A technológia segít az önvezető autóknak tanulni saját emlékeikből

Az autonóm jármű képes navigálni a város utcáin és más kevésbé forgalmas környezetekben azáltal, hogy mesterséges intelligencia segítségével felismeri a gyalogosokat, más járműveket és a lehetséges akadályokat. Ezt mesterséges neurális hálózatok segítségével érik el, amelyek arra vannak kiképezve, hogy az emberi vizuális érzékelési rendszert utánozva „lássák” az autó környezetét.

Ám az emberekkel ellentétben a mesterséges neurális hálózatokat használó autók nem emlékeznek a múltra, és folyamatosan olyan állapotban vannak, mintha először látnák a világot – függetlenül attól, hogy hányszor mentek már korábban egy adott úton. Ez különösen problémás kedvezőtlen időjárási körülmények között, amikor az autó nem tud biztonságosan támaszkodni az érzékelőire.

A Cornell Ann S. Bowers College of Computing and Information Science és a College of Engineering kutatói három párhuzamos kutatási tanulmányt készítettek azzal a céllal, hogy leküzdjék ezt a korlátot azáltal, hogy az autót képessé tegyék „emlékeket” létrehozni a korábbi tapasztalatokról és felhasználni azokat. a jövőbeni navigáció során.

„Az alapvető kérdés az, hogy tanulhatunk-e az ismételt bejárásokból?” – mondta Kilian Weinberger vezető szerző, a Cornell Bowers FÁK számítástechnika professzora. „Például egy autó összetéveszthet egy fura alakú fát egy gyalogossal első alkalommal, amikor a lézerszkenner távolról érzékeli, de ha elég közel van, akkor világossá válik a tárgykategória. Így a második alkalommal, amikor észleli ugyanazt a fát, még ködben vagy hóban is remélhető, hogy az autó megtanulta helyesen felismerni.”

„A valóságban ritkán vezet az ember egy útvonalon a legelső alkalommal” – mondta Katie Luo társszerző, a kutatócsoport doktorandusza. „Vagy te magad vezetve vagy utasként már autóztál arra a közelmúltban, így természetesnek tűnik, hogy összegyűjtöd és hasznosítod ezt a tapasztalatot.”

Carlos Diaz-Ruiz doktorandusz vezetésével a csoport egy LiDAR érzékelőkkel felszerelt autó vezetésével adatkészletet állított össze egy 15 kilométeres körön Ithacában és környékén, 18 hónapon keresztül 40 alkalommal. A bejárások különböző környezeteket (autópálya, városi, egyetemi terület), időjárási viszonyokat (napos, esős, havas) és napszakokat rögzítenek.

Ez az eredményül kapott adatkészlet – amelyet a csoport Ithaca365-ként emleget, és amely a másik két tanulmány egyikének tárgya – több mint 600 000 jelenetet tartalmaz.

„Szándékosan feltárja az önvezető autók egyik legfontosabb kihívását: a rossz időjárási viszonyokat” – mondta Diaz-Ruiz, az Ithaca365 tanulmány társszerzője. „Ha az utcát hó borítja, az emberek támaszkodhatnak az emlékekre, de emlékek nélkül egy neurális hálózat súlyosan hátrányos helyzetbe kerül.”

A HINDSIGHT egy olyan megközelítés, amely neurális hálózatokat használ az objektumok jellemzőinek kiszámítására, amikor az autó elhalad mellettük. Ezután tömöríti ezeket a leírásokat, amelyeket a csoport SQuaSH-nak (Spatial-Quantized Sparse History) nevezett el, és egy virtuális térképen tárolja, hasonlóan az emberi agyban tárolt „ memóriához”.

A következő alkalommal, amikor az önvezető autó áthalad ugyanazon a helyen, le tudja kérdezni a helyi SQuaSH adatbázist az útvonal minden LiDAR pontjáról, és „emlékezni” tud, mit tanult legutóbb. Az adatbázist folyamatosan frissítik és megosztják a járművek között, így gazdagítva a felismeréshez rendelkezésre álló információkat.

„Ez az információ bármely LiDAR-alapú 3D objektumdetektorhoz hozzáadható szolgáltatásként. Mind a detektor, mind az SQuaSH reprezentáció közösen betanítható minden további felügyelet vagy emberi megjegyzés nélkül, ami idő- és munkaigényes lenne.”

Míg a HINDSIGHT továbbra is azt feltételezi, hogy a mesterséges neurális hálózat már ki van képezve tárgyak észlelésére, és emlékek létrehozásának képességével van bővítve, addig a MODEST (Mobile Object Detection with Ephemerality and Self-Training) – a harmadik kiadvány tárgya – még tovább megy.

Itt a szerzők hagyták, hogy az autó a semmiből megtanulja a teljes érzékelési csatornát. Kezdetben a jármű mesterséges neurális hálózata soha nem tapasztalt semmilyen tárgyat vagy utcát. Ugyanazon útvonalon többszöri bejáráson keresztül megtanulhatja, hogy a környezet mely részei állnak helyben, és melyek mozgó objektumok. Lassan megtanítja magát, hogy kik a közlekedés többi résztvevői, és mi az, amit biztonságos figyelmen kívül hagyni.

Az algoritmus ezután megbízhatóan képes észlelni ezeket az objektumokat – még olyan utakon is, amelyek nem voltak részei a kezdeti ismételt bejárásoknak.

A kutatók azt remélik, hogy mindkét megközelítés drasztikusan csökkentheti az autonóm járművek fejlesztési költségeit (amelyek jelenleg még mindig nagymértékben támaszkodnak költséges, emberi adatokra), és hatékonyabbá tehetik az ilyen járműveket azáltal, hogy megtanulnak navigálni azokon a helyeken, ahol a legtöbbet használják őket.

Forrás: Tech Xplore

https://techxplore.com/news/2022-06-technology-self-driving-cars-memories.html

Lépjen kapcsolatba velünk

Budapest, Than Károly u. 3, 1119
(1) 371 5936