تحسين سلامة السيارات ذاتية القيادة بتقنية تدريب جديدة

من المهم جدا أن تتمكن السيارات ذاتية القيادة من تتبع الماشيين والأشياء والمركبات أو الدراجات الهوائية من أجل سلامة السيارة. ولتحقيق ذلك، تعتمد السيارات ذاتية القيادة على أنظمة تتبع. ويمكن أن تصبح هذه الأنظمة أكثر فعالية مع طريقة جديدة طوّرها باحثون في جامعة كارنيجي ميلون (CMU).

الطريقة الجديدة فتحت بابا لبيانات القيادة الذاتية比 السابقة، مثل بيانات الطرق والمرور التي تعتبر ضرورية لتدريب أنظمة التتبع. وكلما زاد حجم البيانات، زادت نجاحات السيارة ذاتية القيادة.

تم تقديم العمل في المؤتمر الافتراضي للرؤية الحاسوبية والتعرف على الأنماط (CVPR)المؤتمر بين 14 و19 يونيو.

هيمانجي ميتال هي باحثة مساعدة تعمل مع ديفيد هيلد، أستاذ مساعد في معهد الروبوتات في CMU.

“طريقةنا أكثر متانة من الطرق السابقة لأننا نستطيع التدريب على مجموعات بيانات أكبر بكثير،” сказала ميتال.

ليدار وحركة المشهد

تعتمد معظم السيارات ذاتية القيادة اليوم على الليدار كأنظمة ملاحة رئيسية. الليدار هو جهاز ليزر يرصد ما يحيط بالمركبة وينتج معلومات ثلاثية الأبعاد.

تأتي المعلومات الثلاثية الأبعاد في شكل سحابة من النقاط، وتستخدم المركبة تقنية تسمى حركة المشهد لمعالجة البيانات. تتضمن حركة المشهد حساب سرعة ومسار كل نقطة ثلاثية الأبعاد. لذلك، عندما توجد مركبات أو ماشيين أو أشياء متحركة، يتم تمثيلها بالنقاط المتحركة معا.

الطرق التقليدية لتدريب هذه الأنظمة تتطلب مجموعات بيانات تمت إضافتها، وهي بيانات حساسات تمت إضافتها لتعقب النقاط الثلاثية الأبعاد بمرور الوقت. نظرا لأن هذه المجموعات من البيانات تتطلب إضافة يدوية وتكلفة، فإن هناك القليل منها. للتغلب على هذا، يتم استخدام بيانات محاكاة في تدريب حركة المشهد، وعندما يتم إضافة كمية صغيرة من البيانات الحقيقية، يتحسن الأداء.

تم تطوير الطريقة الجديدة من قبل الباحثين المذكورين، إلى جانب طالب الدكتوراه بريان أوكورن، باستخدام بيانات غير مضافة في تدريب حركة المشهد. هذا النوع من البيانات أسهل في الجمع ولا يتطلب سوى وضع ليدار على سيارة أثناء القيادة.

كشف الأخطاء

من أجل جعل هذا يعمل، كان على الباحثين أن يجدوا طريقة لتحديد أخطاء النظام في حركة المشهد. يحاول النظام الجديد تقديم تنبؤات حول مكان وصول كل نقطة ثلاثية الأبعاد وكيفية تحركها، ثم يقيس المسافة بين الموقع المتوقع والموقع الفعلي للنقطة. هذا ما يشكل نوعا من الأخطاء التي يجب تقليلها.

بعد ذلك، يعمل النظام بشكل عكسي من الموقع المتوقع إلى خريطة موقع起 Beginning للنقطة. من خلال قياس المسافة بين الموقع المتوقع وموقع الأصل، يتم تشكيل نوع ثاني من الأخطاء من المسافة الناتجة.

بعد كشف هذه الأخطاء، يعمل النظام على تصحيحها.

“من الواضح أن لإزالة كل من هذه الأخطاء، يجب على النظام أن يتعلم القيام بالشيء الصحيح، دون أن يُقال له ما هو الشيء الصحيح،” قال هيلد.

أظهرت النتائج دقة حركة المشهد بنسبة 25٪ عند استخدام مجموعة بيانات تدريبية من البيانات الاصطناعية، وعندما تم تحسينها بكمية صغيرة من البيانات الحقيقية، زادت النسبة إلى 31٪. وزادت النسبة أكثر إلى 46٪ عند إضافة كمية كبيرة من البيانات غير المضافة لتدريب النظام.