የድሮን ኮምፒውተር ቪዥንና Vision AI፦ ማወቂያ፣ SLAM እና መሠረታዊ ሞዴሎች

Sir Airffic Goአብዛኛው ከምርምር ጽሑፎች የመጣ ነው፤ ቃላቱ ግን ቀላል ሆነው ቀርበዋል። አብረኸኝ ቆይ።

አራቱ የመረዳት ደረጃዎች

ማወቂያ፦ በምስል ውስጥ ሰዎችን፣ መኪኖችንና የኤሌክትሪክ መስመሮችን አግኝቶ ዙሪያቸውን ሳጥን መሳል።
መከታተል፦ የተገኘው ነገር ቀጥሎ ወዴት እንደሚንቀሳቀስ መከተል።
የራስን ቦታ ማወቅ፦ ከምስሉ እንቅስቃሴና ከIMU ምን ያህልና ወዴት እንደተንቀሳቀስክ ማስላት (VIO፦ visual-inertial odometry)።
መረዳትና መመሪያ መቀበል፦ "ቀይ ጣሪያ ካለው ቤት ጀርባ ተመልከት" የሚለውን ተረድቶ ቃላቱን ከሚያየው ጋር ማገናኘት (VLM፦ ምስልንና ቋንቋን አንድ ላይ የሚይዝ AI)።

በ2000ዎቹ መጨረሻ የዩኒቨርሲቲ ቤተ ሙከራዎች የትንሽ ድሮንን ቦታ በአንድ ካሜራና በIMU መገመት ጀመሩ። ሁሉም ነገር የጀመረው ከዚያ ነው።

እንደ SVO፣ VINS-Mono እና ORB-SLAM ያሉ ዘዴዎች ታትመው የጋራ መሠረት ሆኑ። ክፍት ምርምር የምርት መለዋወጫ ሆነ።

የዛሬዎቹ የንግድ ድሮኖች ከድልድይ ሥርና በቤት ውስጥ መብረር የሚችሉት በዚህ የተከማቸ ሥራ ምክንያት ነው።

በመሬት ደረጃ በተነሱ ፎቶዎች የሠለጠነ AI ከላይ የሚታዩ ምስሎችን ለመረዳት ይቸገራል፦ ሰዎች ነጥብ ይሆናሉ፣ መኪኖች ቅርጻቸው ይቀየራል።

ለሰማይ የተለየ AI እንዲሠለጥን እንደ VisDrone እና DOTA ያሉ የአየር ላይ ምስል የመረጃ ስብስቦች ተሠሩ።

መረጃውን የያዘ ሁሉ AI ምን ያህል ብልህ እንደሚሆን ይቀርጻል። ይህ በመሠረታዊ ሞዴሎች ዘመንም አልተቀየረም።

Sir Airffic GoየAI ልዩነት ብዙ ጊዜ ከአልጎሪዝም ይልቅ ምን ያህል የአየር ላይ መረጃ እንዳለህ ላይ ይወሰናል። ይህን ለስልት ምዕራፉ አስታውስ።

ማስረጃ: [P14] [P23] [P24]

በ2023 በዙሪክ ዩኒቨርሲቲ የተሠራ Swift የተባለ AI ድሮን የዓለም ሻምፒዮን የሆኑ የሰው ድሮን ተወዳዳሪዎችን አሸነፈ። ሥራው በNature መጽሔት ታትሟል።

Swift ቦታውን በካሜራና በIMU ብቻ ገመተ፤ መብረርንም በreinforcement learning (በሙከራና በስሕተት መማር) ተማረ — በሲሙሌሽን ውስጥ ብዙ ጊዜ በመለማመድ።

ይህ በተወሰነ የውድድር መስመር ላይ ነበር። ያንኑ ችሎታ የአየር ሁኔታና እንቅፋቶች በሚቀያየሩበት እውነተኛ ሰማይ ላይ ማሳየት ገና ያልተፈታ ፈተና ነው።

በጥልቅ reinforcement learning የሻምፒዮን ደረጃ የድሮን ውድድር (UZH)

የዙሪክ ዩኒቨርሲቲ Robotics and Perception Group ያወጣው የSwift AI ድሮን ቪዲዮ። YouTube ↗ · አጫውት እስክትጫን ድረስ ከYouTube ምንም አይጫንም

ማስረጃ: [N124]

ከ2023 ገደማ ጀምሮ ምስልንና ቋንቋን አንድ ላይ የሚይዙ ትላልቅ የAI ሞዴሎች (መሠረታዊ ሞዴሎች) የሮቦቶች አንጎል ሆነው ማገልገል ጀመሩ።

ሁኔታውን እየተረዱ የቃል መመሪያን የሚከተሉ ድሮኖች ላይ የሚደረገው ምርምር (aerial vision-language navigation) እያደገ ነው።

ትላልቅ ሞዴሎች ከባድ ናቸው፤ በድሮኑ ላይ በፍጥነት ማስኬድም ገና ከባድ ነው። ለዚህ ነው ቺፖችን — ቀጣዩን ምዕራፍ — አብሮ ማንበብ ያለብህ።

ማስረጃ: [N133]

የድሮን ኮምፒውተር ቪዥን በየትኞቹ ሥራዎች ጥቅም ላይ ይውላል?

በድልድዮችና በኤሌክትሪክ መስመሮች ላይ ስንጥቅ ማግኘት፣ የሰብል ጤና መፈተሽ፣ በፍለጋና ማዳን ሰዎችን ማግኘት፣ የጸጥታና የትራፊክ ክትትል፣ እና የዕቃ ማድረሻ ቦታዎችን መፈተሽ የተለመዱ አጠቃቀሞች ናቸው።

Visual-inertial odometry (VIO) ምንድን ነው?

የምስልን እንቅስቃሴ IMU ከሚለካው ፍጥነት መጨመርና መዞር ጋር በማጣመር ድሮኑ ምን ያህል እንደተንቀሳቀሰ የሚያሰላ ዘዴ ነው። ያለ GPS ለመብረር መሠረታዊ ቴክኖሎጂ ነው።