Νέα μέθοδος βοηθά τα αυτοοδηγούμενα αυτοκίνητα να δημιουργούν «αναμνήσεις»

Μια ομάδα ερευνητών στο Πανεπιστήμιο Cornell ανέπτυξε μια νέα μέθοδο που επιτρέπει στα αυτόνομα οχήματα να δημιουργούν «αναμνήσεις» προηγούμενων εμπειριών, οι οποίες στη συνέχεια μπορούν να χρησιμοποιηθούν στη μελλοντική πλοήγηση. Αυτό θα είναι ιδιαίτερα χρήσιμο όταν αυτά τα αυτοοδηγούμενα αυτοκίνητα δεν μπορούν να βασιστούν σε αισθητήρες σε περιβάλλον με κακές καιρικές συνθήκες.

Μαθαίνοντας από το παρελθόν

Τα τρέχοντα αυτόνομα αυτοκίνητα που χρησιμοποιούν τεχνητά νευρωνικά δίκτυα δεν έχουν μνήμη του παρελθόντος, πράγμα που σημαίνει ότι «βλέπουν» συνεχώς πράγματα για πρώτη φορά. Και αυτό ισχύει ανεξάρτητα από το πόσες φορές έχουν οδηγήσει τον ίδιο ακριβώς δρόμο.

Ο Killian Weinberger είναι ανώτερος συγγραφέας της έρευνας και καθηγητής της επιστήμης των υπολογιστών.

«Το θεμελιώδες ερώτημα είναι, μπορούμε να μάθουμε από τις επαναλαμβανόμενες διαδρομές;» είπε ο Βάινμπεργκερ. «Για παράδειγμα, ένα αυτοκίνητο μπορεί να μπερδέψει ένα δέντρο με περίεργο σχήμα με έναν πεζό την πρώτη φορά που ο σαρωτής λέιζερ του το αντιλαμβάνεται από απόσταση, αλλά μόλις πλησιάσει αρκετά, η κατηγορία του αντικειμένου θα γίνει ξεκάθαρη. Έτσι, τη δεύτερη φορά που οδηγείτε δίπλα από το ίδιο δέντρο, ακόμα και σε ομίχλη ή χιόνι, θα ήλπιζατε ότι το αυτοκίνητο έχει μάθει τώρα να το αναγνωρίζει σωστά».

Με επικεφαλής τον διδακτορικό φοιτητή Carlos Diaz-Ruiz, η ομάδα δημιούργησε ένα σύνολο δεδομένων οδηγώντας ένα αυτοκίνητο εξοπλισμένο με αισθητήρες LiDAR. Οδηγήθηκε γύρω από έναν βρόχο 15 χιλιομέτρων συνολικά 40 φορές σε μια περίοδο 18 μηνών. Τα διάφορα test drive κατέγραψαν διαφορετικά περιβάλλοντα, καιρικές συνθήκες και ώρες της ημέρας. Όλα αυτά δημιούργησαν ένα σύνολο δεδομένων με περισσότερες από 600,000 σκηνές.

«Αποκαλύπτει σκόπιμα μία από τις βασικές προκλήσεις στα αυτοοδηγούμενα αυτοκίνητα: τις κακές καιρικές συνθήκες», δήλωσε ο Diaz-Ruiz. «Αν ο δρόμος καλύπτεται από χιόνι, οι άνθρωποι μπορούν να βασίζονται στις αναμνήσεις, αλλά χωρίς μνήμες ένα νευρωνικό δίκτυο βρίσκεται σε πολύ μειονεκτική θέση».

ΥΠΟΨΗΦΙΑ και ΜΕΤΡΙΑ

Μία από τις προσεγγίσεις, που ονομάζεται HINDSIGHT, χρησιμοποιεί νευρωνικά δίκτυα για να υπολογίσει περιγραφείς αντικειμένων καθώς το αυτοκίνητο τα προσπερνά. Αυτές οι περιγραφές, που ονομάζονται SQuaSH, στη συνέχεια συμπιέζονται και αποθηκεύονται σε έναν εικονικό χάρτη, δημιουργώντας έναν τύπο «μνήμης» παρόμοιο με το πώς αποθηκεύουμε τις δικές μας αναμνήσεις στον εγκέφαλο.

Όταν το αυτοοδηγούμενο αυτοκίνητο διασχίσει την ίδια τοποθεσία στο μέλλον, ρωτά την τοπική βάση δεδομένων SQuaSH κάθε σημείου LiDAR κατά μήκος της διαδρομής, «θυμάται» τι έμαθε. Η συνεχώς ενημερωμένη βάση δεδομένων μοιράζεται σε όλα τα οχήματα, συμβάλλοντας στη βελτίωση της αναγνώρισης παρέχοντας περισσότερες πληροφορίες.

Ο Yurong You είναι διδακτορικός φοιτητής.

"Αυτές οι πληροφορίες μπορούν να προστεθούν ως δυνατότητες σε οποιονδήποτε ανιχνευτή 3D αντικειμένων που βασίζεται στο LiDAR", είπε ο You. «Τόσο ο ανιχνευτής όσο και η αναπαράσταση SQuaSH μπορούν να εκπαιδευτούν από κοινού χωρίς πρόσθετη επίβλεψη ή ανθρώπινο σχολιασμό, που απαιτεί χρόνο και εργασία.

Το HINDSIGHT πρόκειται να βοηθήσει την ομάδα με πρόσθετη έρευνα που διεξάγει, η οποία ονομάζεται MODEST (Mobile Object Detection with Ephemerality and Self-Training). Το MODEST θα προωθούσε αυτή τη διαδικασία και θα επέτρεπε στο αυτοκίνητο να μάθει ολόκληρο τον αγωγό αντίληψης.

Το HINDSIGHT υποθέτει ότι το τεχνητό νευρωνικό δίκτυο είναι ήδη εκπαιδευμένο να ανιχνεύει αντικείμενα και να αυξάνει με την ικανότητα δημιουργίας αναμνήσεων, ενώ το MODEST υποθέτει ότι το τεχνητό νευρωνικό δίκτυο δεν έχει εκτεθεί ποτέ σε αντικείμενα ή δρόμους. Μετά από πολλαπλές διαδρομές της ίδιας διαδρομής, μαθαίνει ποια μέρη του περιβάλλοντος είναι ακίνητα ή κινούμενα αντικείμενα. Αυτή η διαδικασία δίνει τη δυνατότητα στο σύστημα να διδάξει μόνο του τι πρέπει να προσέχει όπως άλλοι συμμετέχοντες στην κυκλοφορία.

Ο αλγόριθμος έδειξε την ικανότητα αξιόπιστης ανίχνευσης των αντικειμένων ακόμη και σε δρόμους που δεν αποτελούσαν τις αρχικές διαδρομές.

Η ομάδα πιστεύει ότι αυτές οι νέες προσεγγίσεις θα μπορούσαν να μειώσουν το κόστος ανάπτυξης των αυτόνομων οχημάτων, καθώς και να τα καταστήσουν πιο αποτελεσματικά.