自動運転車の安全性を高める新しいトレーニング方法

自動運転車にとって、安全性を確保する上で最も重要なタスクの1つは、歩行者、物体、他の車両、または自転車を追跡することです。自動運転車は、このタスクを実行するためにトラッキングシステムに依存しています。これらのシステムは、カーネギーメロン大学（CMU）の研究者によって開発された新しい方法によってさらに効果的なものになる可能性があります。

新しい方法により、以前よりも多くの自動運転データが利用可能になりました。道路や交通データなどのトラッキングシステムのトレーニングに不可欠なデータが含まれています。利用可能なデータが多いほど、自動運転車の成功率も高くなります。

この研究は、6月14日から19日までの間に開催された仮想のComputer Vision and Pattern Recognition（CVPR）会議で発表されました。

ヒマンギ・ミッタルは、CMUのロボティクス研究所の助教授であるデビッド・ヘルドと共に研究を行っているインターンです。

「私たちの方法は、以前の方法よりもはるかにロバストです。なぜなら、より大きなデータセットでトレーニングできるからです」とミッタルは述べました。

ライダーとシーンフロー

現在の自動運転車の多くは、ナビゲーションの主なシステムとしてライダーを使用しています。ライダーは、車両の周囲をスキャンし、3D情報を生成するレーザー装置です。

3D情報は、点のクラウドの形式で提供され、車両はシーンフローと呼ばれる技術を使用してデータを処理します。シーンフローには、各3D点の速度と軌道を計算することが含まれます。したがって、他の車両、歩行者、または移動物体がシステムに表示される場合、それらは一緒に移動する点のグループとして表示されます。

これらのシステムをトレーニングするための従来の方法では、通常、ラベル付けされたデータセットが必要です。ラベル付けされたデータセットは、3D点を時間の経過に沿って追跡するために、センサーデータに注釈を付けたものです。これらのデータセットは、手動でラベル付けされ、コストが高いため、利用可能なデータセットは非常に少ないです。代わりに、シーンフローのトレーニングにシミュレートされたデータが使用されますが、これは他の方法ほど効果的ではありません。ただし、少量の実世界のデータを使用してシミュレートされたデータを改善することができます。

上記の研究者と共に、Ph.D.の学生であるブライアン・オコーンも、新しい方法を開発しました。新しい方法では、シーンフローのトレーニングにラベル付けされていないデータを使用します。このタイプのデータは、車両にライダーを設置して運転するだけで収集できます。

エラーの検出

これが機能するには、研究者はシステムがシーンフローで自身のエラーを検出する方法を見つける必要がありました。新しいシステムは、各3D点がどこに到達し、どのくらいの速さで移動するかについて予測を試みます。次に、予測された位置と実際の位置の点との間の距離を測定します。これが、最小化するエラーの1つを形成します。

その後、システムは予測された点の位置から逆算して、点がどこから来たかをマッピングします。予測された位置と元の点の位置との間の距離を測定することで、2番目のエラーが形成されます。

これらのエラーを検出した後、システムはそれらを修正します。

「実際には、システムが正しいことを学習する必要があります。ただし、正しいことを何が正しいかを教え込む必要はありません」とヘルドは述べました。

結果は、シミュレートされたデータのトレーニングセットを使用した場合、シーンフローの精度が25%であることを示しました。実世界のデータを少量追加すると、精度は31%に上昇しました。さらに、大量のラベル付けされていないデータを追加してシステムをトレーニングすると、精度は46%に上昇しました。