ಭಾಗಶಃ ಕುಸಿದ ಗಣಿ ಶಾಫ್ಟ್ನಲ್ಲಿ ಸಿಲುಕಿರುವ ಕಾರ್ಮಿಕರನ್ನು ಹುಡುಕುವ ರೋಬೋಟ್ ತ್ವರಿತವಾಗಿ ದೃಶ್ಯದ ನಕ್ಷೆಯನ್ನು ರಚಿಸಬೇಕು ಮತ್ತು ವಿಶ್ವಾಸಘಾತುಕ ಭೂಪ್ರದೇಶವನ್ನು ನ್ಯಾವಿಗೇಟ್ ಮಾಡುವಾಗ ಆ ದೃಶ್ಯದಲ್ಲಿ ಅದರ ಸ್ಥಳವನ್ನು ಗುರುತಿಸಬೇಕು.
ಸಂಶೋಧಕರು ಇತ್ತೀಚೆಗೆ ರೋಬೋಟ್ನ ಆನ್ಬೋರ್ಡ್ ಕ್ಯಾಮೆರಾಗಳ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಈ ಸಂಕೀರ್ಣ ಕಾರ್ಯವನ್ನು ಸಾಧಿಸಲು ಶಕ್ತಿಯುತ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರಾರಂಭಿಸಿದ್ದಾರೆ, ಆದರೆ ಅತ್ಯುತ್ತಮ ಮಾದರಿಗಳು ಸಹ ಒಂದು ಸಮಯದಲ್ಲಿ ಕೆಲವು ಚಿತ್ರಗಳನ್ನು ಮಾತ್ರ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದು. ಪ್ರತಿ ಸೆಕೆಂಡ್ ಎಣಿಕೆಯಾಗುವ ನೈಜ-ಪ್ರಪಂಚದ ದುರಂತದಲ್ಲಿ, ಹುಡುಕಾಟ ಮತ್ತು ಪಾರುಗಾಣಿಕಾ ರೋಬೋಟ್ ತನ್ನ ಧ್ಯೇಯವನ್ನು ಸಾಧಿಸಲು ದೊಡ್ಡ ಪ್ರದೇಶಗಳನ್ನು ವೇಗವಾಗಿ ಚಲಿಸಬೇಕಾಗುತ್ತದೆ ಮತ್ತು ಸಾವಿರಾರು ಚಿತ್ರಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬೇಕಾಗುತ್ತದೆ.
ಈ ಸಮಸ್ಯೆಯನ್ನು ಹೋಗಲಾಡಿಸಲು, MIT ಸಂಶೋಧಕರು ಇತ್ತೀಚಿನ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ದೃಷ್ಟಿ ಮಾದರಿಗಳು ಮತ್ತು ಶಾಸ್ತ್ರೀಯ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಎರಡರಿಂದಲೂ ಆಲೋಚನೆಗಳನ್ನು ಪಡೆದುಕೊಂಡು ಹೊಸ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಅನಿಯಂತ್ರಿತ ಸಂಖ್ಯೆಯ ಚಿತ್ರಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದು. ಅವರ ವ್ಯವಸ್ಥೆಯು ಕಾರ್ಯನಿರತ ಕಚೇರಿ ಕಾರಿಡಾರ್ನಂತಹ ಸಂಕೀರ್ಣ ದೃಶ್ಯಗಳ 3D ನಕ್ಷೆಗಳನ್ನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ನಿಖರವಾಗಿ ರಚಿಸುತ್ತದೆ.
AI-ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಯು ದೃಶ್ಯದ ಸಣ್ಣ ಉಪನಕ್ಷೆಗಳನ್ನು ಕ್ರಮೇಣ ರಚಿಸುತ್ತದೆ ಮತ್ತು ಒಟ್ಟುಗೂಡಿಸುತ್ತದೆ, ಇದು ಸಂಪೂರ್ಣ 3D ನಕ್ಷೆಯನ್ನು ಮರುನಿರ್ಮಾಣ ಮಾಡಲು ಒಟ್ಟಿಗೆ ಹೊಲಿಯುತ್ತದೆ, ನೈಜ ಸಮಯದಲ್ಲಿ ರೋಬೋಟ್ನ ಸ್ಥಾನವನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತದೆ.
