Sir Airffic Goఇందులో చాలా భాగం పరిశోధనా పత్రాల నుంచి వచ్చింది, కానీ మాటలు సులభంగానే ఉంచాం. నాతో ఉండండి.
అర్థం చేసుకోవడంలో నాలుగు దశలు
- గుర్తింపు (Detection): ఫొటోలో మనుషులు, కార్లు, కరెంట్ తీగలను కనుక్కుని వాటి చుట్టూ పెట్టెలు గీయడం.
- అనుసరించడం (Tracking): కనుక్కున్న వస్తువు తర్వాత ఎటు కదులుతుందో వెంబడించడం.
- తన స్థానం తెలుసుకోవడం: ఫొటోల్లోని కదలిక, IMU కలిపి ఎంత దూరం, ఎటు కదిలామో లెక్కించడం (VIO: visual-inertial odometry).
- అర్థం చేసుకుని సూచన పాటించడం: "ఎర్ర పైకప్పు ఇంటి వెనక చూడు" అనే మాటను అర్థం చేసుకుని, ఆ మాటలను కనిపిస్తున్నదానితో జోడించడం (VLM: ఫొటోలు, భాష రెండింటినీ కలిపి చూసే AI).
మ్యాప్ గీస్తూ ఎగరడం: SLAM, VIO
2000ల చివరలో విశ్వవిద్యాలయ ల్యాబ్‌లు ఒక కెమెరా, ఒక IMU తో చిన్న డ్రోన్ స్థానాన్ని అంచనా వేయడం మొదలుపెట్టాయి. అంతా అక్కడి నుంచే మొదలైంది.
SVO, VINS-Mono, ORB-SLAM లాంటి పద్ధతులు ప్రచురించబడి అందరూ వాడుకునే పునాదులయ్యాయి. బహిరంగ పరిశోధన ఉత్పత్తుల భాగాలుగా మారింది.
ఈరోజు వ్యాపార డ్రోన్లు వంతెనల కింద, ఇంటి లోపల ఎగరగలుగుతున్నాయంటే ఈ పోగైన కృషే కారణం.
పై నుంచి చూస్తే వస్తువులు చిన్నగా, వంకరగా కనిపిస్తాయి
నేల మీది ఫొటోలతో శిక్షణ పొందిన AI కి పై నుంచి చూసే దృశ్యాలు కష్టం: మనుషులు చుక్కలుగా మారతారు, కార్ల ఆకారం మారుతుంది.
ఆకాశానికి ప్రత్యేకమైన AI కి శిక్షణ ఇవ్వడానికి VisDrone, DOTA లాంటి ఆకాశ ఫొటోల డేటాసెట్‌లు తయారు చేశారు.
డేటా ఎవరి దగ్గర ఉంటే, AI ఎంత తెలివైనదో వాళ్లే నిర్ణయిస్తారు. ఫౌండేషన్ మోడళ్ల కాలంలో కూడా ఇది మారలేదు.
Sir Airffic GoAI లో తేడాలు చాలాసార్లు అల్గారిథమ్‌ల కంటే, మీ దగ్గర ఎంత ఆకాశ డేటా ఉంది అనే దాని మీదే ఆధారపడతాయి. వ్యూహ అధ్యాయానికి ఇది గుర్తుంచుకోండి.
AI మనిషి ఛాంపియన్లను ఓడించిన రోజు
2023లో యూనివర్సిటీ ఆఫ్ జ్యూరిక్‌లో తయారైన Swift అనే AI డ్రోన్, డ్రోన్ రేసింగ్‌లో మనిషి ప్రపంచ ఛాంపియన్లను ఓడించింది. ఈ పరిశోధన Nature పత్రికలో ప్రచురితమైంది.
Swift కెమెరా, IMU తో మాత్రమే తన స్థానాన్ని అంచనా వేసుకుంది. reinforcement learning (సిమ్యులేషన్‌లో ఎన్నోసార్లు ప్రాక్టీస్ చేసి నేర్చుకోవడం) ద్వారా ఎగరడం నేర్చుకుంది.
ఇది ఒక స్థిరమైన ట్రాక్ మీద జరిగింది. వాతావరణం, అడ్డంకులు మారే నిజ ఆకాశంలో అదే నేర్పు సాధించడం ఇంకా తెరిచి ఉన్న సవాలే.
Deep reinforcement learning తో ఛాంపియన్ స్థాయి డ్రోన్ రేసింగ్ (UZH)
ఆధారాలు: [N124]
తర్వాతి అల: చూసి, ఆలోచించి, మాట ప్రకారం పనిచేయడం
దాదాపు 2023 నుంచి ఫొటోలు, భాష రెండింటినీ చూసుకునే పెద్ద AI మోడళ్లు (ఫౌండేషన్ మోడళ్లు) రోబోల మెదడుగా పనిచేయడం మొదలుపెట్టాయి.
దృశ్యాన్ని అర్థం చేసుకుంటూ మాటల సూచనలు పాటించే డ్రోన్ పరిశోధన (aerial vision-language navigation) పెరుగుతోంది.
పెద్ద మోడళ్లు బరువైనవి, వాటిని డ్రోన్ లోపలే వేగంగా నడపడం ఇంకా కష్టం. అందుకే తర్వాతి అధ్యాయం — చిప్‌లు — కూడా కలిపి చదవాలి.
ఆధారాలు: [N133]
తరచుగా అడిగే ప్రశ్నలు
డ్రోన్ కంప్యూటర్ విజన్‌ను ఏ పనుల్లో వాడతారు?
వంతెనలు, కరెంట్ తీగల మీద పగుళ్లు కనుక్కోవడం, పంట ఆరోగ్యం చూడడం, వెతకడం-రక్షించడంలో మనుషులను కనుక్కోవడం, భద్రత, ట్రాఫిక్ పర్యవేక్షణ, డెలివరీ ప్రదేశాల తనిఖీ — ఇవి సాధారణ ఉపయోగాలు.
Visual-inertial odometry (VIO) అంటే ఏమిటి?
ఫొటోల్లోని కదలికను, IMU కొలిచే వేగం మార్పు, తిరగడంతో కలిపి డ్రోన్ ఎంత దూరం కదిలిందో లెక్కించే పద్ధతి. GPS లేకుండా ఎగరడానికి ఇది ప్రాథమిక సాంకేతికత.