La tecnologia di guida autonoma di Waymo diventa più intelligente, riconosce miliardi di oggetti grazie alla ricerca di contenuti

I veicoli autonomi sviluppati da Waymo utilizzano tecniche di visione computerizzata e intelligenza artificiale per percepire l’ambiente circostante e prendere decisioni in tempo reale su come il veicolo debba reagire e muoversi. Quando gli oggetti vengono percepiti dalle telecamere e dai sensori all’interno del veicolo, vengono confrontati con un vasto database compilato da Alphabet (GOOG ) (GOOGL ) per essere riconosciuti.

I dataset massicci sono di grande importanza per l’addestramento dei veicoli autonomi, poiché consentono all’intelligenza artificiale all’interno dei veicoli di migliorare e migliorare le loro prestazioni. Tuttavia, gli ingegneri hanno bisogno di un modo efficiente per confrontare gli elementi all’interno del dataset con le query in modo che possano indagare su come l’intelligenza artificiale si comporta con specifici tipi di immagini. Per risolvere questo problema, come riporta VentureBeat, Waymo ha recentemente sviluppato uno strumento chiamato “Content Search”, che funziona in modo simile a come funzionano Google Image Search e Google Photos. Questi sistemi confrontano le query con il contenuto semantico all’interno delle immagini, generando rappresentazioni degli oggetti che rendono più facile la ricerca di immagini in base a query di linguaggio naturale.

Prima dell’avvento di Content Search, se i ricercatori di Waymo volevano recuperare campioni specifici dai log, dovevano descrivere l’oggetto utilizzando euristica. I log di Waymo dovevano essere cercati utilizzando comandi che cercavano oggetti in base a regole, il che significava eseguire ricerche per oggetti che erano “al di sotto di X altezza” o oggetti che “viaggiavano a y miglia all’ora”. I risultati di queste ricerche basate su regole potevano spesso essere molto ampi e i ricercatori avrebbero quindi dovuto esaminare manualmente i risultati restituiti.

Content Search risolve questo problema creando cataloghi di dati e conducendo ricerche di similarità sui diversi cataloghi per trovare le categorie più simili quando viene presentato un oggetto. Se Content Search viene presentato con un camion o un albero, restituirà altri camion o alberi che i veicoli autonomi di Waymo hanno incontrato. Mentre un veicolo di Waymo si muove intorno, registra immagini di oggetti intorno a esso, quindi archivia questi oggetti come embedding/rappresentazioni matematiche. Ciò significa che lo strumento può effettuare un confronto tra categorie di oggetti e classificare le risposte in base a quanto simili all’oggetto fornito sono le immagini di oggetti archiviate. Ciò è simile a come funziona il servizio di matching di similarità di embedding operato da Google.

Gli oggetti che i veicoli di Waymo incontrano possono avere forme e dimensioni diverse, ma tutti devono essere ridotti ai loro componenti essenziali e categorizzati in modo che Content Search funzioni. Per far ciò, Waymo utilizza più modelli di intelligenza artificiale addestrati su una vasta gamma di oggetti. I vari modelli imparano a riconoscere una varietà di oggetti e sono supportati da Content Search, che consente ai modelli di capire se gli elementi appartenenti a una specifica categoria sono presenti in un’immagine data. Un modello di riconoscimento ottico dei caratteri aggiuntivo viene utilizzato insieme al modello principale, consentendo ai veicoli di Waymo di aggiungere informazioni di identificazione aggiuntive agli oggetti nelle immagini, in base a qualsiasi testo trovato nell’immagine. Ad esempio, un camion dotato di segnaletica avrebbe il testo del segnale incluso nella sua descrizione di Content Search.

Grazie ai modelli sopra menzionati che lavorano in concerto, i ricercatori e gli ingegneri di Waymo sono in grado di cercare i log di immagini per oggetti molto specifici come specie di alberi e marche di auto.

Secondo Waymo, come citato da VentureBeat:

“Con Content Search, siamo in grado di annotare automaticamente … gli oggetti nella nostra storia di guida, il che ha esponenzialmente aumentato la velocità e la qualità dei dati che inviamo per l’etichettatura. La capacità di accelerare l’etichettatura ha contribuito a molti miglioramenti in tutto il nostro sistema, dal rilevamento di autobus scolastici con bambini che stanno per scendere sul marciapiede o persone che guidano scooter elettrici a un gatto o un cane che attraversa la strada. Mentre Waymo si espande in più città, continueremo a incontrare nuovi oggetti e scenari.”

Non è la prima volta che Waymo ha utilizzato più modelli di apprendimento automatico per migliorare l’affidabilità e la precisione dei loro veicoli. Waymo ha collaborato con Alphabet/Google in passato, aiutando a sviluppare una tecnica di intelligenza artificiale insieme a DeepMind. Il sistema di intelligenza artificiale trae ispirazione dalla biologia evolutiva. Inizialmente, vengono creati una varietà di modelli di apprendimento automatico e dopo che sono stati addestrati, i modelli che hanno sotto-performato vengono eliminati e sostituiti con modelli discendenti. Questa tecnica ha ridotto notevolmente i falsi positivi e ha anche ridotto le risorse computazionali e il tempo di addestramento richiesti.

https://venturebeat.com/2020/02/06/waymos-ai-content-search-tool-lets-engineers-find-objects-within-its-driving-records/