ಅನೇಕ ಇತರ ವಿಧಾನಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಅವರ ತಂತ್ರಕ್ಕೆ ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಿದ ಕ್ಯಾಮೆರಾಗಳು ಅಥವಾ ಸಂಕೀರ್ಣ ವ್ಯವಸ್ಥೆಯ ಅನುಷ್ಠಾನವನ್ನು ಟ್ಯೂನ್ ಮಾಡಲು ತಜ್ಞರ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ. 3D ಪುನರ್ನಿರ್ಮಾಣಗಳ ವೇಗ ಮತ್ತು ಗುಣಮಟ್ಟದೊಂದಿಗೆ ಅವರ ವಿಧಾನದ ಸರಳ ಸ್ವಭಾವವು ನೈಜ-ಪ್ರಪಂಚದ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ಸ್ಕೇಲಿಂಗ್ ಅನ್ನು ಸುಗಮಗೊಳಿಸುತ್ತದೆ.
ಹುಡುಕಾಟ ಮತ್ತು ಪಾರುಗಾಣಿಕಾ ರೋಬೋಟ್ಗಳು ನ್ಯಾವಿಗೇಟ್ ಮಾಡಲು ಸಹಾಯ ಮಾಡುವುದರ ಹೊರತಾಗಿ, VR ಹೆಡ್ಸೆಟ್ಗಳಂತಹ ಧರಿಸಬಹುದಾದ ವಸ್ತುಗಳಿಗೆ ವರ್ಧಿತ ರಿಯಾಲಿಟಿ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಮಾಡಲು ಅಥವಾ ಕೈಗಾರಿಕಾ ರೋಬೋಟ್ಗಳು ವೇರ್ಹೌಸ್ನೊಳಗೆ ಸರಕುಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಹುಡುಕಲು ಮತ್ತು ಸರಿಸಲು ಅನುಮತಿಸಲು ಈ ವಿಧಾನವನ್ನು ಬಳಸಬಹುದು.
“ರೋಬೋಟ್ಗಳು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು, ಅವುಗಳ ಸುತ್ತಲಿನ ಪ್ರಪಂಚದ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ನಕ್ಷೆಯ ಪ್ರಾತಿನಿಧ್ಯಗಳು ಬೇಕಾಗುತ್ತವೆ. ಆದರೆ ಅದೇ ಸಮಯದಲ್ಲಿ, ಈ ನಕ್ಷೆಗಳನ್ನು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಲು ನಾವು ಕಷ್ಟಪಡಲು ಬಯಸುವುದಿಲ್ಲ. ಕೆಲವು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ನಿಖರವಾದ 3D ಪುನರ್ನಿರ್ಮಾಣವನ್ನು ಮತ್ತೆ ಕೆಲಸ ಮಾಡುವ ಸಾಧನದೊಂದಿಗೆ ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಿದೆ ಎಂದು ನಾವು ತೋರಿಸಿದ್ದೇವೆ”, ಈ ವಿಧಾನದ ಪದವೀಧರ ವಿದ್ಯಾರ್ಥಿ ಡಾಮಿನಿಕ್ ಮ್ಯಾಗಿಯೊ ಹೇಳುತ್ತಾರೆ.
