طريقة جديدة تساعد السيارات ذاتية القيادة في خلق “ذكريات”

قام فريق من الباحثين في جامعة كورنيل بتطوير طريقة جديدة تمكن السيارات ذاتية القيادة من خلق “ذكريات” لتجارب سابقة، والتي يمكن استخدامها في الملاحة في المستقبل. وسيكون هذا مفيدًا بشكل خاص عندما لا تستطيع هذه السيارات ذاتية القيادة الاعتماد على الحواس في بيئات الطقس السيئة.

التعلم من الماضي

السيارات ذاتية القيادة الحالية التي تستخدم الشبكات العصبية الاصطناعية لا تملك ذاكرة للماضي، مما يعني أنها ترى الأشياء دائمًا لأول مرة. وهذا صحيح بغض النظر عن عدد المرات التي سافرت بها الطريق نفسه.

كيليان واينبرغر هو المؤلف الرئيسي للبحث وأستاذ علوم الحاسوب.

“السؤال الأساسي هو، هل يمكننا التعلم من الممرات المتكررة؟” قال واينبرغر. “على سبيل المثال، قد يخطئ سيارة في تحديد شجرة ذات شكل غريب كمتعمد في البداية عندما يكتشفها مسح الليزر من مسافة بعيدة، ولكن بمجرد أن تصبح قريبة بما فيه الكفاية، تصبح فئة الكائن واضحة. لذلك، المرة الثانية التي تقود فيها السيارة نفس الطريق، حتى في الضباب أو الثلج، تتمنى أن تكون السيارة قد تعلمت بالفعل التعرف عليه بشكل صحيح.”

بقيادة الطالب الدكتور كارلوس دياز-رويز، أنشأ الفريق قاعدة بيانات عن طريق قيادة سيارة مجهزة بمستشعرات ليدار. تم تشغيلها حول حلقة بطول 15 كيلومترًا ما مجموعه 40 مرة خلال فترة 18 شهرًا. سجلت رحلات الاختبار المختلفة بيئات وconditions جوية وأوقات يومية مختلفة. كل هذا خلق قاعدة بيانات تحتوي على أكثر من 600,000 مشهد.

“هو يتعمد كشف أحد التحديات الرئيسية في السيارات ذاتية القيادة: ظروف الطقس السيئة”، قال دياز-رويز. “إذا كانت الشارع مغطى بالثلج، يمكن للبشر الاعتماد على الذاكرة، ولكن بدون ذاكرة، فإن الشبكة العصبية تكون معزولة بشكل كبير.”

الهindsight و MODEST

تستخدم إحدى المناهج، التي تسمى HINDSIGHT، الشبكات العصبية لحساب وصفات الكائنات أثناء مرور السيارة. يتم ضغط هذه الوصفات، التي تسمى SQuaSH، وتخزينها على خريطة افتراضية، مما يخلق نوعًا من “الذاكرة” مشابهة لطريقة تخزيننا لذكرياتنا في الدماغ.

عندما تسافر السيارة ذاتية القيادة نفس الموقع في المستقبل، تقوم بالاستعلام قاعدة بيانات SQuaSH المحلية لكل نقطة ليدار على الطريق، “تذكر” ما تعلمته. يتم تحديث قاعدة البيانات بشكل مستمر وتشاركها عبر المركبات، مما يساعد على تحسين التعرف عن طريق توفير المزيد من المعلومات.

يورونغ يو هو طالب دكتوراه.

“يمكن إضافة هذه المعلومات كسمات إلى أي كاشف كائنات ثلاثي الأبعاد قائم على ليدار”، قال يو. “يمكن تدريب الكاشف وتمثيل SQuaSH بشكل مشترك دون أي إشراف إضافي أو تعليم إنساني، وهو ما يتطلب وقتًا وجهدًا.”

سيساعد HINDSIGHT الفريق في الأبحاث الإضافية التي يقومون بها، والتي تسمى MODEST (كاشف كائنات محمول مع التأثير الذاتي والتدريب الذاتي). سيعزز MODEST من هذه العملية ويمكن السيارة من تعلم خط أنابيب الإدراك بالكامل.

ي假设 HINDSIGHT أن الشبكة العصبية الاصطناعية مدربة بالفعل على كشف الكائنات ويتوفر لديها القدرة على خلق ذكريات، بينما يفترض MODEST أن الشبكة العصبية لم تتعرض أبدًا لأي كائنات أو شوارع. بعد ممرات متكررة لنفس الطريق، يتعلم أجزاء البيئة الثابتة أو المتحركة. يسمح هذا العملية للنظام بتعليم نفسه ما يجب أن يركز عليه كparticipant مرور آخر.

أثبت الخوارزمية قدرة على كشف الكائنات بشكل موثوق حتى على الطرق التي لم تتكون جزءًا من الممرات الأولية.

يعتقد الفريق أن هذه المناهج الجديدة يمكن أن تقلل من تكلفة تطوير المركبات ذاتية القيادة، بالإضافة إلى جعلها أكثر كفاءة.