Bezpečnost samořiditelných aut se zlepšila díky nové metodě školení

Jedním z nejdůležitějších úkolů samořídícího automobilu, pokud jde o bezpečnost, je sledování chodců, předmětů a dalších vozidel nebo jízdních kol. K tomu se samořídící auta spoléhají na sledovací systémy. Tyto systémy by mohly být ještě efektivnější s novou metodou vyvinutou výzkumníky z Carnegie Mellon University (CMU). 

Nová metoda odemkla mnohem více údajů o autonomní jízdě ve srovnání s dříve, jako jsou údaje o silnici a dopravě, které jsou klíčové pro tréninkové sledovací systémy. Čím více údajů je, tím úspěšnější může být samořídící auto. 

Práce byla prezentována na virtuálu Počítačové vidění a rozpoznávání vzoru (CVPR) konference mezi 14. a 19. červnem. 

Himangi Mittal je výzkumný stážista, který pracuje po boku Davida Helda, asistenta profesora na CMU's Robotics Institute. 

"Naše metoda je mnohem robustnější než předchozí metody, protože můžeme trénovat na mnohem větších souborech dat," řekl Mittal. 

Lidar a Scene Flow

Většina dnešních autonomních vozidel spoléhá na lidar jako svůj hlavní systém navigace. Lidar je laserové zařízení, které se dívá na to, co je kolem vozidla, a generuje z toho 3D informace.

3D informace přicházejí ve formě mračna bodů a vozidlo používá ke zpracování dat techniku ​​zvanou tok scény. Tok scény zahrnuje rychlost a trajektorii každého 3D bodu, který se vypočítává. Kdykoli se tedy vyskytují jiná vozidla, chodci nebo pohybující se objekty, jsou v systému zobrazeny jako skupina bodů pohybujících se společně. 

Tradiční metody pro trénování těchto systémů obvykle vyžadují označené datové sady, což jsou data senzoru, která byla anotována pro sledování 3D bodů v průběhu času. Protože tyto datové sady je nutné ručně označit a jsou drahé, existuje velmi minimální množství. Abychom to obešli, používají se při tréninku toku scény simulovaná data, a přestože je to méně efektivní než v opačném případě, ke zlepšení se používá malé množství dat z reálného světa. 

Jmenovaní badatelé spolu s Ph.D. student Brian Okorn, vyvinul novou metodu pomocí neoznačených dat při trénování toku scén. Tento typ dat je mnohem snazší shromažďovat a vyžaduje pouze umístění lidaru na auto, když projíždí kolem. 

Detekce chyb

Aby to fungovalo, museli vědci najít způsob, jak systém detekovat vlastní chyby v toku scény. Nový systém se snaží předpovídat, kde každý 3D bod skončí a jak rychle se pohybuje, a poté změří vzdálenost mezi předpokládaným místem a skutečným umístěním bodu. To je to, co tvoří jeden typ chyby, kterou je třeba minimalizovat.

Po tomto procesu se systém obrátí a pracuje zpět od předpokládaného umístění bodu, aby zmapoval, kde bod pochází. Měřením vzdálenosti mezi předpokládanou polohou a výchozím bodem se z výsledné vzdálenosti vytvoří druhý typ chyby.

Po zjištění těchto chyb pak systém pracuje na jejich nápravě.

„Ukazuje se, že k odstranění obou těchto chyb se systém ve skutečnosti potřebuje naučit dělat správnou věc, aniž by mu bylo řečeno, co je správné,“ řekl Held.

Výsledky prokázaly přesnost toku scény na 25 % při použití trénovací sady syntetických dat, a když byla zlepšena malým množstvím reálných dat, toto číslo se zvýšilo na 31 %. Toto číslo se ještě zlepšilo na 46 %, když bylo přidáno velké množství neoznačených dat pro trénování systému.