ಪೋಸ್ಟ್ಡಾಕ್ ಹ್ಯುಂಗ್ಟೇ ಲಿಮ್ ಮತ್ತು ಪ್ರಮುಖ ಲೇಖಕ ಲುಕಾ ಕಾರ್ಲೋನ್, MIT ಯ ಏರೋನಾಟಿಕ್ಸ್ ಮತ್ತು ಆಸ್ಟ್ರೋನಾಟಿಕ್ಸ್ ವಿಭಾಗದಲ್ಲಿ (ಏರೋಆಸ್ಟ್ರೋ), ಮಾಹಿತಿ ಮತ್ತು ನಿರ್ಧಾರ ವ್ಯವಸ್ಥೆಗಳ (LIDS) ಪ್ರಯೋಗಾಲಯದ ಪ್ರಧಾನ ತನಿಖಾಧಿಕಾರಿ ಮತ್ತು MIT SPARK ಪ್ರಯೋಗಾಲಯದ ನಿರ್ದೇಶಕರು ಕೆಲಸದಲ್ಲಿ ಮೈ ಸೇರಿಕೊಂಡಿದ್ದಾರೆ. ನರಗಳ ಮಾಹಿತಿ ಸಂಸ್ಕರಣಾ ವ್ಯವಸ್ಥೆಗಳ ಸಮ್ಮೇಳನದಲ್ಲಿ ಸಂಶೋಧನೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ.
ಪರಿಹಾರವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು
ವರ್ಷಗಳಿಂದ, ಸಂಶೋಧಕರು ಏಕಕಾಲಿಕ ಸ್ಥಳೀಕರಣ ಮತ್ತು ಮ್ಯಾಪಿಂಗ್ (SLAM) ಎಂಬ ರೋಬೋಟಿಕ್ ನ್ಯಾವಿಗೇಷನ್ನ ಅತ್ಯಗತ್ಯ ಅಂಶದೊಂದಿಗೆ ಹಿಡಿತ ಸಾಧಿಸಿದ್ದಾರೆ. SLAM ನಲ್ಲಿ, ರೋಬೋಟ್ ಬಾಹ್ಯಾಕಾಶದಲ್ಲಿ ತನ್ನನ್ನು ತಾನು ಓರಿಯಂಟ್ ಮಾಡುವಾಗ ತನ್ನ ಪರಿಸರದ ನಕ್ಷೆಯನ್ನು ಮರುಸೃಷ್ಟಿಸುತ್ತದೆ.
ಈ ಕಾರ್ಯಕ್ಕಾಗಿ ಸಾಂಪ್ರದಾಯಿಕ ಆಪ್ಟಿಮೈಸೇಶನ್ ವಿಧಾನಗಳು ಸವಾಲಿನ ದೃಶ್ಯಗಳಲ್ಲಿ ವಿಫಲವಾಗುತ್ತವೆ ಅಥವಾ ರೋಬೋಟ್ನ ಆನ್-ಬೋರ್ಡ್ ಕ್ಯಾಮೆರಾಗಳನ್ನು ಮುಂಚಿತವಾಗಿ ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಬೇಕಾಗುತ್ತದೆ. ಈ ಮೋಸಗಳನ್ನು ತಪ್ಪಿಸಲು, ಸಂಶೋಧಕರು ಈ ಕಾರ್ಯವನ್ನು ಡೇಟಾದಿಂದ ಕಲಿಯಲು ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡುತ್ತಾರೆ.
ಕಾರ್ಯಗತಗೊಳಿಸಲು ಸರಳವಾಗಿದ್ದರೂ ಸಹ, ಅತ್ಯುತ್ತಮ ವಿನ್ಯಾಸಗಳು ಸಹ ಒಂದು ಸಮಯದಲ್ಲಿ ಸುಮಾರು 60 ಕ್ಯಾಮೆರಾ ಚಿತ್ರಗಳನ್ನು ಮಾತ್ರ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದು, ಸಾವಿರಾರು ಚಿತ್ರಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವಾಗ ರೋಬೋಟ್ ವಿವಿಧ ಪರಿಸರದಲ್ಲಿ ವೇಗವಾಗಿ ಚಲಿಸಬೇಕಾದ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ಅವುಗಳನ್ನು ಅಪ್ರಾಯೋಗಿಕವಾಗಿಸುತ್ತದೆ.
ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, MIT ಸಂಶೋಧಕರು ಸಂಪೂರ್ಣ ನಕ್ಷೆಯ ಬದಲಿಗೆ ದೃಶ್ಯದ ಸಣ್ಣ ಉಪನಕ್ಷೆಗಳನ್ನು ರಚಿಸುವ ವ್ಯವಸ್ಥೆಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದರು. ಅವರ ವಿಧಾನವು ಈ ಉಪನಕ್ಷೆಗಳನ್ನು ಒಟ್ಟಾರೆ 3D ಪುನರ್ನಿರ್ಮಾಣಕ್ಕೆ “ಅಂಟಿಸುತ್ತದೆ”. ಮಾದರಿಯು ಇನ್ನೂ ಒಂದು ಸಮಯದಲ್ಲಿ ಕೆಲವು ಚಿತ್ರಗಳನ್ನು ಮಾತ್ರ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ, ಆದರೆ ಸಿಸ್ಟಮ್ ಸಣ್ಣ ಉಪನಕ್ಷೆಗಳನ್ನು ವಿಲೀನಗೊಳಿಸುವ ಮೂಲಕ ದೊಡ್ಡ ದೃಶ್ಯಗಳನ್ನು ಹೆಚ್ಚು ವೇಗವಾಗಿ ಮರುಸೃಷ್ಟಿಸಬಹುದು.
“ಇದು ತುಂಬಾ ಸರಳವಾದ ಪರಿಹಾರವೆಂದು ತೋರುತ್ತಿದೆ, ಆದರೆ ನಾನು ಅದನ್ನು ಮೊದಲು ಪ್ರಯತ್ನಿಸಿದಾಗ, ಅದು ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡಲಿಲ್ಲ ಎಂದು ನನಗೆ ಆಶ್ಚರ್ಯವಾಯಿತು” ಎಂದು ಮ್ಯಾಗಿಯೋ ಹೇಳುತ್ತಾರೆ.
ವಿವರಣೆಯನ್ನು ಹುಡುಕುತ್ತಾ, ಅವರು 1980 ಮತ್ತು 1990 ರ ದಶಕದಿಂದ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಸಂಶೋಧನೆಯಲ್ಲಿ ಅಗೆದು ಹಾಕಿದರು. ಈ ವಿಶ್ಲೇಷಣೆಯ ಮೂಲಕ, ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಚಿತ್ರಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ವಿಧಾನದಲ್ಲಿನ ದೋಷಗಳು ಸಬ್ಮ್ಯಾಪ್ ಜೋಡಣೆಯನ್ನು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಸಮಸ್ಯೆಯನ್ನಾಗಿ ಮಾಡಿದೆ ಎಂದು ಮ್ಯಾಗಿಯೊ ಅರಿತುಕೊಂಡರು.
ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಉಪನಕ್ಷೆಗಳನ್ನು ಜೋಡಿಸುವವರೆಗೆ ತಿರುಗುವಿಕೆಗಳು ಮತ್ತು ಅನುವಾದಗಳನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ಜೋಡಿಸುತ್ತವೆ. ಆದರೆ ಈ ಹೊಸ ಮಾದರಿಗಳು ಉಪನಕ್ಷೆಗಳಲ್ಲಿ ಕೆಲವು ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಪರಿಚಯಿಸಬಹುದು, ಅವುಗಳನ್ನು ಜೋಡಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಕೋಣೆಯ ಒಂದು ಬದಿಯ 3D ಉಪನಕ್ಷೆಯು ಸ್ವಲ್ಪ ಬಾಗಿದ ಅಥವಾ ವಿಸ್ತರಿಸಿದ ಗೋಡೆಗಳನ್ನು ಹೊಂದಿರಬಹುದು. ಈ ವಾರ್ಪ್ಡ್ ಸಬ್ಮ್ಯಾಪ್ಗಳನ್ನು ಜೋಡಿಸಲು ಸರಳವಾಗಿ ತಿರುಗಿಸುವುದು ಮತ್ತು ಅನುವಾದಿಸುವುದು ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ.
