Nuovo Metodo Aiuta le Auto a Guida Autonoma a Creare “Memorie”

Un team di ricercatori dell’Università di Cornell ha sviluppato un nuovo metodo che consente alle auto a guida autonoma di creare “memorie” delle esperienze precedenti, che possono essere utilizzate nella navigazione futura. Ciò sarà particolarmente utile quando queste auto a guida autonoma non possono fare affidamento sui sensori in ambienti con cattive condizioni meteorologiche.

Imparare dal Passato

Le auto a guida autonoma attuali che utilizzano reti neurali artificiali non hanno memoria del passato, il che significa che stanno costantemente “vedendo” le cose per la prima volta. E ciò è vero indipendentemente da quante volte abbiano percorso la stessa strada.

Killian Weinberger è l’autore principale della ricerca e professore di scienze informatiche.

“La domanda fondamentale è, possiamo imparare dalle traversate ripetute?” ha detto Weinberger. “Ad esempio, un’auto potrebbe scambiare un albero dalla forma strana per un pedone la prima volta che il suo scanner laser lo percepisce da lontano, ma una volta che si avvicina a sufficienza, la categoria dell’oggetto diventerà chiara. Quindi, la seconda volta che si guida oltre lo stesso albero, anche in nebbia o neve, si spera che l’auto abbia imparato a riconoscerlo correttamente.”

Guidato dal dottorando Carlos Diaz-Ruiz, il gruppo ha creato un set di dati guidando un’auto equipaggiata con sensori LiDAR. L’auto è stata guidata intorno a un circuito di 15 chilometri per un totale di 40 volte nel corso di un periodo di 18 mesi. Le varie prove hanno catturato ambienti diversi, condizioni meteorologiche e orari del giorno. Ciò ha creato un set di dati con oltre 600.000 scene.

“Ciò espone intenzionalmente una delle sfide chiave nelle auto a guida autonoma: le cattive condizioni meteorologiche”, ha detto Diaz-Ruiz. “Se la strada è coperta di neve, gli esseri umani possono fare affidamento sulla memoria, ma senza memoria una rete neurale è fortemente svantaggiata.”

HINDSIGHT e MODEST

Uno degli approcci, denominato HINDSIGHT, utilizza reti neurali per calcolare descrittori di oggetti mentre l’auto li supera. Queste descrizioni, denominate SQuaSH, vengono quindi compressi e archiviati su una mappa virtuale, creando un tipo di “memoria” simile a come noi archiviamo le nostre memorie nel cervello.

Quando l’auto a guida autonoma percorre lo stesso luogo in futuro, interroga il database locale SQuaSH di ogni punto LiDAR lungo il percorso, “ricordando” ciò che ha imparato. Il database aggiornato continuamente viene condiviso tra i veicoli, aiutando a migliorare il riconoscimento fornendo più informazioni.

Yurong You è un dottorando.

“Queste informazioni possono essere aggiunte come caratteristiche a qualsiasi rilevatore di oggetti 3D basato su LiDAR”, ha detto You. “Sia il rilevatore che la rappresentazione SQuaSH possono essere addestrati congiuntamente senza alcuna supervisione aggiuntiva o annotazione umana, che è dispendiosa in termini di tempo e lavoro.

HINDSIGHT aiuterà il team con ulteriori ricerche che stanno conducendo, chiamate MODEST (Mobile Object Detection with Ephemerality and Self-Training). MODEST avanzerà questo processo e consentirà all’auto di imparare l’intera pipeline di percezione.

HINDSIGHT presume che la rete neurale artificiale sia già stata addestrata a rilevare oggetti e aumenta la capacità di creare memorie, mentre MODEST presume che la rete neurale non sia mai stata esposta a oggetti o strade. Dopo molteplici traversate dello stesso percorso, impara quali parti dell’ambiente sono oggetti stazionari o in movimento. Ciò consente al sistema di insegnare a se stesso cosa dovrebbe essere oggetto di attenzione come altri partecipanti al traffico.

L’algoritmo ha dimostrato la capacità di rilevare oggetti in modo affidabile anche su strade che non facevano parte delle traversate iniziali.

Il team ritiene che questi nuovi approcci possano ridurre il costo di sviluppo dei veicoli autonomi, nonché renderli più efficienti.