Stikkord: kunstig intelligens

Publisert av — Legg igjen en kommentar

Sensorfusjon i autonome kjøretøy: Hvordan flere sensorer skaper sikrere selvkjørende biler

En ny studie av 66 forskningsartikler avslører hvordan avansert sensorfusjon kan være nøkkelen til pålitelige selvkjørende biler. Teknologien kombinerer data fra flere sensorer for å skape et komplett bilde av omgivelsene.

Utviklingen av autonome kjøretøy har akselerert kraftig de siste årene, men en av de største utfordringene er fortsatt å oppnå pålitelig persepsjon av omgivelsene. Her kommer sensorfusjon inn som en kritisk teknologi som kombinerer data fra flere sensortyper for å skape et mer robust og nøyaktig bilde av kjøremiljøet.

Sensorteknologier i moderne autonome systemer

Dagens autonome kjøretøy benytter et arsenal av sensorer, hver med sine unike styrker og begrensninger:

Kameraer gir høyoppløselig visuell informasjon og er relativt rimelige, men sliter i dårlig lys og værforhold. Moderne RGB-kameraer opererer typisk med oppløsninger på 1920×1080 piksler eller høyere, med bildehastigheter på 30-60 fps.

LiDAR-systemer skaper detaljerte 3D-punktskyer ved å måle avstand med laserlys. Dagens LiDAR-enheter kan operere med rekkevidder på opptil 300 meter og nøyaktighet ned til få centimeter, men er fortsatt kostbare og kan påvirkes av tett regn eller snø.

Radar fungerer godt i alle værforhold og måler både avstand og hastighet til objekter, men har lavere oppløsning enn kameraer og LiDAR. Automotive-radar opererer typisk i 77-81 GHz-båndet.

Ultralydsensorer brukes primært for nærhetsdeteksjon og parkering, med rekkevidder på 0,2-8 meter. GNSS/IMU-systemer gir posisjonering og orientering med nøyaktighet ned til centimeter-nivå når RTK-korreksjon benyttes.

Fusjonsarkitekturer: Fra tidlig til avansert integrasjon

Studien identifiserer fire hovedkategorier av fusjonsarkitekturer:

Tidlig fusjon kombinerer rådata fra sensorer før prosessering, mens sen fusjon først prosesserer data fra hver sensor separat før sammenslåing.

Tidlig fusjon (Early Fusion) kombinerer rådata direkte, noe som gir maksimal informasjonsutnyttelse men krever høy prosessorkraft. Sen fusjon (Late Fusion) prosesserer hver sensor separat før beslutningsintegrasjon – enklere å implementere men kan miste viktig korrelasjonsinformasjon.

Mellomfusjon (Mid-level Fusion) kombinerer delvis prosesserte data og representerer en balanse mellom kompleksitet og ytelse. Den nyeste utviklingen er transformer-baserte arkitekturer som benytter kunstig intelligens for å automatisk lære optimal integrasjon av sensordata.

Praktiske implikasjoner og fremtidsperspektiver

For utviklere av autonome systemer åpner disse teknologiene for spennende muligheter. Moderne mikrokontrollere som ARM Cortex-A78 eller dedikerte AI-chips kan håndtere kompleks sensorfusjon i sanntid. Utviklingsplattformer som ROS2 (Robot Operating System) tilbyr standardiserte grensesnitt for sensorintegrasjon.

Utfordringer inkluderer fortsatt høye kostnader for LiDAR-systemer, beregningskapasitet for sanntidsprosessering, og behovet for robuste algoritmer som håndterer sensorfeil. Forskningen viser at hybrid-arkitekturer som kombinerer regel-baserte systemer med maskinlæring gir mest lovende resultater.

Kilde: Sensors (Basel, Switzerland)

Relevante produkter fra RoboNordic

Publisert av — Legg igjen en kommentar

Kunstig intelligens styrer autonome fartøy: Slik fungerer maskinlæring i maritime roboter

Autonome overflatefartøy (USV) blir stadig smartere takket være avansert maskinlæring. Reinforcement learning gir disse robotene evnen til å navigere trygt gjennom komplekse farvann med real-time hinderdeteksjon. La oss utforske teknologien som revolusjonerer maritim robotikk.

Hvordan fungerer intelligent ruteplanlegging?

