Подробное и быстрое отображение скрытых объектов может помочь автомобилям с автоматическим обнаружением опасностей и препятствий в закрытых от прямой видимости зонах. Исследователи, используя обучение искусственного интеллекта, создали экспериментальную лазерную систему, которая может «заглядывать за углы» в реальном времени. В дальнейшем система может позволить машинам с самостоятельным вождением «осматривать» припаркованные машины или оживленные перекрестки заранее, находясь вне зоны прямой видимости, чтобы увидеть препятствие или пешеходов. Систему можно будет устанавливать на подводные суда или космические корабли для решения таких задач, как осмотр пещер в астероидах или на морском дне и других полостей. А уж для использования в дронах различного назначения это вообще милое дело. Ну и естественно, как обойтись без применения в военном деле. Вообразите можно увидеть танк не заглядывая за угол, допустим в городских условиях. И пустить ПТУР по известным координатам (ну как пример).
Такие системы были задуманы уже довольно давно, но все упирались в барьер связанный с быстродействием и разрешением сьемки. Здесь же используется ИИ, причем обучаемый, и лазерная система с высоким уровнем экспозиции. Исследователи проверили новую технику, выставив изображения букв и цифр высотой 1 сантиметр, спрятанные за углом, с помощью установки изображения, расположенной примерно в 1 метре от стены. Используя длительность экспозиции в четверть секунды, такой подход реконструировал изображение с разрешением 300 микрон.
Новая система визуализации использует коммерчески доступный сенсор камеры и мощный, но стандартный лазерный источник, аналогичный тому, который имеется в лазерной указке. Лазерный луч отражается от видимой стены на скрытый объект, а затем возвращается на стену, создавая интерференционную картину, известную как спекл-рисунок, который кодирует форму скрытого объекта. Восстановление скрытого объекта из спекл-структуры требует решения сложной вычислительной задачи. Короткое время экспозиции необходимо для визуализации в реальном времени, но создает слишком много шума для работы существующих алгоритмов. Вот тут то и понадобился искусственный интеллект с глубоким обучением. По сравнению с другими подходами к визуализации без прямой видимости алгоритм глубокого обучения гораздо более устойчив к шуму и, следовательно, может работать с гораздо более коротким временем воздействия. Точно охарактеризовав «шум», (что и является основной задачей обучения ИИ) можно синтезировать модели для обучения алгоритма для решения проблемы реконструкции в реальном времени.
В настоящее время исследователи работают над тем, чтобы сделать систему практичной для большего числа применений, расширяя поле зрения, чтобы она могла реконструировать более крупные объекты.
