Безопасността на самоуправляващите се автомобили е подобрена с нов метод на обучение

Една от най-важните задачи за самоуправляващата се кола, що се отнася до безопасността, е проследяването на пешеходци, предмети и други превозни средства или велосипеди. За да направят това, самоуправляващите се автомобили разчитат на системи за проследяване. Тези системи могат да станат още по-ефективни с нов метод, разработен от изследователи от университета Карнеги Мелън (CMU). 

Новият метод отключи много повече данни за автономно шофиране в сравнение с преди, като данни за пътя и трафика, които са от решаващо значение за системите за проследяване на обучението. Колкото повече данни има, толкова по-успешна може да бъде самоуправляващата се кола. 

Работата беше представена на виртуал Компютърно зрение и разпознаване на образи (CVPR) конференция между 14-19 юни. 

Химанги Митал е стажант изследовател, който работи заедно с Дейвид Хелд, асистент в Института по роботика на CMU. 

„Нашият метод е много по-стабилен от предишните методи, защото можем да тренираме върху много по-големи набори от данни“, каза Митал. 

Lidar и Scene Flow

Повечето от съвременните автономни превозни средства разчитат на лидар като основна система за навигация. Lidar е лазерно устройство, което разглежда какво заобикаля превозното средство и генерира 3D информация от него.

3D информацията идва под формата на облак от точки и превозното средство използва техника, наречена сценичен поток, за да обработи данните. Потокът на сцена включва скоростта и траекторията на всяка 3D точка, която се изчислява. Така че, винаги когато има други превозни средства, пешеходци или движещи се обекти, те се изобразяват на системата като група от точки, които се движат заедно. 

Традиционните методи за обучение на тези системи обикновено изискват етикетирани набори от данни, които са данни от сензори, които са анотирани за проследяване на 3D точките във времето. Тъй като тези набори от данни трябва да бъдат ръчно етикетирани и са скъпи, съществува много минимално количество. За да се преодолее това, симулираните данни се използват в обучението на потока на сцената и въпреки че е по-малко ефективно от другия начин, малко количество данни от реалния свят се използва за подобряването му. 

Посочените изследователи, заедно с д-р. студент Брайън Окорн, разработи новия метод, като използва немаркирани данни в обучението по потока на сцената. Този тип данни са много по-лесни за събиране и изискват само лидар да бъде поставен върху автомобила, докато се движи. 

Откриване на грешки

За да работи това, изследователите трябваше да намерят начин системата да открие собствените си грешки в потока на сцената. Новата система се опитва да направи прогнози за това къде ще завърши всяка 3D точка и колко бързо се движи, след което измерва разстоянието между предвиденото местоположение и действителното местоположение на точката. Това е, което формира един вид грешка, която трябва да бъде минимизирана.

След този процес системата се обръща и работи назад от предвиденото местоположение на точката, за да картографира мястото, където е възникнала точката. Чрез измерване на разстоянието между прогнозираната позиция и началната точка, вторият тип грешка се формира от полученото разстояние.

След като открие тези грешки, системата работи, за да ги коригира.

„Оказва се, че за да елиминира и двете грешки, системата всъщност трябва да се научи да прави правилното нещо, без изобщо да ѝ бъде казано кое е правилното нещо“, каза Хелд.

Резултатите показаха точност на потока на сцената от 25% при използване на тренировъчен набор от синтетични данни, а когато беше подобрен с малко количество данни от реалния свят, този брой се увеличи до 31%. Броят се подобри още повече до 46%, когато беше добавено голямо количество немаркирани данни за обучение на системата.