Seguridad de los coches autónomos mejorada con un nuevo método de entrenamiento

Una de las tareas más importantes para un coche autónomo en cuanto a seguridad se refiere es rastrear a peatones, objetos y otros vehículos o bicicletas. Para hacer esto, los coches autónomos confían en sistemas de rastreo. Estos sistemas podrían volverse aún más efectivos con un nuevo método desarrollado por investigadores de la Universidad Carnegie Mellon (CMU).

El nuevo método ha desbloqueado mucha más datos de conducción autónoma en comparación con antes, como datos de carreteras y tráfico que son cruciales para el entrenamiento de los sistemas de rastreo. Cuantos más datos haya, más exitoso puede ser el coche autónomo.

El trabajo se presentó en la conferencia virtual de Visión por Computadora y Reconocimiento de Patrones (CVPR) conferencia entre el 14 y el 19 de junio.

Himangi Mittal es una investigadora que trabaja junto con David Held, profesor asistente en el Instituto de Robótica de CMU.

“Nuestro método es mucho más robusto que los métodos anteriores porque podemos entrenar con conjuntos de datos mucho más grandes”, dijo Mittal.

Lidar y flujo de escena

La mayoría de los vehículos autónomos de hoy en día confían en el lidar como su sistema principal de navegación. El lidar es un dispositivo láser que observa lo que rodea al vehículo y genera información 3D a partir de ello.

La información 3D viene en forma de una nube de puntos, y el vehículo utiliza una técnica llamada flujo de escena para procesar los datos. El flujo de escena implica calcular la velocidad y la trayectoria de cada punto 3D. Así, cuando hay otros vehículos, peatones u objetos en movimiento, se representan al sistema como un grupo de puntos que se mueven juntos.

Los métodos tradicionales para entrenar estos sistemas generalmente requieren conjuntos de datos etiquetados, que son datos de sensores que han sido anotados para rastrear los puntos 3D con el tiempo. Debido a que estos conjuntos de datos deben ser etiquetados manualmente y son costosos, existe una cantidad muy pequeña. Para sortear esto, se utiliza datos simulados en el entrenamiento del flujo de escena, y aunque es menos efectivo que la otra forma, se utiliza una pequeña cantidad de datos del mundo real para mejorarlos.

Los investigadores mencionados, junto con el estudiante de doctorado Brian Okorn, desarrollaron el nuevo método utilizando datos no etiquetados en el entrenamiento del flujo de escena. Este tipo de datos es mucho más fácil de recopilar y solo requiere colocar un lidar en la parte superior de un coche mientras conduce.

Detección de errores

Para que esto funcione, los investigadores tuvieron que encontrar una forma para que el sistema detecte sus propios errores en el flujo de escena. El nuevo sistema intenta hacer predicciones sobre dónde terminará cada punto 3D y a qué velocidad se está moviendo, y luego mide la distancia entre la ubicación predicha y la ubicación real del punto. Esto es lo que forma un tipo de error que se minimiza.

Después de ese proceso, el sistema luego invierte y trabaja hacia atrás desde la ubicación del punto predicho para mapear dónde se originó el punto. Al medir la distancia entre la posición predicha y el punto de origen, se forma el segundo tipo de error a partir de la distancia resultante.

Después de detectar estos errores, el sistema luego trabaja para corregirlos.

“Resulta que para eliminar ambos errores, el sistema en realidad necesita aprender a hacer lo correcto, sin que nunca se le diga qué es lo correcto”, dijo Held.

Los resultados demostraron la precisión del flujo de escena en un 25% cuando se utilizó un conjunto de datos de entrenamiento sintéticos, y cuando se mejoró con una pequeña cantidad de datos del mundo real, ese número aumentó al 31%. El número mejoró aún más al 46% cuando se agregó una gran cantidad de datos no etiquetados para entrenar el sistema.