Sigurnost samovozećih automobila poboljšana novom metodom obuke

Jedan od najvažnijih zadataka samovozećeg automobila kada je u pitanju sigurnost je praćenje pješaka, objekata i drugih vozila ili bicikala. Kako bi to učinili, samovozeći se automobili oslanjaju na sustave za praćenje. Ovi bi sustavi mogli postati još učinkovitiji s novom metodom koju su razvili istraživači sa Sveučilišta Carnegie Mellon (CMU). 

Nova metoda otključala je puno više podataka o autonomnoj vožnji u usporedbi s prije, poput podataka o cestama i prometu koji su ključni za sustave praćenja obuke. Što je više podataka, samovozeći automobil može biti uspješniji. 

Rad je predstavljen na virtualnom Računalni vid i prepoznavanje uzoraka (CVPR) konferencija između 14. i 19. lipnja. 

Himangi Mittal je istraživač pripravnik koji radi zajedno s Davidom Heldom, docentom na Institutu za robotiku CMU-a. 

"Naša je metoda puno robusnija od prethodnih metoda jer možemo trenirati na puno većim skupovima podataka", rekao je Mittal. 

Lidar i Scene Flow

Većina današnjih autonomnih vozila oslanja se na lidar kao glavni sustav za navigaciju. Lidar je laserski uređaj koji promatra ono što okružuje vozilo i iz toga generira 3D informacije.

3D informacije dolaze u obliku oblaka točaka, a vozilo koristi tehniku ​​zvanu tijek scene kako bi obradilo podatke. Tijek scene uključuje brzinu i putanju svake 3D točke koja se izračunava. Dakle, kad god postoje druga vozila, pješaci ili pokretni objekti, oni se prikazuju sustavu kao grupa točaka koje se kreću zajedno. 

Tradicionalne metode za obuku ovih sustava obično zahtijevaju označene skupove podataka, što su podaci senzora koji su označeni za praćenje 3D točaka tijekom vremena. Budući da se ti skupovi podataka moraju ručno označiti i skupi su, postoji vrlo minimalna količina. Da bi se to zaobišlo, simulirani podaci koriste se u obuci toka scene, i iako je manje učinkovit od drugog načina, mala količina podataka iz stvarnog svijeta koristi se za njegovo poboljšanje. 

Imenovani istraživači, uz dr. sc. student Brian Okorn, razvio je novu metodu korištenjem neoznačenih podataka u obuci toka scene. Ovu vrstu podataka mnogo je lakše prikupiti i zahtijeva samo postavljanje lidara na vrh automobila dok se vozi okolo. 

Otkrivanje grešaka

Kako bi ovo funkcioniralo, istraživači su morali pronaći način da sustav otkrije vlastite pogreške u tijeku scene. Novi sustav pokušava predvidjeti gdje će svaka 3D točka završiti i koliko brzo putuje, a zatim mjeri udaljenost između predviđene lokacije i stvarne lokacije točke. To je ono što čini jednu vrstu pogreške koju treba minimizirati.

Nakon tog procesa, sustav se zatim okreće i radi unatrag od predviđene lokacije točke kako bi mapirao odakle je točka nastala. Mjerenjem udaljenosti između predviđene pozicije i ishodišne ​​točke iz dobivene udaljenosti formira se druga vrsta pogreške.

Nakon otkrivanja tih grešaka, sustav zatim radi na njihovom ispravljanju.

"Ispostavilo se da za uklanjanje obje te pogreške, sustav zapravo treba naučiti činiti pravu stvar, a da mu se nikada ne kaže što je prava stvar", rekao je Held.

Rezultati su pokazali točnost protoka scene od 25% kada se koristi skup sintetičkih podataka za obuku, a kada je poboljšan s malom količinom podataka iz stvarnog svijeta, taj se broj povećao na 31%. Broj se još više poboljšao na 46% kada je dodana velika količina neoznačenih podataka za obuku sustava.