Reinforcement learning, eller forsterkningslæring, fungerer som hjerne i moderne autonome fartøy. Teknologien lærer robotene å ta beslutninger ved å belønne riktige handlinger og straffe feil valg – akkurat som når man trener et dyr.

I praksis betyr dette at fartøyet kontinuerlig analyserer omgivelsene gjennom sensorer som:

  • LIDAR-systemer for avstandsmåling
  • Kameraer med bildegjenkjenning
  • Radar for væruavhengig deteksjon
  • GPS og IMU for posisjonering

Deep Q-Network (DQN) er en av de mest brukte algoritmene. Den kombinerer nevrale nettverk med Q-learning for å håndtere høydimensjonale problemer som kompleks navigasjon.

Praktiske anvendelser og spesifikasjoner

Moderne autonome fartøy opererer typisk med følgende tekniske krav:

Prosesseringskraft: Minimum NVIDIA Jetson Xavier eller tilsvarende ARM-basert system med GPU-akselerasjon. Minnekrav på 8-32 GB RAM avhengig av modellkompleksitet.

Systemene må håndtere real-time prosessering med oppdateringsfrekvenser på 10-50 Hz for sikker navigasjon. Dette krever optimaliserte algoritmer som kan kjøre på begrenset strøm og datakraft.

Typiske bruksområder inkluderer:

  • Havovervåking og miljøkartlegging
  • Search and rescue-operasjoner
  • Autonome ferger og lastfartøy
  • Forskningsfartøy i utilgjengelige områder

Utfordringer og fremtidsutsikter

Hovedutfordringene ligger i å håndtere dynamiske hindringer som andre fartøy, værforhold og uforutsigbare strømmer. Algoritmen må samtidig følge maritime trafikkregler og optimalisere energiforbruk.

Fremtidens systemer vil sannsynligvis integrere flere AI-teknikker:

  • Multi-agent reinforcement learning for fartøykoordinering
  • Federated learning for å dele kunnskap mellom fartøy
  • Edge computing for redusert latency

For hobbyister og studenter åpner denne teknologien for spennende muligheter. Små autonome båter kan bygges med Raspberry Pi 4 eller lignende plattformer, mens mer avanserte prosjekter krever dedikerte AI-akseleratorer.

Utviklingen peker mot en fremtid der autonome fartøy blir like vanlige som selvkjørende biler på land.

Kilde: Sensors (Basel, Switzerland)

Publisert av — Legg igjen en kommentar

Nvidia-sjef spår autonom fremtid for alle edge-enheter

Nvidia-sjef Jensen Huang lanserer en revolusjonerende visjon der alle edge-enheter blir autonome. Det nye datamønsteret skal bringe sky-intelligens direkte ut i roboter og IoT-enheter.

Under en pressesamling etter sin GTC Taipei-presentasjon lanserte Nvidia-sjef Jensen Huang en ambisiøs visjon for fremtiden innen edge computing og robotikk. Hans budskap var klart: Vi står overfor et fundamentalt skifte i hvordan vi tenker om databehandling og autonomi.

«Det finnes et nytt datamønster,» forklarte Huang til forsamlede journalister, og pekte på hvordan intelligens fra skyen nå kan implementeres direkte i edge-enheter.

Fra sky til edge: Et paradigmeskifte

Det tradisjonelle mønsteret har vært at tunge AI-beregninger utføres i skyen, mens lokale enheter kun fungerer som «dumme» terminaler. Huangs visjon snur dette på hodet ved å bringe sofistikert AI-behandling direkte ut til edge-enhetene selv.

Dette åpner for spennende muligheter innen robotikk og automatisering. Tenk deg en Arduino eller Raspberry Pi-basert robot som kan ta avanserte beslutninger i sanntid, uten å være avhengig av skyoppkobling. For hobbyister og utviklere betyr dette at selv relativt enkle mikrokontrollere kan få tilgang til kraftig AI-funksjonalitet.

Praktiske konsekvenser for robotikkprosjekter

For de som arbeider med robotikkprosjekter, åpner denne utviklingen for flere interessante muligheter:

Sanntidsrespons: Eliminering av nettverkslatens gjør at roboter kan reagere øyeblikkelig på endringer i miljøet. Dette er kritisk for autonome kjøretøy, droner og industriroboter.

Offline-funksjonalitet: Edge-enheter kan fungere autonomt selv uten internettforbindelse, noe som er uvurderlig i industrielle miljøer eller avsidesliggende områder.

