Uçan denetçiler

Kuadrokopter çeşitli modelleme ve denetmele etkinliklerinde çok faydalı olabileceği düşünülüyor.

1.04.2012 00:00:000
Paylaş Tweet Paylaş
Uçan denetçiler
Çok az sayıda araştırma alanı öğrenen makineler kadar karmaşıktır. Bu alanda araştırmacıların yüzleştiği en karmaşık sorunlardan biri ise görebilme yeteneğidir. Siemens ilerleme kaydedilmesine katkıda bulunmak için öğrenme kapasitesinin yanı sıra, etrafında gördüğü dünyayı kendi başına yorumlayabilen video sistemleri geliştiriyor. New Jersey, Princeton'daki Siemens Kurumsal Araştırmalar laboratuvarlarının üstünde bir Astrange uçağı havada uğultular çıkartarak uçmakta. Temel olarak telden yapılmış dört köşe bir kafes şeklinde olan bu uçağın tepesinde dört tane helikopter pervanesi olan minicik bir motoru var. Lazerleriyle pencereleri, duvarları ve makineleri tarıyor. Optik sensörleri ve video kameralarıyla mimari ayrıntıları kaydediyor. Önceden planlanmış rotasında havada manevralar yaparak ilerliyor ve rotasında karşısına çıkabilecek engelleri algılayarak yön değiştirmeye hazır bir halde yoluna devam ediyor. Topladığı verilerden de içinde bulunduğu ortamın 3B modellerini çıkarmakta faydalanıyor. Aynı zamanda "Fly & Inspect" (Uç ve Denetle) olarak da bilinen bu kuadrokopter, aslında Princeton'daki Siemens Kurumsal Teknolojiler'de çalışan bilgisayar bilimcisi Yakup Genç ile Boston'daki Massachusetts Teknoloji Enstitüsü çalışanı robot bilimleri araştırmacısı Nicholas Roy arasındaki ortak birgeliştir-me programının bir ürünü. Bu proje genel olarak bagaj taşıma tesisleri, işleme ve depolama tesisleri ve fabrika üretim alanları gibi karmaşık ortamlar hakkında kendi kendine veri toplayabilecek ve onların dijital modellerini çıkarabilecek bir sistem ortaya çıkarabilmek için tasarlanmış. Bu gibi dijital modellerden daha sonra servis gereksinimlerini değerlendirmek veya ciddi boyutlardaki restorasyonların simülasyonunu yapmak amacıyla faydalanılabilir. Genç ile Roy bu sürecin etkin ve güvenilir kılınmasında Fly&Inspect teknolojisine güveniyor. Kuadrokopter aynı zamanda binalardaki veya malzemelerdeki çatlakları da farkedebilecek şekilde eğitilebildiğinden, rüzgar parkları ve enerji kuleleri gibi erişilmesi zor yerlerdeki aşınmaları veya hasarları da kontrol edebilir. Genç, "Geldiğimiz aşamada bu cihazın halen elinde uzaktan kumanda tutan bir insana gereksinimi var. Ancak kısa süre içinde kendi optik sensörlerinden faydalanarak kendi kendine bağımsız çalışabilir hale geleceğini ümit ediyoruz" diyor. Öğrenen makineler alanında karşılaşılan en önemli sorunlardan biri de bir ortamdaki görüntü bilgilerini işleyebilecek sistemlerin geliştirilmesidir. 2011 Şubat ayında "Watson isminde IBM marka bir süper bilgisayar, "Jeo-pardy" adında bir televizyon bilgi yarışmasında en iyi yarışmacıların hepsini geride bırakmıştı. Ancak Watson sadece veri tabanlarından ve internet sorgulamalarından aldığı bilgileri derlemekle yükümlü karmaşık bir sistemdi. Gerçek dünyada bilgisayarlar halen çok beceriksiz. Küçücük bir çocuk bile önünde bir ağaç olup olmadığını anlayabilirken aynı süreçte bilgisayarlar fazlasıyla zorlanır. Ancak günümüzde üniversiteler ve şirketlerde araştırma grupları tarafından gerçekleştirilmekte olan araştırmalar sayesinde bilgisayarların görmelerini sağlayan bileşenler artık ticari birer uygulama haline geliyor. Siemens Princeton, New Jersey, Avusturya Graz ve Almanya Münih'deki araştırma ve geliştirme tesislerinde endüstriyel siteler, binalar, kara yolları ve altyapılar gibi karmaşık şekillerin uydu görüntülerini araştırabilecek ve konteynerlerin ve ambalajların X ışını görüntülerini çıkartarak içinde şüpheli nesne olup olmadığını anlayabilecek, yol işaretlerini okuyabilecek, trafik sıkışıklıklarını engelleyebilecek sistemler geliştiriyor. Kuadrokopter'in yaptığı gibi erişilmesi zor olan yerlerin haritasını çıkartıp denetlemesini yapabilecek diğer sistemleri analiz ediyor. ~
Bu uygulamaların hepsinde ortak olan, tıpkı küçük bir çocuğun etrafındaki nesneleri algılama ve birbirinden ayırt etme yeteneğini geliştirmesine benzer bir öğrenme yeteneği. Bilgisayar bilimcileri "denetimli öğrenme" denilen bir süreç aracılığıyla bilgisayar programlarının içine yüzbinlerce görüntü yüklüyor. Ardından da algoritmalar aracılığıyla nesnelerdeki ortakyanların özellikleri tanımlanıyor. Örneğin sokaktaki insanlar genellikle bacakları ve kollarıyla dimdikyürür ve başları da diktir. Diğer taraftan bir masanın, üzerine eşyaların konulacağı düz bir yüzeyi ve altında onu destekleyen dört tane bacağı vardır. İşte bu gibi nesne sınıflamaları yapılabilmesi için bilgisayar programları dijital tanımlamalar yapar. Ardından bu sayede özel görüntü verileri için semantik bir sorgulama yapılması veya örneğin bir sürücü destek sisteminin trafik ışıklarını otomatik olarak algılaması mümkün olur.

