Νέα Μέθοδος Βοηθά τα Αυτόνομα Οχήματα να Δημιουργούν «Μνήμες»

Μια ομάδα ερευνητών στο Πανεπιστήμιο Κορνέλ έχει αναπτύξει μια νέα μέθοδο που επιτρέπει στα αυτόνομα οχήματα να δημιουργούν «μνήμες» από προηγούμενες εμπειρίες, οι οποίες μπορούν να χρησιμοποιηθούν σε μελλοντικές πλοήγους. Αυτό θα είναι ιδιαίτερα χρήσιμο όταν τα αυτόνομα οχήματα δεν μπορούν να βασιστούν σε αισθητήρες σε κακές καιρικές συνθήκες.

Μάθηση από το Παρελθόν

Τα τρέχοντα αυτόνομα οχήματα που χρησιμοποιούν τεχνητά νευρωνικά δίκτυα δεν έχουν μνήμη του παρελθόντος, που σημαίνει ότι βλέπουν mọi thứ για πρώτη φορά. Και αυτό ισχύει ανεξάρτητα από το πόσες φορές έχουν οδηγήσει την ίδια οδό.

Ο Killian Weinberger είναι ο senior συγγραφέας της έρευνας και καθηγητής επιστήμης υπολογιστών.

«Η θεμελιώδης ερώτηση είναι, μπορούμε να μάθουμε από τις επαναλαμβανόμενες διαδρομές;» είπε ο Weinberger. «Για παράδειγμα, ένα αυτοκίνητο μπορεί να συγχύσει ένα περίεργο σχήμα δέντρου με ένα πεζοπόρο την πρώτη φορά που το laser scanner το ανιχνεύει από απόσταση, αλλά όταν είναι κοντά αρκετά, η κατηγορία του αντικειμένου θα γίνει σαφής. Έτσι, τη δεύτερη φορά που οδηγείτε από το ίδιο δέντρο, ακόμη και σε ομίχλη ή χιόνι, θα ελπίζατε ότι το αυτοκίνητο έχει τώρα μάθει να το αναγνωρίζει σωστά.»

Η ομάδα, με επικεφαλής τον διδακτορικό φοιτητή Carlos Diaz-Ruiz, δημιούργησε ένα σύνολο δεδομένων οδηγώντας ένα αυτοκίνητο εξοπλισμένο με αισθητήρες LiDAR. Το αυτοκίνητο οδηγήθηκε γύρω από einen 15-χιλιόμετρο κύκλο συνολικά 40 φορές σε διάστημα 18 μηνών. Οι διάφορες δοκιμαστικές οδηγίες κατέγραψαν διαφορετικά περιβάλλοντα, καιρικές συνθήκες και ώρες της ημέρας. Όλα αυτά δημιούργησαν ένα σύνολο δεδομένων με περισσότερες από 600.000 σκηνές.

«Σκόπιμα εκθέτει μια από τις βασικές προκλήσεις στα αυτόνομα οχήματα: τις κακές καιρικές συνθήκες», είπε ο Diaz-Ruiz. «Αν ο δρόμος είναι καλυμμένος με χιόνι, οι άνθρωποι μπορούν να βασιστούν στις μνήμες, αλλά χωρίς μνήμες, ένα νευρωνικό δίκτυο είναι σε μεγάλο μειονέκτημα.»

HINDSIGHT και MODEST

Μια από τις προσεγγίσεις, που ονομάζεται HINDSIGHT, χρησιμοποιεί νευρωνικά δίκτυα για να υπολογίσει περιγραφές αντικειμένων καθώς το αυτοκίνητο περνά από αυτά. Αυτές οι περιγραφές, που ονομάζονται SQuaSH, συμπιέζονται και αποθηκεύονται σε ένα εικονικό χάρτη, δημιουργώντας ένα είδος «μνήμης» παρόμοιο με το πώς αποθηκεύουμε τις δικές μας μνήμες στο εγκέφαλο.

Όταν το αυτόνομο αυτοκίνητο διασχίζει την ίδια τοποθεσία στο μέλλον, αναζητά την τοπική βάση δεδομένων SQuaSH κάθε σημείου LiDAR κατά μήκος της διαδρομής, «θυμούμενος» τι έχει μάθει. Η συνεχώς ενημερωμένη βάση δεδομένων μοιράζεται μεταξύ οχημάτων, βοηθώντας στην αναγνώριση παρέχοντας περισσότερες πληροφορίες.

Ο Yurong You είναι διδακτορικός φοιτητής.

«Αυτές οι πληροφορίες μπορούν να προστεθούν ως χαρακτηριστικά σε οποιοδήποτε ανιχνευτή αντικειμένων 3D με βάση LiDAR», είπε ο You. «Και ο ανιχνευτής και η αναπαράσταση SQuaSH μπορούν να εκπαιδευτούν από κοινού χωρίς επιπλέον επιτήρηση ή ανθρώπινη αναnotation, που είναι χρονοβόρα και εργατορε_ibή.

Η HINDSIGHT θα βοηθήσει την ομάδα με επιπλέον έρευνα που διεξάγουν, που ονομάζεται MODEST (Mobile Object Detection με Ephemerality και Self-Training). Το MODEST θα προωθήσει αυτή τη διαδικασία και θα επιτρέψει στο αυτοκίνητο να μάθει ολόκληρη την πλοήγηση.

Η HINDSIGHT υποθέτει ότι το τεχνητό νευρωνικό δίκτυο έχει ήδη εκπαιδευτεί να ανιχνεύει αντικείμενα και επαυξάνει με την ικανότητα να δημιουργεί μνήμες, ενώ το MODEST υποθέτει ότι το τεχνητό νευρωνικό δίκτυο δεν έχει εκτεθεί σε κανένα αντικείμενο ή δρόμο. Μετά από πολλές διαδρομές της ίδιας διαδρομής, μαθαίνει ποια μέρη του περιβάλλοντος είναι σταθερά ή κινητά αντικείμενα. Αυτή η διαδικασία επιτρέπει στο σύστημα να διδάξει τον εαυτό του τι πρέπει να προστέσει ως συμμετέχοντες στην κυκλοφορία.

Ο αλγόριθμος απέδειξε ότι έχει την ικανότητα να ανιχνεύει με συνέπεια τα αντικείμενα ακόμη και σε δρόμους που δεν αποτελούσαν μέρος των αρχικών διαδρομών.

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