Sicherheit von selbstfahrenden Autos mit neuer Trainingsmethode verbessert

Eine der wichtigsten Aufgaben für ein selbstfahrendes Auto, wenn es um Sicherheit geht, ist die Verfolgung von Fußgängern, Objekten und anderen Fahrzeugen oder Fahrrädern. Um dies zu tun, verlassen sich selbstfahrende Autos auf Verfolgungssysteme. Diese Systeme könnten mit einer neuen Methode, die von Forschern an der Carnegie Mellon University (CMU) entwickelt wurde, noch effektiver werden.

Die neue Methode hat viel mehr autonome Fahrdaten freigeschaltet als zuvor, wie z.B. Straßen- und Verkehrsdaten, die für die Ausbildung von Verfolgungssystemen entscheidend sind. Je mehr Daten vorhanden sind, desto erfolgreicher kann das selbstfahrende Auto sein.

Die Arbeit wurde auf der virtuellen Computer Vision and Pattern Recognition (CVPR)Konferenz zwischen dem 14. und 19. Juni vorgestellt.

Himangi Mittal ist eine Forschungspraktikantin, die neben David Held, einem Assistenzprofessor am Robotics Institute der CMU, arbeitet.

“Unsere Methode ist viel robuster als vorherige Methoden, weil wir auf viel größeren Datensätzen trainieren können”, sagte Mittal.

Lidar und Szenenfluss

Die meisten heutigen autonomen Fahrzeuge verlassen sich auf Lidar als ihr Hauptsystem für die Navigation. Lidar ist ein Lasergerät, das die Umgebung des Fahrzeugs betrachtet und 3D-Informationen daraus generiert.

Die 3D-Informationen kommen in Form einer Punktwolke und das Fahrzeug verwendet eine Technik namens Szenenfluss, um die Daten zu verarbeiten. Szenenfluss beinhaltet die Geschwindigkeit und Traektorie jedes 3D-Punkts, die berechnet werden. Wenn also andere Fahrzeuge, Fußgänger oder bewegliche Objekte vorhanden sind, werden sie dem System als eine Gruppe von Punkten dargestellt, die zusammen bewegen.

Traditionelle Methoden für die Ausbildung dieser Systeme erfordern in der Regel beschriftete Datensätze, also Sensordaten, die annotiert wurden, um die 3D-Punkte über die Zeit zu verfolgen. Da diese Datensätze manuell beschriftet werden müssen und teuer sind, existiert nur eine sehr geringe Menge. Um dies zu umgehen, wird simulierte Daten für die Szenenfluss-Ausbildung verwendet und obwohl sie weniger effektiv sind als die andere Methode, wird eine kleine Menge an echten Welt-Daten verwendet, um sie zu verbessern.

Die genannten Forscher, zusammen mit dem Doktoranden Brian Okorn, entwickelten die neue Methode, indem sie unbeschriftete Daten für die Szenenfluss-Ausbildung verwendeten. Diese Art von Daten ist viel einfacher zu sammeln und erfordert nur, dass ein Lidar auf dem Dach eines Autos montiert wird, während es herumfährt.

Fehlererkennung

Um dies zu ermöglichen, mussten die Forscher eine Möglichkeit finden, wie das System seine eigenen Fehler im Szenenfluss erkennen kann. Das neue System versucht, Vorhersagen darüber zu machen, wo jeder 3D-Punkt enden wird und wie schnell er sich bewegt, und es misst dann den Abstand zwischen der vorhergesagten Position und der tatsächlichen Position des Punkts. Dies bildet eine Art von Fehler, der minimiert werden muss.

Nach diesem Prozess arbeitet das System dann rückwärts und beginnt von der vorhergesagten Punkt-Position, um zu kartieren, wo der Punkt ursprünglich war. Durch die Messung des Abstands zwischen der vorhergesagten Position und der Ursprungsposition wird der zweite Fehler-Typ aus dem resultierenden Abstand gebildet.

Nachdem diese Fehler erkannt wurden, arbeitet das System daran, sie zu korrigieren.

“Es stellt sich heraus, dass das System tatsächlich lernen muss, das Richtige zu tun, ohne jemals gesagt zu bekommen, was das Richtige ist”, sagte Held.

Die Ergebnisse zeigten eine Szenenfluss-Genauigkeit von 25%, wenn ein Trainingsset von synthetischen Daten verwendet wurde, und wenn es mit einer kleinen Menge an echten Welt-Daten verbessert wurde, erhöhte sich diese Zahl auf 31%. Die Zahl verbesserte sich noch weiter auf 46%, wenn eine große Menge an unbeschrifteten Daten hinzugefügt wurde, um das System zu trainieren.