενων αυτοκινήτων και των αυτόνομων drones- όπως είναι λογικό αυξάνεται το ενδιαφέρον για τη βελτίωση των επιδόσεων των ηλεκτρονικών «εγκεφάλων» πάνω σε αυτόν τον τομέα.
Βασικός λόγος για το ότι αυτή τη στιγμή οι ουρανοί και οι δρόμοι δεν είναι γεμάτοι από ρομπότ – κούριερ είναι ότι τα συστήματα αυτά δεν είναι σε θέση να αποδώσουν σωστά υπό συνθήκες πίεσης, για να αποφύγουν έγκαιρα, για παράδειγμα, ένα εμπόδιο σε μεγάλη ταχύτητα. Μέρος του προβλήματος είναι ο χρόνος που απαιτείται για την ανάλυση και ερμηνεία δεδομένων κάμερας: ένα αυτόνομο όχημα που χρησιμοποιεί μία συμβατική κάμερα για να «παρακολουθεί» τον περιβάλλοντα χώρο χρειάζεται περίπου 1/5 του δευτερολέπτου για να κάνει τα απαιτούμενα updates όσον αφορά στη θέση του- χρόνος που είναι μεγάλος για απρόσμενα ενδεχόμενα.
Ο Αντρέα Σένσι, ερευνητής του Laboratory for Information and Decision Systems, θεωρεί ότι η λύση θα είναι η «ενίσχυση» των καμερών με έναν νέο τύπο αισθητήρα, τον αποκαλούμενο event based ή νευρομορφικό (neuromorphic) αισθητήρα, που μπορεί να πραγματοποιήσει εκατομμύρια μετρήσεις το δευτερόλεπτο.
Ο αλγόριθμος των Σένσι και Σκαραμούτσα ενισχύει τα δεδομένα της κάμερας με στοιχεία από έναν event-based αισθητήρα, ο οποίος σχεδιάστηκε από τον συνεργάτης τους στο Ινστιτούτο Νευροπληροφορικής της Ζυρίχης, Τόμπι Ντέλμπρουκ.
Στην International Conference on Robotics and Automation ο Σένσι και ο Νταβίντε Σκαραμούτσα του Πανεπιστημίου της Ζυρίχης παρουσίασαν τον πρώτο αλγόριθμο υπολογισμού κατάστασης (state-estimation, είναι ο τύπος του αλγορίθμου που τα ρομπότ χρησιμοποιούν για να υπολογίζουν τη θέση τους) για επεξεργασία δεδομένων από event based αισθητήρες. Ένα ρομπότ με αυτό τον αλγόριθμο θα μπορούσε να ανανεώνει τα στοιχεία θέσης του ανά χιλιοστό δευτερολέπτου, κάτι που θα το καθιστούσε πολύ πιο ευέλικτο και ικανό να προσαρμοστεί σε νέα δεδομένα.
«Σε μία κανονική κάμερα, έχετε μία ακολουθία αισθητήρων και ένα ρολόι» σημειώνει ο Σένσι. «Αν έχετε μία κάμερα των 30 frames per second, κάθε 33 μιλισεκόντ το ρολόι παγώνει όλες τις τιμές, οι οποίες μετρώνται με τη σειρά».
Με έναν event-based αισθητήρα, αντίθετα, κάθε πίξελ δρα ως ανεξάρτητος αισθητήρας. «Όταν μία αλλαγή στη φωτεινότητα – είτε θετικά, είτε αρνητικά – είναι μεγαλύτερη από ένα όριο, το πίξελ αναφέρει ότι ‘βλέπει’ κάτι ενδιαφέρον και μεταδίδει αυτή την πληροφορία ως γεγονός. Και μετά περιμένει να δει και άλλη μεταβολή».
Όταν ένας κανονικός αλγόριθμος υπολογισμού κατάστασης λαμβάνει μια εικόνα από μία κάμερα, αναγνωρίζει πρώτα κάποια χαρακτηριστικά και μετά διαλέγει ένα υποσύνολο εξ αυτών που θεωρεί πιθανό να αλλάξουν πολύ. Τριάντα μιλισεκόντ μετά, ο αλγόριθμος τραβάει μια νέα εικόνα και κάνει την ίδια ανάλυση συγκρίνοντας αυτά τα χαρακτηριστικά. Πρόκειται για μία διαδικασία trial and error, η οποία μπορεί να διαρκέσει 50-250 μιλισεκόντ, ανάλογα με το πόσο έχει αλλάξει η σκηνή. Όταν πραγματοποιήσει τη σύγκριση, ο αλγόριθμος συμπεραίνει από τις αλλαγές πόσο μακριά έχει κινηθεί το ρομπότ.
Ο αλγόριθμος των Σένσι και Σκαραμούτσα ενισχύει τα δεδομένα της κάμερας με στοιχεία από έναν event-based αισθητήρα, ο οποίος σχεδιάστηκε από τον συνεργάτης τους στο Ινστιτούτο Νευροπληροφορικής της Ζυρίχης, Τόμπι Ντέλμπρουκ. Το πλεονέκτημα του νέου αλγορίθμου είναι ότι δεν χρειάζεται να διακρίνει χαρακτηριστικά: κάθε συμβάν είναι στην ουσία μία αλλαγή φωτεινότητας. Και επειδή τα συμβάντα αναφέροντα με μεγάλη ταχύτητα, η σύγκριση γίνεται απλούστερη, καθώς είναι λίγα αυτά τα χαρακτηριστικά τα οποία πρέπει να ληφθούν υπόψιν, εφόσον το ρομπότ δεν μπορεί να έχει κινηθεί πολύ μακριά. Επίσης, ο αλγόριθμος δεν προσπαθεί να συγκρίνει όλα τα χαρακτηριστικά αμέσως: για κάθε συμβάν παράγει μία σειρά υποθέσεων σχετικά με το πόσο μακριά κινήθηκε το ρομπότ, που ανταποκρίνονται σε κάποια χαρακτηριστικά. Μετά τη συσσώρευση αρκετών χαρακτηριστικών, απλά διαλέγει την υπόθεση που τυχαίνει να εμφανίζεται συχνότερα.
Επόμενο βήμα, κατά τον Σένσι, θα είναι η ανάπτυξη ενός αντάξιο αλγορίθμου ελέγχου, ο οποίος να μπορεί να αξιοποιήσει αυτά τα δεδομένα. Σε αυτό το πλαίσιο οι ερευνητές συνεργάζονται με τον Εμίλιο Φρατσόλι, καθηγητή αεροναυτικής και αστροναυτικής του ΜΙΤ.
