Ασφάλεια των Αυτόνομων Αυτοκινήτων Βελτιώνεται με Νέα Μέθοδο Εκπαίδευσης

Ένα από τα πιο σημαντικά καθήκοντα για ένα αυτόνομο αυτοκίνητο, όταν πρόκειται για ασφάλεια, είναι η παρακολούθηση πεζών, αντικειμένων και άλλων οχημάτων ή ποδηλάτων. Για να το κάνουν αυτό, τα αυτόνομα αυτοκίνητα βασίζονται σε συστήματα παρακολούθησης. Αυτά τα συστήματα θα μπορούσαν να γίνουν ακόμη πιο αποτελεσματικά με μια νέα μέθοδο που αναπτύχθηκε από ερευνητές στο Πανεπιστήμιο Carnegie Mellon (CMU).

Η νέα μέθοδος έχει ξεκλειδώσει πολύ περισσότερα δεδομένα αυτόνομης οδήγησης σε σύγκριση με πριν, όπως δεδομένα οδών και κυκλοφορίας που είναι απαραίτητα για την εκπαίδευση των συστημάτων παρακολούθησης. Όσο περισσότερα δεδομένα υπάρχουν, τόσο πιο επιτυχημένο μπορεί να είναι το αυτόνομο αυτοκίνητο.

Το έργο παρουσιάστηκε στο εικονικό συνέδριο Computer Vision and Pattern Recognition (CVPR) συνέδριο μεταξύ 14-19 Ιουνίου.

Η Himangi Mittal είναι ερευνήτρια που εργάζεται μαζί με τον David Held, αναπληρωτή καθηγητή στο Ινστιτούτο Ρομποτικής του CMU.

«Η μέθοδός μας είναι πολύ πιο ανθεκτική από τις προηγούμενες μεθόδους επειδή μπορούμε να εκπαιδεύσουμε σε πολύ μεγαλύτερα σύνολα δεδομένων», είπε η Mittal.

Lidar και Scene Flow

Τα περισσότερα αυτόνομα οχήματα της σημερινής εποχής βασίζονται στο lidar ως το основικό σύστημα πλοήγησης. Το lidar είναι ένα laser συσκευή που εξετάζει τι περιβάλλει το όχημα και δημιουργεί 3D πληροφορίες από αυτό.

Οι 3D πληροφορίες έρχονται στη μορφή ενός συνόλου σημείων, και το όχημα χρησιμοποιεί μια τεχνική που ονομάζεται scene flow για να επεξεργαστεί τα δεδομένα. Η scene flow περιλαμβάνει την ταχύτητα και την τροχιά κάθε 3D σημείου να υπολογίζεται. Έτσι, όταν υπάρχουν άλλα οχήματα, πεζοί, ή κινούμενα αντικείμενα, απεικονίζονται στο σύστημα ως μια ομάδα σημείων που κινούνται μαζί.

Οι παραδοσιακές μεθόδους για την εκπαίδευση αυτών των συστημάτων συνήθως απαιτούν ετικετεμένα σύνολα δεδομένων, τα οποία είναι δεδομένα αισθήσεων που έχουν αναλυθεί για να παρακολουθήσουν τα 3D σημεία με την πάροδο του χρόνου. Επειδή αυτά τα σύνολα δεδομένων απαιτούν να ετικετευτούν χειροκίνητα και είναι ακριβά, μια πολύ μικρή ποσότητα υπάρχει. Για να ξεπεραστούν αυτά, χρησιμοποιούνται προσομοιωμένα δεδομένα στην εκπαίδευση scene flow, και ενώ είναι λιγότερο αποτελεσματικά από τον άλλο τρόπο, μια μικρή ποσότητα πραγματικών δεδομένων χρησιμοποιείται για να βελτιωθεί.

Οι ερευνητές, μαζί με τον φοιτητή διδακτορικού Brian Okorn, ανέπτυξαν τη νέα μέθοδο χρησιμοποιώντας μη ετικετεμένα δεδομένα στην εκπαίδευση scene flow. Αυτού του είδους τα δεδομένα είναι πολύ πιο εύκολα να συλλεχθούν και απαιτούν μόνο ένα lidar να τοποθετηθεί στην κορυφή ενός αυτοκινήτου ενώ οδηγεί γύρω.

Ανίχνευση Σφαλμάτων

Για να λειτουργήσει αυτό, οι ερευνητές έπρεπε να βρουν einen τρόπο για το σύστημα να ανιχνεύει τα δικά του σφάλματα στην scene flow. Το νέο σύστημα προσπαθεί να κάνει προβλέψεις για το πού θα καταλήξει κάθε 3D σημείο και πόσο γρήγορα ταξιδεύει, και στη συνέχεια μετρά την απόσταση μεταξύ της προβλεπόμενης θέσης και της πραγματικής θέσης του σημείου. Αυτό είναι που σχηματίζει ένα είδος σφάλματος που πρέπει να ελαχιστοποιηθεί.

Μετά από αυτή τη διαδικασία, το σύστημα εργάζεται αντίστροφα και από την προβλεπόμενη θέση του σημείου προς τα πίσω για να χαρτογραφήσει από πού προέρχεται το σημείο. Μετρά την απόσταση μεταξύ της προβλεπόμενης θέσης και της αρχικής θέσης του σημείου, το δεύτερο είδος σφάλματος σχηματίζεται από την απόσταση που προκύπτει.

Μετά την ανίχνευση αυτών των σφαλμάτων, το σύστημα εργάζεται για να τα διορθώσει.

«Αποδεικνύεται ότι για να εξαλείψουμε και τα δύο σφάλματα, το σύστημα πρέπει να μάθει να κάνει το σωστό πράγμα, χωρίς ποτέ να του λεγεί τι είναι το σωστό», είπε ο Held.

Τα αποτελέσματα έδειξαν ακρίβεια scene flow στο 25% όταν χρησιμοποιήθηκε ένα σύνολο εκπαίδευσης συνθετικών δεδομένων, και όταν βελτιώθηκε με μια μικρή ποσότητα πραγματικών δεδομένων, ο αριθμός αυξήθηκε στο 31%. Ο αριθμός βελτιώθηκε ακόμη περισσότερο στο 46% όταν προστέθηκε một μεγάλη ποσότητα μη ετικετεμένων δεδομένων για να εκπαιδεύσει το σύστημα.