การเรียนรู้เชิงลึกสำหรับการประมาณตำแหน่งและทิศทางการเคลื่อนที่ของอากาศยานไร้คนขับโดยใช้ออปติคอลโฟล์ว

บทคัดย่อ

อากาศยานไร้คนขับ (Unmanned Aerial Vehicles: UAVs) เป็นเทคโนโลยีที่ได้รับความสนใจอย่างแพร่หลาย และถูกนำมาใช้ในหลายสาขา เช่น การสำรวจพื้นที่ การเกษตรอัจฉริยะ และการเฝ้าระวัง โดยทั่วไป UAV จะพึ่งพาระบบระบุตำแหน่งผ่านดาวเทียม (GPS) สำหรับการนำทาง แต่เมื่ออยู่ในพื้นที่ที่ไม่มีสัญญาณ GPS เช่น ภายในอาคาร จำเป็นต้องใช้เทคนิคอื่นในการระบุตำแหน่ง หนึ่งในแนวทางที่ได้รับความนิยมคือกระบวนการ Simultaneous Localization and Mapping (SLAM) ซึ่งใช้เซ็นเซอร์อย่างกล้อง RGB และ LiDAR ร่วมกับโอโดเมทรี (Odometry) ในการคำนวณการเปลี่ยนแปลงตำแหน่งและทิศทางของ UAV อย่างต่อเนื่อง

งานวิจัยนี้นำเสนอวิธีคำนวณโอโดเมทรีโดยใช้ข้อมูลออปติคอลโฟล์ว (OF-Odometry) จากการเปลี่ยนแปลงของพิกเซลในภาพต่อเนื่อง เพื่อหาความเร็วและทิศทางของอากาศยานไร้คนขับ วิธีนี้ลดข้อจำกัดด้านฮาร์ดแวร์และเหมาะกับสภาพแวดล้อมที่เซ็นเซอร์เชิงลึกทำงานไม่ได้ พร้อมใช้การเรียนรู้เชิงลึกเพิ่มความแม่นยำและลดข้อผิดพลาดสะสม คณะผู้วิจัยได้พัฒนาและเปรียบเทียบแบบจำลอง 3 แบบ ได้แก่ (1) โครงข่ายประสาทเทียมคอนโวลูชัน (CNN) (2) Bi-LSTM สำหรับข้อมูลลำดับเวลา และ (3) DeepVO ซึ่งใช้ภาพ RGB ต่อเนื่อง ซึ่งแบบจำลองแต่ละแบบมีข้อดีในบริบทต่างกัน โดยเฉพาะการรักษาความต่อเนื่องของตำแหน่งในสภาพแวดล้อมท้าทาย

ผลการทดลองบนชุดข้อมูล KITTI ซึ่งเป็นมาตรฐานประเมิน Visual Odometry พบว่าแบบจำลอง CNN ร่วมกับข้อมูลออปติคอลโฟล์วโดยตรงให้ผลลัพธ์ดีที่สุดในด้านความแม่นยำและความเสถียร เมื่อเทียบกับแบบจำลอง DeepVO ที่มีข้อจำกัดในการแยกแยะการเคลื่อนไหวจากสัญญาณรบกวน และแบบจำลอง Bi-LSTM ที่บางกรณีมีผลลัพธ์ด้อยลงจากความซ้ำซ้อนของข้อมูลเชิงเวลา งานวิจัยนี้แสดงศักยภาพของการใช้ข้อมูลออปติคอลโฟล์วกับโครงข่าย CNN ในการประมาณการเคลื่อนที่ของกล้องได้อย่างแม่นยำและเสถียร โดยไม่ต้องพึ่งโครงสร้างเชิงลำดับเพิ่มเติม เหมาะสำหรับระบบนำทางอัตโนมัติหรือหุ่นยนต์อัจฉริยะในสภาพแวดล้อมที่ไม่มีสัญญาณ GPS