Şu yazıyı okuyorsunuz: Ajanlar, toplanın! AutoNeRF ile tanışın: Örtülü sahnelerden NeRF oluşturmak için otonom aracıları kullanmak üzere tasarlanmış bir yapay zeka yaklaşımı
Dronlar ve robotlar. Teknolojik ilerlemelerin onları her zamankinden daha erişilebilir ve yetenekli hale getirmesiyle son yıllarda giderek daha popüler hale geliyorlar. Artık fotoğrafçılık ve gözetleme için kullanılan hava dronelarından, üretim ve lojistik için kullanılan yer robotlarına kadar çok çeşitli seçeneklerimiz var. Bu makineler endüstrileri dönüştürüyor ve yaşama ve çalışma şeklimizde devrim yaratıyor.
Oynamak için eğlenceli oyuncaklar olmalarının yanı sıra, aslında birçok görevde kritik bir bileşendirler. Bu araçların özellikle umut verici olduğu alanlardan biri de otonom navigasyon alanıdır. Bilinmeyen ortamları keşfetme ve haritalandırma becerisine sahip bu makineler, arama ve kurtarma operasyonlarından hassas tarıma ve daha fazlasına kadar çok çeşitli uygulamaları destekleme potansiyeline sahiptir.
Bununla birlikte, etkili otonom navigasyon aracıları oluşturmak, özellikle keşif söz konusu olduğunda büyük bir zorluktur. Onlara güvenmeden önce bilinmeyen ortamlarda çalışabildiklerinden emin olmamız gerekiyor. İnsan müdahalesi veya denetimi olmaksızın çevrelerini keşfedebilmeli ve doğru haritalar oluşturabilmelidirler.
Görünmeyen ortamları keşfetmek, otonom navigasyon aracıları oluşturmada büyük bir zorluktur. Kapsamı en üst düzeye çıkarmak, belirli hedefleri veya nesneleri bulmak ve aktif öğrenmeyi desteklemek için eğitim tarama politikaları üzerine çok sayıda araştırma yapılmıştır. Modüler öğrenme yöntemleri, nesne veya görüntü hedeflerinde gezinmek gibi planlama ve sonraki görevler için ortamın anlamsal haritalarını oluşturabilen keşif politikalarını öğrendiklerinden somutlaştırılmış görevler için özellikle etkili olmuştur.
Buna paralel olarak, 3 boyutlu bir sahnede görünümün ve anlambilimin kompakt ve sürekli bir temsilini sağlayan Nöral Parlaklık Alanlarına (NeRF) dayalı örtülü haritalama temsillerinin öğrenilmesine yönelik önemli miktarda çalışma yapılmıştır. Ancak örtülü temsillerin oluşturulmasına yönelik yaklaşımların çoğu, insanlar tarafından toplanan verileri gerektirir. Ancak insanlara güvenmeden örtülü temsiller oluşturabileceğimizi hayal edebiliyor musunuz? Otonom dronlar, robotlar vb. gönderip her yeri 3 boyutlu olarak haritalandırabiliriz. Harika olurdu, değil mi?
Peki, buluşalım AutoNeRF. Gömülü aracıları, görünmeyen ortamları verimli bir şekilde keşfetmeleri ve NeRF oluşturmak için verileri otonom bir şekilde toplamaları için eğitir. AutoNeRF Bir NeRF modelini özerk bir şekilde eğitmek için veri toplamak amacıyla görünmeyen bir 3D sahneyi keşfedebilen, Güçlendirme Öğrenimi (RL) ile eğitilmiş modüler bir politikadır.
AutoNeRF Drone’ların ve otonom robotların, bir sahnenin örtülü sinirsel temsillerini eğitmek için gerekli verileri toplamasına olanak tanır. NeRF, sahne yoğunluğunun, RGB görünümünün ve anlambiliminin sürekli ve kompakt bir temsili olarak hizmet eder. İle AutoNeRFRobot veya drone, bilinmeyen bir ortamda başlatılır ve sabit bir zaman bütçesi dahilinde tek bir bölümde veri toplamakla görevlendirilir. Bu bölüm sırasında temsilci tarafından toplanan gözlemler NeRF modelini eğitmek için kullanılır; bu model daha sonra haritalama, yeni görünümlerin oluşturulması, planlama ve poz iyileştirme gibi robotikteki birkaç sonraki görevde değerlendirilir.
AutoNeRF İki ana aşaması vardır: Keşif politikası eğitimi Ve NERF Eğitimi. Esnasında Keşif politikası eğitimi Aşamada, bir keşif politikası bir dizi eğitim ortamında içsel ödüller kullanılarak eğitilir. Bu politika, gözlemleri toplarken robotun veya drone’un olay yerinde gezinmesine olanak tanır. İçinde NERF Eğitimi Aşamada, tarama politikası, NeRF modelini eğitmek için sahne başına bir yörüngenin toplandığı, görülmeyen test sahneleri hakkında veri toplamak için kullanılır. Son olarak, eğitilen NeRF modeli, yerleşik yapay zeka uygulamalarındaki etkinliğini test etmek için birkaç sonraki görevde değerlendirilir.
En önemli avantajlarından biri AutoNeRF otonom aracılar tarafından toplanan verileri kullanarak yüksek kaliteli örtülü harita temsilleri oluşturma yeteneğidir. Bunun sanal gerçeklik, robotik ve otonom sürüş dahil olmak üzere çeşitli uygulamalar için önemli sonuçları vardır.
