Sicurezza delle auto a guida autonoma migliorata con nuovo metodo di addestramento

Una delle task più importanti per un’auto a guida autonoma quando si tratta di sicurezza è il tracciamento di pedoni, oggetti e altri veicoli o biciclette. Per fare ciò, le auto a guida autonoma si affidano a sistemi di tracciamento. Questi sistemi potrebbero diventare ancora più efficaci con un nuovo metodo sviluppato da ricercatori della Carnegie Mellon University (CMU).

Il nuovo metodo ha sbloccato molti più dati di guida autonoma rispetto a prima, come ad esempio dati stradali e di traffico che sono fondamentali per l’addestramento dei sistemi di tracciamento. Più dati ci sono, più l’auto a guida autonoma può essere efficace.

Il lavoro è stato presentato alla conferenza virtuale di Computer Vision and Pattern Recognition (CVPR) tra il 14 e il 19 giugno.

Himangi Mittal è una stagista di ricerca che lavora insieme a David Held, professore assistente presso l’Istituto di robotica della CMU.

“Il nostro metodo è molto più robusto dei metodi precedenti perché possiamo addestrare su dataset molto più grandi”, ha detto Mittal.

Lidar e flusso di scena

La maggior parte dei veicoli autonomi di oggi si affidano al lidar come sistema principale di navigazione. Il lidar è un dispositivo laser che esamina ciò che circonda il veicolo e genera informazioni 3D.

Le informazioni 3D arrivano sotto forma di una nuvola di punti, e il veicolo utilizza una tecnica chiamata flusso di scena per elaborare i dati. Il flusso di scena comporta il calcolo della velocità e della traiettoria di ogni punto 3D. Quindi, quando ci sono altri veicoli, pedoni o oggetti in movimento, vengono rappresentati al sistema come un gruppo di punti che si muovono insieme.

I metodi tradizionali per l’addestramento di questi sistemi richiedono generalmente dataset etichettati, che sono dati dei sensori che sono stati annotati per tracciare i punti 3D nel tempo. Poiché questi dataset devono essere etichettati manualmente e sono costosi, ne esiste una quantità molto limitata. Per superare questo limite, si utilizza il dati simulati nell’addestramento del flusso di scena, e sebbene sia meno efficace dell’altro metodo, una piccola quantità di dati del mondo reale viene utilizzata per migliorarlo.

I ricercatori, insieme allo studente di dottorato Brian Okorn, hanno sviluppato il nuovo metodo utilizzando dati non etichettati nell’addestramento del flusso di scena. Questo tipo di dati è molto più facile da raccogliere e richiede solo che un lidar venga posizionato sulla parte superiore di un’auto mentre si guida.

Rilevamento degli errori

Perché questo funzioni, i ricercatori hanno dovuto trovare un modo per far sì che il sistema rilevi i propri errori nel flusso di scena. Il nuovo sistema tenta di fare previsioni su dove ogni punto 3D finirà e a che velocità si sta muovendo, e poi misura la distanza tra la posizione prevista e la posizione effettiva del punto. Ciò forma un tipo di errore da minimizzare.

Dopo questo processo, il sistema lavora a ritroso dalla posizione del punto previsto per mappare da dove il punto è originato. Misurando la distanza tra la posizione prevista e il punto di origine, si forma un secondo tipo di errore dalla distanza risultante.

Dopo aver rilevato questi errori, il sistema lavora per correggerli.

“Risulta che per eliminare entrambi questi errori, il sistema deve effettivamente imparare a fare la cosa giusta, senza mai essere stato detto cosa sia la cosa giusta”, ha detto Held.

I risultati hanno dimostrato l’accuratezza del flusso di scena al 25% quando si utilizza un set di addestramento di dati sintetici, e quando è stato migliorato con una piccola quantità di dati del mondo reale, quel numero è aumentato al 31%. Il numero è migliorato ancora di più al 46% quando è stato aggiunto un grande quantità di dati non etichettati per addestrare il sistema.