Uusi menetelmä auttaa itseajavia autoja luomaan “muistin”

Cornellin yliopiston tutkijaryhmä on kehittänyt uuden menetelmän, joka mahdollistaa itseajavien autojen luomisen “muistin” aiemmista kokemuksista, joita voidaan käyttää tulevissa navigaatioissa. Tämä on erityisen hyödyllistä, kun itseajavat autot eivät voi luottaa aistimien havaintoihin huonossa säässä.

Opittu menneisyydestä

Nykyiset itseajavat autot, jotka käyttävät tekoälyverkkoja, eivät muista menneisyyttä, mikä tarkoittaa, että ne “näkevät” asioita aina ensimmäistä kertaa. Tämä on totta riippumatta siitä, kuinka monta kertaa ne ovat ajanneet samalla tiellä.

Killian Weinberger on tutkimuksen vanhempi tekijä ja tietojenkäsittelytieteen professori.

“Perus kysymys on, voimmeko opiskella toistuvista kiertämisistä?” Weinberger sanoi. “Esimerkiksi auto voi sekoittaa outoa muotoista puuta jalankulkijaan ensimmäisen kerran, kun sen laser skanneri havaitsee sen etäältä, mutta kun se on riittävän lähellä, objektin kategoria tulee selväksi. Joten toisella kerralla, kun ajat saman tien, olipa sää millainen tahansa, toivot, että auto on oppinut tunnistamaan sen oikein.”

Johtaja Carlos Diaz-Ruiz ja ryhmä loivat tietokannan ajaessa autoa, jossa oli LiDAR-anturit. Autoa ajettiin 15 kilometrin lenkillä yhteensä 40 kertaa 18 kuukauden aikana. Erilaiset testiajot tallensivat erilaisia ympäristöjä, sääolosuhteita ja päiväaikoja. Tämä loi tietokannan, jossa oli yli 600 000 kohtauksia.

“Se tarkoituksella paljastaa yhden itseajavien autojen avain haasteista: huonot sääolosuhteet”, Diaz-Ruiz sanoi. “Jos katu on peitetty lumella, ihmiset voivat luottaa muistiin, mutta ilman muistia tekoälyverkko on huomattavasti heikompi.”

HINDSIGHT ja MODEST

Yksi lähestymistavoista, jota kutsutaan HINDSIGHTiksi, käyttää tekoälyverkkoja laskemaan objekti kuvaajia, kun auto ajaa niiden ohi. Nämä kuvaukset, jotka kutsutaan SQuaSHiksi, pakataan ja tallennetaan virtuaalikartalle, luoden tyyppi “muisti”, joka on samanlainen kuin se, miten me tallennamme omat muistimme aivoihimme.

Kun itseajava auto ajaa samassa paikassa tulevaisuudessa, se kysyy paikallista SQuaSH-tietokantaa jokaisesta LiDAR-pisteestä reitillä, “muistaen” mitä se on oppinut. Jatkuvasti päivitettävä tietokanta on jaettu autojen kesken, mikä parantaa tunnistamista tarjoamalla enemmän tietoa.

Yurong You on tohtorikoulutettava.

“Tämä tieto voidaan lisätä ominaisuuksina mihin tahansa LiDAR-pohjaiseen 3D-objekti havaitsijaan”, You sanoi. “Sekä havaitsija että SQuaSH- edustus voidaan kouluttaa yhdessä ilman lisä valvontaa tai ihmisen annotaatiota, mikä on aikaa- ja työvoimaa vaativaa.

HINDSIGHT auttaa ryhmää heidän tekemissään lisätutkimuksissa, jotka kutsutaan MODESTiksi (Mobile Object Detection with Ephemerality and Self-Training). MODEST edistää tätä prosessia ja mahdollistaa auton oppimisen koko havaintoputken.

HINDSIGHT olettaa, että tekoälyverkko on jo koulutettu tunnistamaan objekteja ja lisää muistiin, kun taas MODEST olettaa, että tekoälyverkko ei ole koskaan nähnyt objekteja tai katuja. Useiden saman reitin ajamisen jälkeen se oppii, mitkä osat ympäristöstä ovat paikallaan olevia tai liikkuvia objekteja. Tämä prosessi mahdollistaa järjestelmän opettamaan itselleen, mihin se pitäisi kiinnittää huomiota muina liikenteen osanottajina.

Algoritmi osoitti kykynsä havaita objekteja luotettavasti myös teillä, jotka eivät kuuluneet alkuperäisiin kiertämisiiin.

Ryhmä uskoo, että nämä uudet lähestymistavat voivat vähentää itseajavien autojen kehittämiskustannuksia ja tehdä niistä tehokkaampia.