GPS nélkül az önvezető rendszerek könnyen eltévednek. A Caltech (California Institute of Technology) kutatói viszont olyan algoritmust fejlesztettek, amellyel a járművek felismerik az adott terepet, környezetet. Teljesen mindegy, hogy tél vagy nyár van, a technológiát az évszakok okozta változások sem zavarják. Az új algoritmus abszolút úttörőnek számít.

A terepfüggő vizuális navigációként (visual terrain-relative navigation, VTRN) ismert folyamatot az 1960-as években dolgozták ki. A közeli környezetet nagyfelbontású műholdas képekkel összehasonlító autonóm rendszerek meg tudják határozni, hogy hol tartózkodnak.

Problémát jelent, hogy az újgenerációs VTRN csak az adatbázisbeli képekhez nagyon hasonló terepeket ismer fel. A legkisebb változások, takarások, például a hó, a lehullott falevelek már megzavarják, és a képek nem kapcsolódnak a látottakhoz, összezavarodik a rendszer.

Csak akkor működik (majdnem) tökéletesen, ha az adatbázisban lévő képek minden évszakban és a legváltozatosabb körülmények között ábrázolják az adott terepet. Ehhez viszont elképesztő képmennyiségre lenne szükség.

A kutatók mélytanulással (deep learning), mesterséges intelligenciával oldották meg a problémát, távolították el a VTRN rendszereket megbolondító évszaki elemeket, például a havat.

Mindkét képnek – a műholdasnak és az autonóm járműének – ugyanazt kell ábrázolnia. A rendszerek nagyjából csak annyi különbséget képesek kezelni, amekkorát egy Instagram-szűrő okoz. A valóságban viszont sokkal drasztikusabbak a változások, lényegében megváltozik az elvileg ugyanazt megjelenítő két kép tartalma.

A kutatók az úgynevezett részben felügyelt tanulással (self-supervised learning) dolgoztak. Ellentétben a rendszereket nagyon aktív emberi közreműködéssel betanító mai gépilátás-módszerekkel, a Caltech algoritmusa saját magát tanítja. Az ember által valószínűleg észrevétlen apró részletekben keres mintázatokat.

A mostani VTRN technológia és az algoritmus kombinációja nagyságrendekkel pontosabb lokalizálást eredményez. Nyári és téli képeket összevetve az eddigi technika 50, az új 92 százalékos pontossággal dolgozik.