Forskare vid Helsingfors universitet börjar utveckla lokalisering som baserar sig på maskininlärning samt noggrannare och billigare navigering tillsammans med lyftkrantillverkaren Konecranes. Konecranes donerade 160 000 euro till universitetet för projektet.
I forskningsprojektet som startade i början av 2020 utvecklar Helsingfors universitet och Konecranes kamerorna som fästs i lyftanordningar, så att de blir bättre på att observera omgivningen och känna igen olika föremål automatiskt. För det behövs metoder för både maskinsyn och djupinlärning.
Projektet fokuserar på en maskinsynteknik som kallas visual SLAM (visual simultaneous localization and mapping). En maskin som rör sig på t.ex. en byggnadsplats kan med hjälp av kameror som använder denna teknik lokalisera sig själv hela tiden. Kamerorna skapar också en karta över omgivningen, och den uppdateras konstant.
Svårt att förutse människans rörelser
Byggnadsplatser är bra omgivningar för utveckling av lokaliseringsteknik eftersom miljön förändras hela tiden och där finns många rörliga föremål. Överraskningar, som människor som vandrar hit och dit, ställer extra utmaningar.
– Maskinerna måste köra till rätt ställen på byggnadsplatsen. De måste också kunna ta tag i föremål med noggrannhet och lyfta dem utan fara. Samtidigt måste maskinerna observera sin omgivning för att undvika olyckor, säger biträdande professorn i datavetenskap Laura Ruotsalainen, som ansvarar för projektet.
Ruotsalainen har tidigare studerat inomhusnavigering och hur den kan skärpas med hjälp av maskinsyn. Hon har utrett hur lokaliseringsdata som har insamlats med olika verktyg, och kan ha dålig kvalitet, kan kompenseras med maskinsyntekniker så att rätt bild av omgivningen kan skapas.
– I det här projektet får vi använda ett forskningslaboratorium som simulerar en verklig fabriksmiljö. Först samlar vi in data och utreder de större frågorna. Sedan börjar vi utveckla visual SLAM-metoden och djupinlärning för att lösa de här problemen, beskriver Laura Ruotsalainen.
– Vi går gärna med i ett sådant samarbetsprojekt med Helsingfors universitet. Samarbetet stöder många av vår affärsverksamhets centrala målsättningar, som att investera i teknologi för att säkerställa vår position som marknadsföregångare. Vi vill också utveckla allt tryggare arbetsmiljöer samt förstärka våra band till läroinrättningarna som utbildar våra framtida medarbetare, säger Matti Kemppainen, chef för forskning och innovationer på Konecranes.
Förmånligare alternativ till laser
Man har lokaliserat rörliga föremål i flera år redan. Förut har man använt laserkameror för lokalisering, men de kan kosta flera tiotusentals euro med sina bakgrundssystem, och ändå är inte resultaten alltid tillförlitliga. Visual SLAM-tekniken är mycket förmånligare än laseralternativet, eftersom den använder enklare kameror. Det blir dock luckor i data som kamerorna producerar, och de måste lappas med algoritmer.
– Det är svårast att få maskinsynen att fungera så att den kan identifiera en människa. För det behöver vi djupinlärning, som är en form av artificiell intelligens, säger Ruotsalainen.
Enligt Ruotsalainen har utvecklarna av visual SLAM-metoden, både här hemma och ute i världen, i flera år redan varit intresserade av att övergå till billigare kameror. Det finns dock ännu mycket i metoden som måste förbättras.
– Vi har mycket att göra för att få systemet att fungera pålitligt i utmanande omständigheter, så som industrihallar, där maskinsynen inte nödvändigtvis hittar nånting den kan identifiera. Reflexer eller förändringar i ljusförhållandena kan också blanda bort maskinens uppfattning om omgivningen.
Forskningsprojektet kan i fortsättningen möjligen utnyttja utvecklingen av förarlösa bilar, eftersom samma frågor gällande lokalisering och gestaltning av omgivningen gäller också dem.
Mera information:
Laura Ruotsalainen
Biträdande professor, avdelningen för datavetenskap
Helsingfors universitet
laura.ruotsalainen@helsinki.fi
050 556 0761