تم تحسين سلامة السيارات ذاتية القيادة بأسلوب تدريب جديد

من أهم مهام السيارة ذاتية القيادة عندما يتعلق الأمر بالسلامة تتبع المشاة والأشياء والمركبات أو الدراجات الأخرى. للقيام بذلك ، تعتمد السيارات ذاتية القيادة على أنظمة التتبع. يمكن أن تصبح هذه الأنظمة أكثر فاعلية باستخدام طريقة جديدة طورها باحثون في جامعة كارنيجي ميلون (CMU). 

لقد فتحت الطريقة الجديدة الكثير من بيانات القيادة الذاتية مقارنة بما كانت عليه من قبل ، مثل بيانات الطرق والمرور التي تعتبر ضرورية لتدريب أنظمة التتبع. كلما زادت البيانات ، زادت نجاح السيارة ذاتية القيادة. 

تم تقديم العمل في الظاهري الرؤية الحاسوبية والتعرف على الأنماط (CVPR) مؤتمر بين 14-19 يونيو. 

هيمانجي ميتال هو باحث متدرب يعمل جنبًا إلى جنب مع ديفيد هيلد ، الأستاذ المساعد في معهد الروبوتات بجامعة كارنيجي ميلون. 

قال ميتال: "طريقتنا أقوى بكثير من الأساليب السابقة لأنه يمكننا التدرب على مجموعات بيانات أكبر بكثير". 

تدفق الليدار والمشهد

تعتمد معظم المركبات ذاتية القيادة اليوم على الليدار كنظام رئيسي للملاحة. Lidar هو جهاز ليزر ينظر إلى ما يحيط بالمركبة ويولد معلومات ثلاثية الأبعاد منها.

تأتي المعلومات ثلاثية الأبعاد في شكل سحابة من النقاط ، وتستخدم السيارة تقنية تسمى تدفق المشهد من أجل معالجة البيانات. يتضمن تدفق المشهد سرعة ومسار كل نقطة ثلاثية الأبعاد يتم حسابها. لذلك ، عندما تكون هناك مركبات أخرى أو مشاة أو أشياء متحركة ، يتم تصويرهم للنظام كمجموعة من النقاط تتحرك معًا. 

عادةً ما تتطلب الطرق التقليدية لتدريب هذه الأنظمة مجموعات بيانات مسماة ، وهي بيانات مستشعر تم شرحها لتتبع النقاط ثلاثية الأبعاد بمرور الوقت. نظرًا لأن مجموعات البيانات هذه مطلوبة ليتم تصنيفها يدويًا وباهظة الثمن ، يوجد قدر ضئيل للغاية. للتغلب على هذا ، يتم استخدام البيانات المحاكاة في تدريب تدفق المشهد ، وعلى الرغم من أنها أقل فعالية من الطريقة الأخرى ، يتم استخدام كمية صغيرة من بيانات العالم الحقيقي لتحسينها. 

الباحثون المذكورون مع دكتوراه. طور الطالب بريان أوكورن الطريقة الجديدة باستخدام البيانات غير المسماة في تدريب تدفق المشهد. يسهل جمع هذا النوع من البيانات ولا يتطلب سوى وضع ليدار أعلى السيارة أثناء قيادتها. 

كشف الأخطاء

لكي يعمل هذا ، كان على الباحثين إيجاد طريقة للنظام لاكتشاف الأخطاء الخاصة به في تدفق المشهد. يحاول النظام الجديد إجراء تنبؤات حول المكان الذي ستنتهي فيه كل نقطة ثلاثية الأبعاد ومدى سرعة انتقالها ، ثم يقيس المسافة بين الموقع المتوقع والموقع الفعلي للنقطة. هذا هو ما يشكل نوعًا واحدًا من الخطأ يجب التقليل منه.

بعد هذه العملية ، ينعكس النظام ويعمل للخلف من موقع النقطة المتوقعة لتعيين مكان نشأة النقطة. من خلال قياس المسافة بين الموقع المتوقع ونقطة الأصل ، يتكون النوع الثاني من الخطأ من المسافة الناتجة.

بعد اكتشاف هذه الأخطاء ، يعمل النظام على تصحيحها.

قال هيلد: "اتضح أنه من أجل القضاء على هذين الخطأين ، يحتاج النظام فعليًا إلى تعلم القيام بالشيء الصحيح ، دون أن يتم إخباره مطلقًا بالشيء الصحيح".

أظهرت النتائج دقة تدفق المشهد بنسبة 25% عند استخدام مجموعة تدريب من البيانات الاصطناعية، وعندما تم تحسينها بكمية صغيرة من بيانات العالم الحقيقي، ارتفع هذا العدد إلى 31%. وتحسن الرقم أكثر ليصل إلى 46% عندما تمت إضافة كمية كبيرة من البيانات غير المسماة لتدريب النظام.