Nuevo método ayuda a los coches autónomos a crear “memorias”

Un equipo de investigadores de la Universidad de Cornell ha desarrollado un nuevo método que permite a los vehículos autónomos crear “memorias” de experiencias anteriores, que pueden utilizarse en la navegación futura. Esto será especialmente útil cuando estos coches autónomos no puedan confiar en sensores en entornos climáticos adversos.

Aprendiendo del pasado

Los coches autónomos actuales que utilizan redes neuronales artificiales no tienen memoria del pasado, lo que significa que están constantemente “viendo” cosas por primera vez. Y esto es cierto independientemente de cuántas veces hayan conducido exactamente por la misma carretera.

Killian Weinberger es el autor principal de la investigación y profesor de ciencias de la computación.

“La pregunta fundamental es, ¿podemos aprender de las travesías repetidas?” dijo Weinberger. “Por ejemplo, un coche puede confundir un árbol con forma extraña con un peatón la primera vez que su escáner láser lo percibe desde la distancia, pero una vez que está lo suficientemente cerca, la categoría del objeto se volverá clara. Así que la segunda vez que conduce por el mismo árbol, incluso en niebla o nieve, esperarías que el coche haya aprendido a reconocerlo correctamente”.

Dirigido por el estudiante de doctorado Carlos Diaz-Ruiz, el grupo creó un conjunto de datos conduciendo un coche equipado con sensores LiDAR. Se condujo alrededor de un bucle de 15 kilómetros un total de 40 veces durante un período de 18 meses. Las diversas pruebas de conducción capturaron diferentes entornos, condiciones climáticas y momentos del día. Todo esto creó un conjunto de datos con más de 600.000 escenas.

“Se expone deliberadamente uno de los desafíos clave en los coches autónomos: las malas condiciones climáticas”, dijo Diaz-Ruiz. “Si la calle está cubierta de nieve, los humanos pueden confiar en sus recuerdos, pero sin recuerdos, una red neuronal está gravemente desfavorecida”.

HINDSIGHT y MODEST

Uno de los enfoques, denominado HINDSIGHT, utiliza redes neuronales para calcular descriptores de objetos a medida que el coche los pasa. Estas descripciones, denominadas SQuaSH, se comprimen y almacenan en un mapa virtual, creando un tipo de “memoria” similar a cómo almacenamos nuestros propios recuerdos en el cerebro.

Cuando el coche autónomo recorre la misma ubicación en el futuro, consulta la base de datos local de SQuaSH de cada punto LiDAR a lo largo de la ruta, “recordando” lo que aprendió. La base de datos actualizada continuamente se comparte entre vehículos, lo que ayuda a mejorar el reconocimiento al proporcionar más información.

Yurong You es un estudiante de doctorado.

“Esta información se puede agregar como características a cualquier detector de objetos 3D basado en LiDAR”, dijo You. “Tanto el detector como la representación SQuaSH se pueden entrenar conjuntamente sin supervisión adicional o anotación humana, lo que es tiempo- y labor-intensivo.

HINDSIGHT ayudará al equipo con investigaciones adicionales que están realizando, que se llama MODEST (Detección de objetos móviles con efemeridad y autoentrenamiento). MODEST avanzará en este proceso y permitirá que el coche aprenda toda la tubería de percepción.

HINDSIGHT asume que la red neuronal artificial ya está entrenada para detectar objetos y se amplía con la capacidad de crear recuerdos, mientras que MODEST asume que la red neuronal artificial nunca ha sido expuesta a objetos o calles. Después de múltiples travesías de la misma ruta, aprende qué partes del entorno son objetos estacionarios o en movimiento. Este proceso permite que el sistema se enseñe a sí mismo a qué debe prestar atención como otros participantes del tráfico.

El algoritmo demostró una capacidad para detectar objetos de manera fiable incluso en carreteras que no formaban parte de las travesías iniciales.

El equipo cree que estos nuevos enfoques podrían reducir el costo de desarrollo de vehículos autónomos, así como hacerlos más eficientes.