Konenäkö ohjaa jo nostureita – tutkimus tähtää tarkempaan navigointiin

Helsingin yliopisto alkaa kehittää koneoppimiseen perustuvaa paikannusta yhdessä nosturivalmistaja Konecranesin kanssa.

Helsingin yliopiston tutkijat alkavat kehittää koneoppimiseen perustuvaa paikannusta sekä aiempaa tarkempaa ja edullisempaa navigointia yhdessä Konecranesin kanssa. Konecranes teki yliopistolle 160 000 euron lahjoituksen projektia varten.

Alkuvuonna 2020 käynnistyvässä tutkimuksessa Helsingin yliopisto ja Konecranes kehittävät nostolaitteisiin kiinnitettyjen kameroiden kykyä havainnoida ympäristöä ja tunnistaa erilaisia kohteita automaattisesti. Tähän tarvitaan niin konenäön kuin syväoppimisen menetelmiä.

Projekti keskittyy konenäkötekniikkaan, jota kutsutaan nimellä visual SLAM (visual simultaneous localization and mapping). Esimerkiksi työmaalla liikkuva kone voi tätä tekniikkaa käyttävien kameroiden avulla paikantaa itseään jatkuvasti. Kamerat myös luovat ympäristöstä karttaa, joka päivittyy koko ajan.

Ihmisen liikkeitä vaikea ennakoida

Työmaat ovat hyviä paikkoja kehittää paikannustekniikkaa, koska työmailla ympäristö muuttuu koko ajan ja liikkuvia kohteita on paljon. Lisähaastetta tuovat yllätykset, kuten sinne tänne kulkevat ihmiset.

– Koneiden täytyy liikkua työmaalla oikeaan paikkaan. Niiden on pystyttävä myös tarttumaan esineisiin tarkasti ja nostamaan niitä turvallisesti. Samaan aikaan koneiden on havainnoitava ympäristöä, ettei satu onnettomuuksia, kertoo hankkeesta vastaava tietojenkäsittelytieteen apulaisprofessori Laura Ruotsalainen.

Ruotsalainen on aiemmin tutkinut sisätilanavigointia ja sen tarkentamista konenäön keinoin. Hän on selvittänyt sitä, miten eri välineillä kerättyä, huonolaatuistakin paikannusdataa voi kompensoida konenäkötekniikoilla, niin että ympäristöstä syntyy oikea kuva.

– Tässä tutkimuksessa pääsemme käyttämään oikeaa tehdasympäristöä simuloivaa tutkimuslaboratoriota. Ensin keräämme dataa ja selvitämme isoimmat ongelmat. Sen jälkeen alamme kehittää visual SLAM -menetelmää ja syväoppimista näiden ongelmien ratkaisemiseksi, Laura Ruotsalainen kertoo.

– Lähdemme mieluusti mukaan tähän yhteishankkeeseen Helsingin yliopiston kanssa. Yhteistyö tukee useita liiketoiminnallemme keskeisiä tavoitteita, kuten sijoittamista teknologiaan markkinaedelläkävijyyden varmistamiseksi. Haluamme myös kehittää entistä turvallisempia työympäristöjä sekä vahvistaa suhteita oppilaitoksiin, jotka kouluttavat tulevia työntekijöitämme, sanoo Konecranesin tutkimus- ja innovaatiojohtaja Matti Kemppainen.

Edullisempi vaihtoehto laserille

Liikkuvien kohteiden paikannusta on tehty jo vuosia. Perinteisesti paikannuksessa on käytetty laserkameroita, mutta ne voivat taustajärjestelmineen maksaa kymmeniä tuhansia euroja, eivätkä niiden tuottamat tulokset silti välttämättä ole luotettavia. Visual SLAM -tekniikka on paljon laservaihtoehtoa edullisempi, koska se käyttää yksinkertaisempia kameroita. Kameroiden tuottamaan dataan jää kuitenkin aukkoja, joita on paikattava algoritmien avulla.

– Vaikeinta on saada konenäkö toimimaan niin, että se tunnistaa ihmisen. Tähän tarvitaan syväoppimista, joka on yksi tekoälyn muoto, Ruotsalainen kertoo.

Ruotsalaisen mukaan visual SLAM -menetelmän kehittäjät meillä ja maailmalla ovat jo vuosia olleet kiinnostuneita siirtymään aiempaa halvempiin kameroihin. Menetelmässä on kuitenkin vielä paljon parannettavaa.

– Meillä on paljon tekemistä siinä, miten järjestelmä toimii luotettavasti haastavissa ympäristöissä kuten teollisuushallissa, jossa konenäkö ei välttämättä löydä mitään tunnistettavaa. Myös heijastumat tai valoisuusvaihtelut voivat sotkea koneen käsitystä ympäristöstään.

Nyt alkava tutkimus voi tulevaisuudessa hyödyttää myös itseään ajavien autojen kehitystä, sillä samat paikannuksen ja ympäristön hahmottamisen kysymykset koskevat myös niitä.

Lisätiedot:

Laura Ruotsalainen
Apulaisprofessori, tietojenkäsittelytieteen osasto
Helsingin yliopisto
laura.ruotsalainen@helsinki.fi
050 556 0761