Itseohjautuvien autojen turvallisuutta parannetaan uudella koulutusmenetelmällä

Yksi itseohjautuvan auton tärkeimmistä tehtävistä turvallisuuden kannalta on jalankulkijoiden, esineiden ja muiden ajoneuvojen tai pyörien seuraaminen. Tähän itseohjautuvat autot luottavat seurantajärjestelmiin. Nämä järjestelmät voivat tulla entistä tehokkaammaksi uuden Carnegie Mellonin yliopiston (CMU) tutkijoiden kehittämän menetelmän avulla.

Uusi menetelmä on avannut paljon enemmän autonomisen ajaminen datan verrattuna aiemmin, kuten tien ja liikenteen dataa, joka on olennainen seurantajärjestelmien koulutukseen. Mitä enemmän dataa on, sitä onnistuneampi itseohjautuva auto voi olla.

Tutkimustyö esiteltiin virtuaalisessa Computer Vision and Pattern Recognition (CVPR) -konferenssissa 14.-19. kesäkuuta.

Himangi Mittal on tutkimusavustaja, joka työskentelee David Heldin, CMU:n robotiikan instituutin apulaisprofessorin, rinnalla.

“Meidän menetelmämme on paljon vankempi kuin aiemmat menetelmät, koska voimme kouluttaa suuremmilla dataseteillä”, Mittal sanoi.

Lidar ja kohteen virtaus

Useimmat nykyiset itseohjautuvat ajoneuvot luottavat lidariin pääasiallisena navigointijärjestelmänään. Lidar on laserlaite, joka tarkkailee ympäröivää ympäristöä ja luo siitä 3D-tiedon.

3D-tieto tulee pisteiden pilvena, ja ajoneuvo käyttää kohteen virtaustekniikkaa prosessoidakseen tiedon. Kohteen virtaus käsittää kunkin 3D-pisteen nopeuden ja radan laskemisen. Kun on muita ajoneuvoja, jalankulkijoita tai liikkuvia esineitä, ne esitetään järjestelmälle pisteryhmänä, joka liikkuu yhdessä.

Perinteiset menetelmät näiden järjestelmien kouluttamiseen vaativat merkittyjä datasettejä, jotka ovat sensoridataa, joka on annotoitu seuratakseen 3D-pisteitä ajan myötä. Koska nämä datasetit on merkittävä merkitä käsin ja ne ovat kalliita, niitä on saatavilla vain vähän. Tämän vuoksi simuloitu dataa käytetään kohteen virtauskoulutuksessa, ja vaikka se on vähemmän tehokasta kuin muilla tavoilla, pieni määrä todellista dataa käytetään parantamaan sitä.

Nimetyt tutkijat, yhdessä tohtorikoulutettavan Brian Okornin kanssa, kehittivät uuden menetelmän käyttämällä merkittämätöntä dataa kohteen virtauskoulutuksessa. Tämänkaltaista dataa on helppo kerätä, ja siihen vaaditaan vain lidarin asettaminen auton päälle, kun se ajaa ympäriinsä.

Virheiden havaitseminen

Jotta tämä toimisi, tutkijoiden on löydettävä keino järjestelmän itsensä virheiden havaitsemiseen kohteen virtauksessa. Uusi järjestelmä yrittää tehdä ennusteita siitä, minne kunkin 3D-pisteen pitäisi päätyä ja kuinka nopeasti se liikkuu, ja se mittaa etäisyyden ennustetun sijainnin ja pisteen todellisen sijainnin välillä. Tästä muodostuu yksi virhetyyppi, jota on minimoida.

Tämän prosessin jälkeen järjestelmä toimii taaksepäin ennustetusta pisteen sijainnista ja kartoittaa, mistä piste on peräisin. Mittaamalla etäisyyttä ennustetun sijainnin ja alkuperäisen pisteen sijainnin välillä muodostuu toinen virhetyyppi, joka muodostuu tuloksena saadusta etäisyydestä.

Virheiden havaitsemisen jälkeen järjestelmä korjaa ne.

“Se osoittautuu, että molempien virheiden poistamiseksi järjestelmän on opittava tekemään oikea asia, ilman että kukaan kerro sen, mitä oikea asia on”, Held sanoi.

Tulokset osoittivat kohteen virtausvirheen 25 prosentissa, kun käytettiin synteettistä dataa koulutusjoukkona, ja kun siihen lisättiin pieni määrä todellista dataa, luku kasvoi 31 prosenttiin. Luku parani edelleen 46 prosenttiin, kun suuri määrä merkittämätöntä dataa lisättiin järjestelmän koulutukseen.