“ಎಲ್ಲಾ ಉಪನಕ್ಷೆಗಳು ಸ್ಥಿರವಾದ ರೀತಿಯಲ್ಲಿ ವಿರೂಪಗೊಂಡಿವೆ ಎಂದು ನಾವು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು ಇದರಿಂದ ನಾವು ಅವುಗಳನ್ನು ಪರಸ್ಪರ ಚೆನ್ನಾಗಿ ಜೋಡಿಸಬಹುದು” ಎಂದು ಕಾರ್ಲೋನ್ ವಿವರಿಸುತ್ತಾರೆ.
ಹೆಚ್ಚು ಹೊಂದಿಕೊಳ್ಳುವ ವಿಧಾನ
ಶಾಸ್ತ್ರೀಯ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿಯಿಂದ ಕಲ್ಪನೆಗಳನ್ನು ಎರವಲು ಪಡೆದುಕೊಂಡು, ಸಂಶೋಧಕರು ಹೆಚ್ಚು ಹೊಂದಿಕೊಳ್ಳುವ, ಗಣಿತದ ತಂತ್ರವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದರು, ಅದು ಈ ಉಪನಕ್ಷೆಗಳಲ್ಲಿನ ಎಲ್ಲಾ ವಿರೂಪಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಪ್ರತಿ ಉಪನಕ್ಷೆಗೆ ಗಣಿತದ ರೂಪಾಂತರಗಳನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ, ಈ ಹೆಚ್ಚು ಹೊಂದಿಕೊಳ್ಳುವ ವಿಧಾನವು ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಪರಿಹರಿಸುವ ರೀತಿಯಲ್ಲಿ ಅವುಗಳನ್ನು ಜೋಡಿಸಬಹುದು.
ಇನ್ಪುಟ್ ಚಿತ್ರಗಳ ಆಧಾರದ ಮೇಲೆ, ಸಿಸ್ಟಮ್ ದೃಶ್ಯದ 3D ಪುನರ್ನಿರ್ಮಾಣವನ್ನು ಮತ್ತು ಕ್ಯಾಮೆರಾ ಸ್ಥಳಗಳ ಅಂದಾಜುಗಳನ್ನು ಔಟ್ಪುಟ್ ಮಾಡುತ್ತದೆ, ರೋಬೋಟ್ ಬಾಹ್ಯಾಕಾಶದಲ್ಲಿ ತನ್ನನ್ನು ತಾನು ಪತ್ತೆಹಚ್ಚಲು ಬಳಸುತ್ತದೆ.
“ಒಮ್ಮೆ ಡೊಮಿನಿಕ್ ಈ ಎರಡು ಪ್ರಪಂಚಗಳನ್ನು ಸೇತುವೆ ಮಾಡುವ ಅಂತಃಪ್ರಜ್ಞೆಯನ್ನು ಹೊಂದಿದ್ದರು-ಕಲಿಕೆ-ಆಧಾರಿತ ವಿಧಾನಗಳು ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಆಪ್ಟಿಮೈಸೇಶನ್ ವಿಧಾನಗಳು-ಅನುಷ್ಠಾನವು ಬಹಳ ಸರಳವಾಗಿತ್ತು” ಎಂದು ಕಾರ್ಲೋನ್ ಹೇಳುತ್ತಾರೆ. “ಎಷ್ಟು ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ಸರಳವಾದ ಡ್ರೆಸ್ಸಿಂಗ್ ಬಹಳಷ್ಟು ಅನ್ವಯಗಳಿಗೆ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ.