Farklılıkları algılamak.
Ancak araştırmacılar büyük sıklıkla görme sistemlerinin bir metro istasyonundaki insanların sayısını saymak gibi çok daha karmaşık işleri yapabilmelerini ister. Örneğin gelin bir görme sisteminin insan kafalarını algılayabildiğini ama bedenlerini kalabalıkyüzünden algılayamadığını varsayalım. Yine de bir insan gördüğünü anlayabilecektir. Çünkü bir insanın veya nesnenin herhangi bir insanın önünde durarak onu nasıl görünemez hale getirdiğini bilmektedir ve bu gibi engellemelerden fiziksel sonuçlar çıkartmak konusunda mantıklı düşünebilir. Princeton'da bir bilgisayar bilimcisi olan Vinay Shet, "Gelecekte bilgisayarlar arşivlenmiş çok daha karmaşık video verilerinden, özellikle de adli sistemlerin verilerinden karmaşık şablonlar çıkartabilecek" diyor. Bu gibi bir karmaşık şablon çıkartılmasına yönelik adli bir soruşturma örneği olarak havalimanı gibi büyük bir tesise boydan boya kameralar yerleştirerek bir insanın davranışlarının takip edilmesi gösterilebilir. Shet, bu görsel şablon çıkartma soruşturmasını "görsel dilbilgisi" arama işine benzetiyor. "Görüntüler ve video verilerinin de tıpkı bir lisandaki cümleler gibi formülleştirilebilecek ve görsel dilbilgisi olarak yorumlanılabilecek belirli yapıları vardır" diyor. Bu iş belirli özellikleri görsel verilerle ifade ederek yapılıyor. Ardından bu özelliklerin kombinasyonuyla aynı insanın farklı kameraların görüntülerinde görülüp görülmediğinin anlaşılması sağlanıyor. Aynı görsel dilbilgisi teknolojisi, aslında Siemens Altyapı ve Şehirler Bölümü'nün ilgilendiği bir proje olan kargo ve bagajların güvenlik taramasında da kullanılabilir. Örneğin görsel şablon algılama ile içinde bir fünye, patlayıcı ve tetikleyicinin olduğu bir bombanın karakteristik dizilimi algılanabilir. Bugün bu iş, dünyanın her yerinde halen havalimanlarında çalışan insanlar tarafından yapılıyor. Şu anda görsel sorgulamaları yapan otomatik algılama algoritmaları kusursuz çalışmıyor. Hem insanın hassaslığını hem makinelerin hızını birleştirmeyi hedefleyen inovasyoncu bir proje, New York Columbia Üniversitesi'nde bir ansefolagram uzmanı (EEG) olan Paul Sajda liderliğindeki ekip tarafından yürütülüyor. Fonlamasını ise Birleşik Devletler Savunma Bakanlığı yapıyor. Bu projeye Princeton'daki Siemens Kurumsal Teknolojiler'den gören makineler konusunda uzman bilimin isanları da destek veriyor. Burada ana fikir endüstriyel siteler, binalar, kara yolları, helikopter iniş pistleri gibi yüksek öneme sahip nesnelerin algılanabilmesi için çok büyük uydu görüntülerinin çabucak taranabilmesi. Araştırmacılar bugüne kadar gören makineleri, toplam görüntü analizi sürecini ciddi derecede hızlandıran bir sistemde, elektronik olarak takviyelendirilmiş insani görüşle birleştirmeyi başarabildi. İlk olarak Siemens tarafından geliştirilmiş bir gören makine yazılımıyla çöller, yoğun ormanlar veya bozkırlar gibi hiçbir ayırdedici özelliği olmayan homojen alanlara sahip bölgeler gizleniyor. İkinci iş olarak görüntünün geriye kalan potansiyel anlamda enteresan olan bölümleri, küçük dört köşe görüntülere ya da çiplere bölünüyor ve bir sinyal analizi bilgisayarına bağlı çoklu elektro, elektro ansefolagram sensörü olan bir görüntü analistine gönderiliyor. Bu çipler, analistin bilinçli olarak analiz edip tepki vermesinden çok daha çabuk (saniyede 5 ila 10 arasında) olacak şekilde birbirlerinin ardısıra gösteriliyor. ~
Ancak EEG sistemi birçipin içinde hedef ilgi alanı olduğunda, bir beyin sinyali yaratmayı öğrenebilir. Üçüncü olarak da bu analiste EEG tarafından algılanmış çiplerin olduğu bölgeler gösteriliyor ve o da nihai hedef belirleme kararını veriyor. Princeton'da bir Siemens araştırmacısı olan Claus Bahlmann, "Bu kombine yaklaşımla analizlerimizin hızı dörde katlandı" diyor.

