Bezpečnost samořiditelných aut zlepšena novou metodou výcviku

Jedním z nejdůležitějších úkolů pro samořiditelné auto, pokud jde o bezpečnost, je sledování chodců, objektů a dalších vozidel nebo kol. K tomu samořiditelná auta využívají sledovací systémy. Tyto systémy by mohly být ještě účinnější s novou metodou, kterou vyvinuli výzkumníci na Carnegie Mellon University (CMU).

Nová metoda odemkla mnohem více autonomních dat pro výcvik sledovacích systémů, jako jsou údaje o silnicích a dopravě, které jsou nezbytné pro výcvik sledovacích systémů. Čím více dat je k dispozici, tím úspěšnější může být samořiditelné auto.

Práce byla prezentována na virtuální konferenci Computer Vision and Pattern Recognition (CVPR) mezi 14. a 19. červnem.

Himangi Mittal je výzkumný stážista, který pracuje spolu s Davidem Heldem, asistentem profesora na Robotickém institutu CMU.

“Naše metoda je mnohem robustnější než předchozí metody, protože můžeme trénovat na mnohem větších datech,” řekl Mittal.

Lidar a Scene Flow

Většina dnešních autonomních vozidel se spoléhá na lidar jako na hlavní systém pro navigaci. Lidar je laserové zařízení, které sleduje okolí vozidla a generuje 3D informace.

3D informace přicházejí ve formě mraku bodů a vozidlo používá techniku nazvanou scene flow, aby zpracovalo data. Scene flow zahrnuje výpočet rychlosti a dráhy každého 3D bodu. Pokud jsou přítomna jiná vozidla, chodci nebo pohyblivé objekty, jsou pro systém zobrazeny jako skupina bodů pohybujících se společně.

Tradiční metody pro výcvik těchto systémů obvykle vyžadují označená data, která jsou senzorová data, která byla označena pro sledování 3D bodů v čase. Protože tato data jsou vyžadována k ručnímu označení a jsou drahá, existuje jich velmi málo. Aby se tomu vyhnuli, používají se simulovaná data pro výcvik scene flow a ačkoli jsou méně účinná než ostatní metody, malé množství reálných dat se používá k jejich vylepšení.

Výzkumníci, včetně Ph.D. studenta Briana Okorna, vyvinuli novou metodu pomocí neošetřených dat pro výcvik scene flow. Tento typ dat je mnohem snazší shromáždit a vyžaduje pouze umístění lidaru na vrchol vozidla, zatímco jede.

Detekce chyb

Aby toto fungovalo, výzkumníci museli najít způsob, jak systém detekuje své vlastní chyby ve scene flow. Nový systém se snaží předpovídat, kde skončí každý 3D bod a jak rychle se pohybuje, a poté měří vzdálenost mezi předpovězenou polohou a skutečnou polohou bodu. To tvoří jeden typ chyby, který je třeba minimalizovat.

Po tomto procesu systém poté pracuje pozpátku od předpovězené polohy bodu, aby mapoval, odkud bod pocházel. Měřením vzdálenosti mezi předpovězenou polohou a počátečním bodem se vytváří druhý typ chyby z výsledné vzdálenosti.

Po detekci těchto chyb systém poté pracuje na jejich opravě.

“Ukázalo se, že k odstranění obou chyb musí systém vlastně naučit dělat správnou věc, aniž by mu bylo řečeno, co je správné,” řekl Held.

Výsledky prokázaly přesnost scene flow na 25 %, když se používala sada syntetických dat pro výcvik, a když se vylepšila malým množstvím reálných dat, číslo se zvýšilo na 31 %. Číslo se ještě více zlepšilo na 46 %, když se přidalo velké množství neošetřených dat pro výcvik systému.