System rozpoznawanie obiektów inspirowany algorytmami poznaw

[Treker (Damian Szymański)]

System rozpoznawanie obiektów inspirowany algorytmami poznawczymi człowieka

Naukowcy zrzeszeni wokół programu SBIR (Small Business Innovation Research) pracują nad stworzeniem systemu rozpoznawania obiektów opartym na psychologicznych modelach rozpoznawania, wykorzystujących serie algorytmów identyfikujących różne obiekty w różnych orientacjach. System taki byłby niezwykle użyteczny z punktu widzenia robotyki i umożliwiłby ogromny postęp w dziedzinie możliwości robotów i ich inteligencji.

Rozpoznawanie i identyfikowanie obiektu na podstawie zapisu wideo jest bardzo złożonym problemem, gdyż może on być widziany na nieskończoną liczbę sposobów, w zależności od kąta, oświetlenia czy odległości. Niezwykle trudne jest powiązanie zależnej od nieskończonej liczby czynników reprezentacji z jednym modelem zapisanym w bazie danych. Zadanie jest jeszcze trudniejsze, gdy obiekt, który ma zostać rozpoznany nie figuruje w bazie danych.

Jednym z podejść do tak postawionego problemu jest badanie ludzkiego mechanizmu rozpoznawania obiektów. Prowadzone na tym polu badania wskazują, że człowiek wykorzystuje w procesie rozpoznawania nie jeden, a całą serię algorytmów. Wśród nich znajdują się algorytmy bazujący na: szablonach, trójwymiarowych wzorach (wykorzystuje charakterystyczne formy geometryczne), cechach (wykorzystuje cechy charakterystyczne; np. tygrys – paski, lampart – plamki) oraz bazujące na kontekście. Ograniczają one obszar poszukiwania. Dodatkowo ludzka pamięć przestrzenna jest w stanie w myślach obracać obiekt tak, by dopasować go do znanej sobie jego reprezentacji.

Realizacje tego projektu podzielona została na trzy fazy. Pierwsza z nich obejmuje integrowanie wspomnianych wyżej algorytmów, zarówno na poziomie teoretycznym, jak i sprzętowym. Prace realizowane w ramach fazy pierwszej mają za zadanie stworzenie prostego systemu rozpoznającego, który będzie można dalej rozwijać.

Faza druga obejmuje pełną implementację prototypu. Jego wskaźnik trafnego rozpoznawania znanych obiektów, niezależnie od ich ułożenia, czy oddalenia, powinien plasować się na poziomie 95 procent. Na tym etapie system ma też rozpoznawać na poziomie symbolicznym obiekty, których nigdy wcześniej nie widział.

Trzecia faza obejmuje stworzenie w pełni zintegrowanego, autonomicznego systemu gotowego do testów. Jego skuteczność rozpoznawania powinna być na poziomie 98 procent. System ma być również na tyle modułowy, by mógł być implementowany na różnych platformach.

automatyka.pl