ವಿಶೇಷ ಕ್ಯಾಮೆರಾಗಳು ಅಥವಾ ಹೆಚ್ಚುವರಿ ಡೇಟಾ ಸಂಸ್ಕರಣಾ ಸಾಧನಗಳ ಅಗತ್ಯವಿಲ್ಲದೆ ಅವರ ವ್ಯವಸ್ಥೆಯು ಇತರ ವಿಧಾನಗಳಿಗಿಂತ ಕಡಿಮೆ ಪುನರ್ನಿರ್ಮಾಣ ದೋಷಗಳೊಂದಿಗೆ ವೇಗವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಮೊಬೈಲ್ ಫೋನ್ನಲ್ಲಿ ಸೆರೆಹಿಡಿಯಲಾದ ಚಿಕ್ಕ ವೀಡಿಯೊಗಳನ್ನು ಮಾತ್ರ ಬಳಸಿಕೊಂಡು MIT ಚಾಪೆಲ್ನ ಒಳಭಾಗದಂತಹ ಸಂಕೀರ್ಣ ದೃಶ್ಯಗಳ ನೈಜ-ಸಮಯದ 3D ಪುನರ್ನಿರ್ಮಾಣಗಳನ್ನು ಸಂಶೋಧಕರು ರಚಿಸಿದ್ದಾರೆ.
ಈ 3D ಪುನರ್ನಿರ್ಮಾಣಗಳಲ್ಲಿನ ಸರಾಸರಿ ದೋಷವು 5 ಸೆಂಟಿಮೀಟರ್ಗಳಿಗಿಂತ ಕಡಿಮೆಯಾಗಿದೆ.
ಭವಿಷ್ಯದಲ್ಲಿ, ಸಂಶೋಧಕರು ತಮ್ಮ ವಿಧಾನವನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ಸಂಕೀರ್ಣವಾದ ದೃಶ್ಯಗಳಿಗೆ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿಸಲು ಬಯಸುತ್ತಾರೆ ಮತ್ತು ಸವಾಲಿನ ಸೆಟ್ಟಿಂಗ್ಗಳಲ್ಲಿ ನೈಜ ರೋಬೋಟ್ಗಳಲ್ಲಿ ಅದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಕೆಲಸ ಮಾಡುತ್ತಾರೆ.
“ಸಾಂಪ್ರದಾಯಿಕ ರೇಖಾಗಣಿತವನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು ಫಲ ನೀಡುತ್ತದೆ. ನೀವು ಮಾದರಿಯಲ್ಲಿ ಏನು ನಡೆಯುತ್ತಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಆಳವಾದ ತಿಳುವಳಿಕೆಯನ್ನು ಹೊಂದಿದ್ದರೆ, ನೀವು ಹೆಚ್ಚು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಬಹುದು ಮತ್ತು ವಿಷಯಗಳನ್ನು ಹೆಚ್ಚು ಸ್ಕೇಲೆಬಲ್ ಮಾಡಬಹುದು” ಎಂದು ಕಾರ್ಲೋನ್ ಹೇಳುತ್ತಾರೆ.
ಈ ಕೆಲಸವನ್ನು US ನ್ಯಾಷನಲ್ ಸೈನ್ಸ್ ಫೌಂಡೇಶನ್, US ಆಫೀಸ್ ಆಫ್ ನೇವಲ್ ರಿಸರ್ಚ್ ಮತ್ತು ಕೊರಿಯಾ ನ್ಯಾಷನಲ್ ರಿಸರ್ಚ್ ಫೌಂಡೇಶನ್ ಭಾಗಶಃ ಬೆಂಬಲಿಸುತ್ತದೆ. ಕಾರ್ಲೋನ್, ಪ್ರಸ್ತುತ ಅಮೆಜಾನ್ ಫೆಲೋ ಆಗಿ ವಿಶ್ರಾಂತಿಯಲ್ಲಿದ್ದಾರೆ, ಅಮೆಜಾನ್ಗೆ ಸೇರುವ ಮೊದಲು ಈ ಕೆಲಸವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದರು.
