Waymoova samořídící technologie se stává chytřejší, rozpoznává miliardy objektů díky vyhledávání obsahu

Autonomní vozidla vyvinutá společností Waymo využívají počítačové vidění a umělou inteligenci k vnímání okolního prostředí a rozhodování o tom, jak vozidlo má reagovat a pohybovat se. Když jsou objekty vnímány kamerami a senzory uvnitř vozidla, jsou porovnány s velkou databází sestavenou společností Alphabet (GOOG ) (GOOGL ), aby mohly být rozpoznány.

Ohromné datové sady jsou velmi důležité pro výcvik autonomních vozidel, protože umožňují umělé inteligenci uvnitř vozidel zlepšovat se a zvyšovat jejich výkon. Nicméně, inženýři potřebují nějaký způsob, jak efektivně porovnávat položky v datové sadě s dotazy, aby mohli zkoumat, jak umělá inteligence funguje na konkrétních typech obrázků. Aby tento problém vyřešili, jak uvádí VentureBeat, Waymo nedávno vyvinula nástroj nazvaný “Content Search”, který funguje podobně jako Google Image Search a Google Photos. Tyto systémy porovnávají dotazy s obsahem obrázků, generují reprezentace objektů, což usnadňuje vyhledávání obrázků na základě přirozeného jazykového dotazu.

Než byl vyvinut Content Search, museli výzkumníci Waymo, pokud chtěli získat konkrétní vzorky z protokolů, použít heuristické metody. Protokoly Waymo musely být vyhledávány pomocí příkazů, které vyhledávaly objekty na základě pravidel, což znamenalo spuštění vyhledávání objektů, které byly “pod X výškou” nebo objekty, které “cestovaly rychlostí y mil za hodinu”. Výsledky těchto pravidel založených na vyhledávání mohly být často quite široké a výzkumníci museli poté ručně procházet výsledky.

Content Search řeší tento problém vytvořením katalogů dat a prováděním podobnostních vyhledávání v různých katalozích, aby nalezl nejpodobnější kategorie, když je předložen objekt. Pokud je Content Search předložen s nákladním vozem nebo stromem, vrátí další nákladní vozy nebo stromy, se kterými se setkala autonomní vozidla Waymo. Když vozidlo Waymo jede, zaznamenává obrázky objektů kolem něj a poté je ukládá jako vložené matematické reprezentace. To znamená, že nástroj může porovnat kategorie objektů a ohodnotit odpovědi podle podobnosti objektů v uložených obrazech. To je podobné tomu, jak funguje služba podobnostního vyhledávání vložených objektů provozovaná společností Google.

Objekty, se kterými se setkávají vozidla Waymo, mohou mít různé tvary a velikosti, ale všechny musí být zredukovány na jejich základní složky a kategorizovány, aby Content Search fungoval. Aby se to stalo, Waymo využívá několik modelů umělé inteligence, které jsou vyškoleny na široké škále objektů. Různé modely se učí rozpoznávat různé objekty a jsou podporovány Content Search, který umožňuje modelům pochopit, zda položky patřící do konkrétní kategorie se nacházejí v daném obraze. Další model optického rozpoznávání znaků je využíván spolu s hlavním modelem, což umožňuje vozidlům Waymo přidat další identifikační informace k objektům v obrazech na základě textu nalezeného v obraze. Například nákladní vůz vybavený značkou by měl text značky zahrnut v popisu Content Search.

Díky výše uvedeným modelům, které fungují ve spolupráci, jsou výzkumníci a inženýři Waymo schopni vyhledávat v datech obrazů konkrétní objekty, jako jsou konkrétní druhy stromů a značky automobilů.

Podle Waymo, citovaného VentureBeatem:

“S Content Search, jsme schopni automaticky anotovat … objekty v naší historii jízdy, což nás vede k exponenciálnímu zvýšení rychlosti a kvality dat, která posíláme k označení. Schopnost urychlit označení přispěla k mnoha vylepšením v našem systému, od detekce školních autobusů s dětmi, které se chystají vystoupit na chodník, nebo lidí jezdících na elektrických koloběžkách, až po kočku nebo psa přecházejícího ulici. Když Waymo expanduje do dalších měst, budeme nadále nacházet nové objekty a scénáře.”

Toto není poprvé, co Waymo použila několik modelů strojového učení ke zvýšení spolehlivosti a přesnosti svých vozidel. Waymo spolupracovala v minulosti se společností Alphabet/Google, pomáhala vyvinout techniku umělé inteligence spolu s DeepMind. Systém umělé inteligence čerpá inspiraci z evoluční biologie. Na začátku jsou vytvořeny různé modely strojového učení a poté, co jsou vyškoleny, jsou modely, které podaly horší výkon, odstraněny a nahrazeny modely potomků. Tato technika údajně dramaticky snížila falešně pozitivní výsledky, zatímco také snížila požadované výpočetní zdroje a dobu školení.

https://venturebeat.com/2020/02/06/waymos-ai-content-search-tool-lets-engineers-find-objects-within-its-driving-records/