طريقة جديدة تساعد السيارات ذاتية القيادة على خلق "الذكريات"

طور فريق من الباحثين في جامعة كورنيل طريقة جديدة تمكن المركبات ذاتية القيادة من تكوين "ذكريات" عن التجارب السابقة ، والتي يمكن استخدامها بعد ذلك في التنقل في المستقبل. سيكون هذا مفيدًا بشكل خاص عندما لا تستطيع هذه السيارات ذاتية القيادة الاعتماد على أجهزة الاستشعار في بيئات الطقس السيئ.

التعلم من الماضي

السيارات ذاتية القيادة الحالية التي تستخدم الشبكات العصبية الاصطناعية ليس لديها ذاكرة للماضي، مما يعني أنها "ترى" الأشياء باستمرار للمرة الأولى. وهذا صحيح بغض النظر عن عدد المرات التي قادوا فيها نفس الطريق بالضبط.

Killian Weinberger هو مؤلف أول للبحث وأستاذ علوم الكمبيوتر.

"السؤال الأساسي هو ، هل يمكننا التعلم من الاجتياز المتكرر؟" قال وينبرغر. "على سبيل المثال ، قد تخطئ السيارة في رسم شجرة غريبة الشكل لأحد المشاة في المرة الأولى التي يدركها الماسح الضوئي الليزري من مسافة بعيدة ، ولكن بمجرد اقترابها بدرجة كافية ، ستصبح فئة الكائن واضحة. لذا ، في المرة الثانية التي تقود فيها السيارة متجاوزة نفس الشجرة ، حتى في الضباب أو الثلج ، نأمل أن تكون السيارة قد تعلمت الآن التعرف عليها بشكل صحيح ".

بقيادة طالب الدكتوراه كارلوس دياز رويز ، أنشأت المجموعة مجموعة بيانات من خلال قيادة سيارة مزودة بأجهزة استشعار LiDAR. كان يقودها حوالي 15 كيلومترًا في حلقة 40 مرة على مدار 18 شهرًا. التقطت الاختبارات المختلفة للقيادة بيئات مختلفة وظروف الطقس وأوقات اليوم. أدى كل هذا إلى إنشاء مجموعة بيانات تضم أكثر من 600,000 مشهد.

قال دياز رويز: "إنه يكشف عن عمد أحد التحديات الرئيسية في السيارات ذاتية القيادة: الظروف الجوية السيئة". "إذا كان الشارع مغطى بالثلج ، يمكن للبشر الاعتماد على الذكريات ، ولكن بدون الذكريات ، تكون الشبكة العصبية محرومة بشدة."

متأخرا ومتواضعة

تستخدم إحدى الطرق ، المسماة HINDSIGHT ، الشبكات العصبية لحساب واصفات الكائنات أثناء مرور السيارة عليها. يتم بعد ذلك ضغط هذه الأوصاف ، المسماة SQuaSH ، وتخزينها على خريطة افتراضية ، مما يخلق نوعًا من "الذاكرة" على غرار الطريقة التي نخزن بها ذكرياتنا في الدماغ.

عندما تعبر السيارة ذاتية القيادة نفس الموقع في المستقبل ، فإنها تستعلم عن قاعدة بيانات SQuaSH المحلية لكل نقطة LiDAR على طول الطريق ، "تتذكر" ما تعلمته. تتم مشاركة قاعدة البيانات المحدثة باستمرار عبر المركبات ، مما يساعد على تحسين التعرف من خلال توفير المزيد من المعلومات.

يورونغ أنت طالب دكتوراه.

"يمكن إضافة هذه المعلومات كميزات إلى أي كاشف كائن ثلاثي الأبعاد قائم على LiDAR" ، هذا ما قالته أنت. "يمكن تدريب كل من الكاشف وتمثيل SQuaSH بشكل مشترك دون أي إشراف إضافي ، أو تعليق توضيحي بشري ، وهو يتطلب وقتًا وعمالة مكثفة.

سوف يساعد HINDSIGHT الفريق في البحث الإضافي الذي يجرونه ، والذي يسمى MODEST (اكتشاف الأجسام المتحركة مع سرعة الزوال والتدريب الذاتي). سوف يعمل MODEST على تقدم هذه العملية وتمكين السيارة من معرفة خط أنابيب الإدراك بالكامل.

يفترض HINDSIGHT أن الشبكة العصبية الاصطناعية مدربة بالفعل على اكتشاف الأشياء والتعزيزات مع القدرة على إنشاء الذكريات ، بينما يفترض MODEST أن الشبكة العصبية الاصطناعية لم تتعرض أبدًا لأي كائنات أو شوارع. بعد عمليات الاجتياز المتعددة لنفس المسار ، فإنه يتعرف على أجزاء البيئة التي تكون ثابتة أو متحركة. تمكن هذه العملية النظام من تعليم نفسه ما يجب أن ينتبه إليه كمشاركين آخرين في حركة المرور.

أظهرت الخوارزمية القدرة على اكتشاف الأجسام بشكل موثوق حتى على الطرق التي لا تشكل عمليات العبور الأولية.

يعتقد الفريق أن هذه الأساليب الجديدة يمكن أن تقلل من تكلفة تطوير المركبات ذاتية القيادة ، فضلاً عن جعلها أكثر كفاءة.