Sürücüsüz forkliftler.
Akıllı görüntü analizleri endüstriyel ortamlardaki taşıma işleri için de gerekli. Burada örnek bir vaka Siemens tarafından Almanya, Münih ve Stuttgart'ta forklift gibi ticari araçlar için geliştirilmiş bir proje olan "Otonom Yol Destek Sistemi". Bu araç kendi rotasını yanında yürüyen bir işçinin yol göstermesiyle öğreniyor. Yeri nadiren değişen alanları böylece ezberlemiş oluyor. Bu sayede defalarca aynı rotada güvenli bir şekilde kendi kendini yönlendirebiliyor. Münih Siemens'de bir robot bilimleri uzmanı olan Gisbert Lawitzky, "Bu sistem aynı zamanda belirli bir noktaya kadar nesne algılaması yapabilme kapasitesine de sahip. Paletler ve kasalar gibi bir depodaki önemli nesneleri kendiliğinden algılayabiliyor" diyor. Otonom Yol Destek Sistemleri şu anda Daimler'de, özellikle paletlerin yükleme rampalarına taşınmasında ve tekrar geri getirilmelerinde kullanılıyor. Lawitzky, "Bu araçlar işin cinsine göre gelecekte diğer nesneleri de algılamayı öğrenecek. Hatta içinde bulundukları alanı bile algılamayı öğrenebilecekler" diyor. Bu gibi sistemler için potansiyel uygulamalar yelpazesinin içinde güvenlik robotları, müzelerde robotik rehberlik ve alışveriş merkezlerinde robotik yardımcılar bulunuyor.

Harita okuyan robotlar.
Princeton'dan bir başka araştırmacı Maneesh Singh de mobil robotlar üzerine çalışıyor. Singh kısa süre önce, aslında tekerlekli bir düdüklü tencereye benzeyen ve kullanıcının el ile kol hareketlerini algılayıp yorumlayabilen Microsoft ürünü "Kinect" kamera sistemiyle donatılmış bir robot almıştı. Başlangıçta Xbox 360 oyun konsolu için geliştirilmiş bu kamerada bir adet 3B sensör vardı. Bu sensör robotun sadece önündeki engelleri algılayıp onların etrafından dolaşmasını sağlamakla kalmıyor, aynı zamanda etrafındakilerin gerçek zamanlı bir modelini de sunarak kendi konumunu kendi kendine tesbit etmesini de sağlıyordu. Singh, "Tıpkı insanlar gibi bu mobil cihazlar da bir binanın girişindeki kat planına bakabilecek, onu anlayabilecek ve binanın herhangi bir yerine gitmek için onu kullanabilecek. Aynı zamanda içinden geçtiği yerlerin görsel bir haritasını da çıkarabilecek" diyor. Ancak Singh'in kendi robotu hakkında çok daha ihtiraslı bir planı daha var. Yakın gelecekte öğrenen makineleri sadece insanları ve onların davranışlarını farketmeyi öğrenmekte değil, aynı zamanda onlarla iletişim kurmakta ve doğal etkileşim kurmak yoluyla bir şeyler öğrenmekte de kullanmak istiyor. "Çok yakında nesneleri göstererek ve onlarla konuşarak robotları tıpkı kendi çocuklarımızı

Türkiye ve dünya ekonomisine yön veren gelişmeleri yorulmadan takip edebilmek için her yeni güne haber bültenimiz “Sabah Kahvesi” ile başlamak ister misiniz?


İLGİNİZİ ÇEKEBİLİR

Yorum Yaz