Sir Airffic Goএর অনেকটা গবেষণাপত্র থেকে নেওয়া, কিন্তু কথাগুলো সহজ রেখেছি। আমার সঙ্গে থাকো।
বোঝার চারটি ধাপ
- শনাক্তকরণ: ছবিতে মানুষ, গাড়ি আর বিদ্যুতের তার খুঁজে তাদের চারপাশে বাক্স আঁকা।
- ট্র্যাকিং: খুঁজে পাওয়া জিনিস এরপর কোথায় যায় তা অনুসরণ করা।
- নিজের অবস্থান বের করা: ছবির নড়াচড়া আর IMU মিলিয়ে বের করা কতটা আর কোথায় সরেছ (VIO: ভিজ্যুয়াল-ইনারশিয়াল ওডোমেট্রি)।
- বোঝা আর নির্দেশ মানা: "লাল ছাদের বাড়ির পেছনটা দেখো" কথাটা বুঝে, কথাগুলোকে চোখে দেখা জিনিসের সঙ্গে মেলানো (VLM: এমন AI যা ছবি আর ভাষা একসঙ্গে সামলায়)।
মানচিত্র বানাতে বানাতে ওড়া: SLAM আর VIO
2000-এর দশকের শেষে বিশ্ববিদ্যালয়ের ল্যাবগুলো একটি ক্যামেরা আর IMU দিয়ে ছোট ড্রোনের অবস্থান অনুমান করতে শুরু করে। সবকিছুর শুরু সেখানেই।
SVO, VINS-Mono আর ORB-SLAM-এর মতো পদ্ধতি প্রকাশিত হয় আর সবার ব্যবহারের ভিত্তি হয়ে ওঠে। খোলা গবেষণা পণ্যের যন্ত্রাংশে পরিণত হয়।
আজকের বাণিজ্যিক ড্রোন যে সেতুর নিচে আর ঘরের ভেতরে উড়তে পারে, তা এই জমে ওঠা কাজের জন্যই।
উপর থেকে জিনিস ছোট আর বাঁকা দেখায়
মাটি থেকে তোলা ছবিতে শেখা AI উপর থেকে দেখা দৃশ্যে হিমশিম খায়: মানুষ হয়ে যায় বিন্দু, আর গাড়ির আকার বদলে যায়।
আকাশের জন্য আলাদা AI শেখাতে VisDrone আর DOTA-র মতো আকাশ থেকে তোলা ছবির ডেটাসেট বানানো হয়েছে।
যার হাতে ডেটা, সে-ই ঠিক করে AI কতটা বুদ্ধিমান হবে। ফাউন্ডেশন মডেলের যুগেও এটা বদলায়নি।
Sir Airffic GoAI-এর পার্থক্য প্রায়ই অ্যালগরিদমের চেয়ে বেশি নির্ভর করে তোমার কাছে কতটা আকাশের ডেটা আছে তার ওপর। কৌশল অধ্যায়ের জন্য এটা মনে রেখো।
যেদিন AI মানুষ চ্যাম্পিয়নদের হারাল
2023 সালে University of Zurich-এ তৈরি Swift নামের একটি AI ড্রোন মানুষ বিশ্বচ্যাম্পিয়ন ড্রোন রেসারদের হারিয়ে দেয়। কাজটি Nature পত্রিকায় প্রকাশিত হয়।
Swift শুধু একটি ক্যামেরা আর IMU দিয়ে নিজের অবস্থান অনুমান করত, আর রিইনফোর্সমেন্ট লার্নিং (সিমুলেশনে বারবার অনুশীলন করে শেখা) দিয়ে উড়তে শিখেছিল।
এটা ছিল একটি নির্দিষ্ট ট্র্যাকে। বদলানো আবহাওয়া আর বাধার আসল আকাশে সেই দক্ষতা দেখানো এখনো একটি খোলা চ্যালেঞ্জ।
ডিপ রিইনফোর্সমেন্ট লার্নিং দিয়ে চ্যাম্পিয়ন-মানের ড্রোন রেসিং (UZH)
প্রমাণ: [N124]
পরের ঢেউ: দেখা, ভাবা আর কথামতো কাজ
2023-এর কাছাকাছি সময় থেকে ছবি আর ভাষা একসঙ্গে সামলানো বড় AI মডেল (ফাউন্ডেশন মডেল) রোবটের মস্তিষ্ক হিসেবে কাজ শুরু করে।
দৃশ্য বুঝে মুখের নির্দেশ মেনে ওড়া নিয়ে ড্রোন গবেষণা (আকাশে ভিশন-ভাষা নেভিগেশন) বাড়ছে।
বড় মডেলগুলো ভারী, আর ড্রোনের ভেতরে এগুলো দ্রুত চালানো এখনো কঠিন। তাই পরের অধ্যায়ের চিপের কথাও পাশাপাশি পড়তে হবে।
প্রমাণ: [N133]
প্রায়ই জিজ্ঞাসিত প্রশ্ন
ড্রোনের কম্পিউটার ভিশন কোন কাজে লাগে?
সেতু আর বিদ্যুতের লাইনে ফাটল খোঁজা, ফসলের স্বাস্থ্য পরীক্ষা, খোঁজ ও উদ্ধারে মানুষ খুঁজে পাওয়া, নিরাপত্তা আর ট্রাফিক নজরদারি, আর ডেলিভারির জায়গা যাচাই — এগুলো সাধারণ ব্যবহার।
ভিজ্যুয়াল-ইনারশিয়াল ওডোমেট্রি (VIO) কী?
এমন একটি পদ্ধতি যা ছবির নড়াচড়ার সঙ্গে IMU-এর মাপা গতি বাড়া-কমা আর ঘোরা মিলিয়ে হিসাব করে ড্রোন কতটা সরেছে। GPS ছাড়া ওড়ার জন্য এটি একটি মৌলিক প্রযুক্তি।