Sikkerheden for selv kørende biler forbedret med ny træningsmetode

En af de vigtigste opgaver for en selv kørende bil, når det kommer til sikkerhed, er at spore fodgængere, objekter og andre køretøjer eller cyklister. For at gøre dette, afhænger selv kørende biler af sporingssystemer. Disse systemer kan blive endnu mere effektive med en ny metode, der er udviklet af forskere ved Carnegie Mellon University (CMU).

Den nye metode har låst op for langt mere autonom kørselsdata i forhold til tidligere, såsom vej- og trafikdata, der er afgørende for at træne sporingssystemer. Jo mere data, der er, jo mere succesfuld kan den selv kørende bil være.

Arbejdet blev præsenteret på den virtuelle Computer Vision and Pattern Recognition (CVPR) konference mellem den 14. og 19. juni.

Himangi Mittal er en forskningsstipendiat, der arbejder sammen med David Held, en adjunktprofessor på CMU’s Robotics Institute.

“Vores metode er langt mere robust end tidligere metoder, fordi vi kan træne på langt større datasæt,” sagde Mittal.

Lidar og Scene Flow

De fleste selv kørende biler i dag afhænger af lidar som deres primære navigationssystem. Lidar er en laserenhed, der ser på, hvad der omgiver køretøjet, og genererer 3D-information ud fra det.

3D-informationen kommer i form af en sky af punkter, og køretøjet bruger en teknik kaldet scene flow til at behandle data. Scene flow indebærer, at hastigheden og banen for hvert 3D-punkt beregnes. Så når der er andre køretøjer, fodgængere eller mobile objekter, bliver de præsenteret for systemet som en gruppe af punkter, der flytter sig sammen.

Traditionelle metoder til at træne disse systemer kræver normalt mærkede datasæt, som er sensordata, der er annoteret for at spore 3D-punkterne over tid. Fordi disse datasæt kræver at være manuelt mærket og er dyre, findes der kun en minimal mængde. For at komme rundt om dette, bruges simuleret data til scene flow-træning, og selv om det er mindre effektivt end den anden måde, bruges en lille mængde virkelige data til at forbedre det.

De nævnte forskere, sammen med ph.d.-stipendiat Brian Okorn, udviklede den nye metode ved at bruge umærket data til scene flow-træning. Denne type data er langt lettere at indsamle og kræver kun, at en lidar placeres på toppen af en bil, mens den kører rundt.

Fejlregistrering

For at dette kan fungere, måtte forskerne finde en måde for systemet at registrere sine egne fejl i scene flow på. Det nye system prøver at gøre forudsigelser om, hvor hvert 3D-punkt vil ende, og hvor hurtigt det flytter sig, og derefter måler det afstanden mellem den forudsigede position og den faktiske position af punktet. Dette danner en type fejl, der skal minimiseres.

Efter denne proces arbejder systemet derefter baglæns fra den forudsigede punktposition for at kortlægge, hvor punktet stammer fra. Ved at måle afstanden mellem den forudsigede position og oprindelsespunktet, dannes den anden type fejl fra den resulterende afstand.

Efter at have registreret disse fejl, arbejder systemet derefter på at korrigere dem.

”Det viser sig, at for at eliminere begge disse fejl, må systemet faktisk lære at gøre det rigtige, uden nogensinde at blive fortalt, hvad det rigtige er,” sagde Held.

Resultaterne viste, at scene flow-nøjagtigheden var på 25%, når der blev brugt et træningssæt af syntetisk data, og når det blev forbedret med en lille mængde virkelig data, steg tallet til 31%. Tallet forbedredes endnu mere til 46%, når en stor mængde umærket data blev tilføjet for at træne systemet.