Metode Baru Membantu Mobil Tanpa Pengemudi Menciptakan ‘Memori’

Tim peneliti di Cornell University telah mengembangkan metode baru yang memungkinkan kendaraan otonom menciptakan “memori” dari pengalaman sebelumnya, yang kemudian dapat digunakan dalam navigasi di masa depan. Ini akan sangat berguna ketika mobil tanpa pengemudi tidak dapat mengandalkan sensor dalam lingkungan cuaca buruk.

Belajar dari Masa Lalu

Mobil tanpa pengemudi saat ini yang menggunakan jaringan neural buatan tidak memiliki memori dari masa lalu, yang berarti mereka selalu “melihat” hal-hal untuk pertama kalinya. Dan ini benar terlepas dari berapa kali mereka telah mengemudi di jalan yang sama.

Killian Weinberger adalah penulis senior penelitian dan profesor ilmu komputer.

“Pertanyaan mendasar adalah, dapatkah kita belajar dari traversal berulang?” kata Weinberger. “Misalnya, mobil mungkin salah mengenali pohon yang berbentuk aneh sebagai pejalan kaki pertama kali pemindai laser mendeteksinya dari jarak jauh, tetapi sekali itu cukup dekat, kategori objek akan menjadi jelas. Jadi, kedua kalinya Anda mengemudi melewati pohon yang sama, bahkan dalam kabut atau salju, Anda akan berharap mobil telah belajar mengenali dengan benar.”

Dipimpin oleh mahasiswa doktoral Carlos Diaz-Ruiz, kelompok tersebut menciptakan dataset dengan mengemudi mobil yang dilengkapi dengan sensor LiDAR. Mobil tersebut dikemudi sekitar 15 kilometer loop selama 40 kali selama 18 bulan. Berbagai tes mengemudi menangkap lingkungan, kondisi cuaca, dan waktu hari yang berbeda. Semua ini menciptakan dataset dengan lebih dari 600.000 adegan.

“Ini sengaja mengekspos salah satu tantangan utama dalam mobil tanpa pengemudi: kondisi cuaca buruk,” kata Diaz-Ruiz. “Jika jalan ditutupi salju, manusia dapat mengandalkan memori, tetapi tanpa memori, jaringan neural sangat terbatas.”

HINDSIGHT dan MODEST

Salah satu pendekatan, yang disebut HINDSIGHT, menggunakan jaringan neural untuk menghitung deskriptor objek saat mobil melewatinya. Deskripsi ini, yang disebut SQuaSH, kemudian dikompresi dan disimpan pada peta virtual, menciptakan jenis “memori” yang serupa dengan bagaimana kita menyimpan memori kita sendiri di otak.

Ketika mobil tanpa pengemudi melewati lokasi yang sama di masa depan, itu akan mengquery database SQuaSH lokal dari setiap titik LiDAR sepanjang rute, “mengingat” apa yang telah dipelajari. Database yang terus diperbarui dibagikan di seluruh kendaraan, membantu meningkatkan pengenalan dengan menyediakan lebih banyak informasi.

Yurong You adalah mahasiswa doktoral.

“Informasi ini dapat ditambahkan sebagai fitur ke detektor objek 3D berbasis LiDAR,” kata You. “Baik detektor dan representasi SQuaSH dapat dilatih bersama tanpa supervisi tambahan, atau anotasi manusia, yang memakan waktu dan tenaga.

HINDSIGHT akan membantu tim dengan penelitian tambahan yang mereka lakukan, yang disebut MODEST (Mobile Object Detection with Ephemerality and Self-Training). MODEST akan meningkatkan proses ini dan memungkinkan mobil untuk belajar seluruh pipa pengenalan.

HINDSIGHT menganggap jaringan neural buatan sudah dilatih untuk mendeteksi objek dan meningkatkan kemampuan untuk menciptakan memori, sedangkan MODEST menganggap jaringan neural buatan belum pernah terkena objek atau jalan. Setelah beberapa kali melewati rute yang sama, itu akan belajar bagian mana dari lingkungan yang statis atau objek yang bergerak. Proses ini memungkinkan sistem untuk mengajar diri sendiri apa yang harus diperhatikan sebagai peserta lalu lintas lainnya.

Algoritma tersebut menunjukkan kemampuan untuk mendeteksi objek dengan andal bahkan di jalan yang tidak termasuk dalam traversal awal.

Tim percaya bahwa pendekatan baru ini dapat mengurangi biaya pengembangan kendaraan otonom, serta membuatnya lebih efisien.