Neue Methode hilft selbstfahrenden Autos, “Erinnerungen” zu erstellen

Ein Team von Forschern an der Cornell University hat eine neue Methode entwickelt, die es autonomen Fahrzeugen ermöglicht, “Erinnerungen” an frühere Erfahrungen zu erstellen, die dann bei der zukünftigen Navigation verwendet werden können. Dies wird besonders nützlich sein, wenn diese selbstfahrenden Autos nicht auf Sensoren in schlechten Wetterbedingungen vertrauen können.

Aus der Vergangenheit lernen

Aktuelle selbstfahrende Autos, die künstliche neuronale Netze verwenden, haben keine Erinnerung an die Vergangenheit, was bedeutet, dass sie Dinge ständig zum ersten Mal “sehen”. Und dies gilt unabhängig davon, wie oft sie die gleiche Straße gefahren sind.

Killian Weinberger ist der Senior-Autor der Forschung und Professor für Informatik.

“Die grundlegende Frage ist, ob wir aus wiederholten Fahrten lernen können?” sagte Weinberger. “Zum Beispiel kann ein Auto einen seltsam geformten Baum für einen Fußgänger halten, wenn es ihn zum ersten Mal mit seinem Laserscanner aus der Ferne wahrnimmt, aber sobald es nahe genug ist, wird die Objektkategorie klar. Also hoffen wir, dass das Auto das zweite Mal, wenn es an demselben Baum vorbeifährt, auch in Nebel oder Schnee, gelernt hat, ihn richtig zu erkennen.”

Unter der Leitung des Doktoranden Carlos Diaz-Ruiz erstellte die Gruppe ein Dataset, indem sie ein Auto mit LiDAR-Sensoren ausstatteten und es 40 Mal über einen Zeitraum von 18 Monaten um eine 15-Kilometer-Schleife herumfuhren. Die verschiedenen Testfahrten erfassten unterschiedliche Umgebungen, Wetterbedingungen und Tageszeiten. All dies erstellte ein Dataset mit über 600.000 Szenen.

“Es stellt absichtlich eine der Hauptherausforderungen bei selbstfahrenden Autos dar: schlechte Wetterbedingungen”, sagte Diaz-Ruiz. “Wenn die Straße von Schnee bedeckt ist, können Menschen auf Erinnerungen zurückgreifen, aber ohne Erinnerungen ist ein neuronales Netzwerk stark benachteiligt.”

HINDSIGHT und MODEST

Ein Ansatz, der als HINDSIGHT bezeichnet wird, verwendet neuronale Netze, um Beschreibungen von Objekten zu berechnen, wenn das Auto an ihnen vorbeifährt. Diese Beschreibungen, die als SQuaSH bezeichnet werden, werden dann komprimiert und auf einer virtuellen Karte gespeichert, was eine Art “Erinnerung” ähnlich wie die, wie wir unsere eigenen Erinnerungen im Gehirn speichern, erstellt.

Wenn das selbstfahrende Auto in Zukunft die gleiche Stelle passiert, fragt es die lokale SQuaSH-Datenbank jedes LiDAR-Punkts entlang der Route ab, “erinnernd” sich an das, was es gelernt hat. Die kontinuierlich aktualisierte Datenbank wird über Fahrzeuge hinweg geteilt, was die Erkennung verbessert, indem mehr Informationen bereitgestellt werden.

Yurong You ist ein Doktorand.

“Diese Informationen können als Merkmale zu jedem LiDAR-basierten 3D-Objekterkennungsalgorithmus hinzugefügt werden”, sagte You. “Sowohl der Erkennungsalgorithmus als auch die SQuaSH-Darstellung können gemeinsam ohne zusätzliche Aufsicht oder menschliche Annotation trainiert werden, was zeitaufwändig und arbeitsintensiv ist.

HINDSIGHT wird dem Team bei weiteren Forschungen helfen, die als MODEST (Mobile Objekterkennung mit Ephemerität und Selbsttraining) bezeichnet werden. MODEST würde diesen Prozess vorantreiben und es dem Auto ermöglichen, die gesamte Wahrnehmungspipeline zu lernen.

HINDSIGHT geht davon aus, dass das künstliche neuronale Netz bereits trainiert ist, um Objekte zu erkennen, und fügt die Fähigkeit hinzu, Erinnerungen zu erstellen, während MODEST davon ausgeht, dass das künstliche neuronale Netz noch nie Objekten oder Straßen ausgesetzt war. Nach mehreren Fahrten auf der gleichen Route lernt es, welche Teile der Umgebung stationär oder bewegliche Objekte sind. Dieser Prozess ermöglicht es dem System, sich selbst zu lehren, worauf es achten sollte, wenn es auf andere Verkehrsteilnehmer trifft.

Der Algorithmus hat eine zuverlässige Erkennung von Objekten auch auf Straßen demonstriert, die nicht Teil der ursprünglichen Fahrten waren.

Das Team glaubt, dass diese neuen Ansätze die Entwicklungskosten von autonomen Fahrzeugen senken und sie effizienter machen könnten.