Reduserte kostnader: Mindre avhengighet av skybaserte tjenester kan føre til lavere driftskostnader for robotikkprosjekter.

Tekniske utfordringer og muligheter

Implementeringen av denne visjonen krever betydelige fremskritt innen flere områder. Prosessoreffektivitet må økes dramatisk for å kunne kjøre komplekse AI-algoritmer på batteridrevne enheter. Samtidig må utviklere lære å optimalisere koden for edge-arkitekturer.

For Arduino- og mikrokontroller-entusiaster betyr dette at fremtidige prosjekter kan få tilgang til maskinlæring og AI-funksjoner som tidligere kun var tilgjengelige for store datasentre. Dette demokratiserer avansert teknologi og gjør den tilgjengelig for hobbyister og mindre bedrifter.

Huangs spådom representerer ikke bare en teknisk evolusjon, men en revolusjon som kan endre hele måten vi bygger og programmerer autonome systemer på.

Kilde: Tom’s Hardware

Publisert av — Legg igjen en kommentar

Mars-roveren Perseverance knuser alle rekorder innen autonom navigasjon

Mars-roveren Perseverance har satt ny standard for autonom kjøring på den røde planeten, med hele 90 prosent selvkjørte distanser sammenlignet med Curiosity-roverens beskjedne 6,2 prosent. Dette gjennombruddet skyldes den revolusjonerende Enhanced Autonomous Navigation (ENav) algoritmen som navigerer det steinete Mars-terrenget med minimal datakraft.

Mens tidligere Mars-oppdrag som Curiosity og Opportunity var avhengige av detaljerte instruksjoner fra Jorden, har Perseverance fundamentalt endret måten vi tenker på robotnavigasjon i rommet. Per 28. oktober 2024 – roverens 1312. dag på Mars – har den tilbakelagt nesten all sin distanse helt selvstendig.

ENav-algoritmen: Hjernen bak suksessen

Det som gjør Perseverance så spesiell er Enhanced Autonomous Navigation-systemet (ENav). Denne algoritmen representerer et kvantesprang fra tidligere navigasjonsløsninger og klarer å behandle komplekse terrengdata i sanntid med overraskende lite datakraft.

Forskjellen er slående: Der Curiosity kun klarte 6,2 prosent autonom kjøring, har Perseverance oppnådd 90 prosent autonomi – en fjorten-dobling av ytelsen.

ENav fungerer ved å kontinuerlig analysere det omkringliggende terrenget gjennom roverens kameraer og sensorer. Algoritmen identifiserer hindringer som steiner, kratre og skrenter, og beregner den sikreste og mest effektive ruten i sanntid. Dette eliminerer den tidkrevende prosessen med å vente på kommandoer fra Jorden, hvor signaler bruker mellom 4-24 minutter hver vei avhengig av planetenes posisjon.

Tekniske spesifikasjoner og ytelse

Det mest imponerende ved ENav er hvordan den oppnår disse resultatene med begrensede dataressurser. Mars-rovere må fungere med mye mindre prosessorkraft enn det vi finner i moderne smartphones, samtidig som de må tåle ekstreme temperaturer, stråling og støv.

Systemet bruker stereoskopisk syn for dybdepersepsjon, kombinert med maskinlæringsalgoritmer som er spesielt tilpasset Mars-miljøet. Algoritmen kan klassifisere terrengtyper og forutsi hvor trygt det er å kjøre på ulike overflater.

Praktiske anvendelser på Jorden

Teknologien som ligger bak ENav har betydelige implikasjoner for autonome systemer her på Jorden. Prinsippene kan anvendes i:

• Selvkjørende biler som må navigere i utfordrende værforhold
• Industriroboter som arbeider i ukjente eller skiftende miljøer
• Droner for søk og redning i vanskelig tilgjengelig terreng
• Undervannsfarkoster for havforskning

For hobbyister og utviklere som arbeider med autonome robotprosjekter, demonstrerer Perseverance at sofistikert navigasjon ikke nødvendigvis krever enorme dataressurser – men heller smarte algoritmer og effektiv programmering.

Suksessen til Perseverance viser at fremtiden for autonom navigasjon ikke bare ligger i kraftigere hardware, men i intelligentere programvare som kan gjøre mer med mindre.

Kilde: IEEE Spectrum Robotics