La seguridad de los autos sin conductor mejora con un nuevo método de capacitación

Una de las tareas más importantes para un automóvil autónomo en lo que respecta a la seguridad es el seguimiento de peatones, objetos y otros vehículos o bicicletas. Para ello, los coches autónomos se basan en sistemas de seguimiento. 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 muchos más datos de conducción autónoma en comparación con antes, como datos de carreteras y tráfico que son cruciales para los sistemas de seguimiento de entrenamiento. Cuantos más datos haya, más exitoso puede ser el automóvil autónomo. 

El trabajo fue presentado en el virtual Visión artificial y reconocimiento de patrones (CVPR) conferencia entre el 14 y el 19 de junio. 

Himangi Mittal es una pasante de investigación que trabaja junto a David Held, profesor asistente en el Instituto de Robótica de CMU. 

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

Lidar y flujo de escena

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

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 la escena involucra la velocidad y la trayectoria de cada punto 3D que se calcula. Por lo tanto, siempre que haya otros vehículos, peatones u objetos en movimiento, el sistema los representa 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 se han anotado para rastrear los puntos 3D a lo largo del tiempo. Debido a que estos conjuntos de datos deben etiquetarse manualmente y son costosos, existe una cantidad mínima. Para evitar esto, se utilizan datos simulados en el entrenamiento de flujo de escena y, aunque es menos eficaz que la otra forma, se utiliza una pequeña cantidad de datos del mundo real para mejorarlo. 

Los investigadores nombrados, junto con Ph.D. el estudiante Brian Okorn, desarrolló el nuevo método mediante el uso de datos no etiquetados en el entrenamiento de flujo de escena. Este tipo de datos es mucho más fácil de recopilar y solo requiere que se coloque un lidar en la parte superior de un automóvil mientras conduce. 

Detección de errores

Para que esto funcionara, los investigadores tenían que encontrar una forma de que el sistema detectara sus propios errores en el flujo de la escena. El nuevo sistema trata de hacer predicciones sobre dónde terminará cada punto 3D y qué tan rápido viaja, y luego mide la distancia entre la ubicación prevista y la ubicación real del punto. Esto es lo que forma un tipo de error a minimizar.

Después de ese proceso, el sistema se invierte y trabaja hacia atrás desde la ubicación del punto pronosticado 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 trabaja para corregirlos.

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

Los resultados demostraron una precisión del flujo de escena del 25 % cuando se utilizó un conjunto de entrenamiento de datos sintéticos, y cuando se mejoró con una pequeña cantidad de datos del mundo real, ese número aumentó al 31 %. La cifra mejoró aún más, hasta el 46 %, cuando se añadió una gran cantidad de datos sin etiquetar para entrenar el sistema.