自動運転車の「記憶」作成を可能にする新しい方法

コーネル大学の研究チームは、自動運転車が過去の経験を「記憶」することができる新しい方法を開発しました。この「記憶」は、将来的にナビゲーションに使用できます。特に、自動運転車が悪天候の環境でセンサーに頼ることができない場合に役立ちます。

過去から学ぶ

現在の自動運転車は、人工ニューラルネットワークを使用していますが、過去の記憶がないため、常に新しいものを見ていることになります。これは、同じ道路を何度も運転した場合でも同じです。

キリアン・ワインバーガーは、研究の主任著者であり、コンピューターサイエンスの教授です。

「基本的な質問は、繰り返しの走行から学べるかどうかです」とワインバーガーは述べました。たとえば、車は最初にレーザースキャナーで遠くから見たときに、奇妙な形の木を歩行者と間違えるかもしれません。しかし、近づいたときに、オブジェクトのカテゴリが明らかになります。したがって、同じ木を2回目に通過するとき、霧や雪の中でも、車は正しく認識することを期待します。」

博士課程の学生カルロス・ディアス＝ルイスが率いるグループは、LiDARセンサーを搭載した車を使用してデータセットを作成しました。車は15キロメートルのループを18ヶ月間にわたって40回走行しました。さまざまなテスト走行により、さまざまな環境、天候条件、時間帯が捉えられ、60万を超えるシーンが含まれるデータセットが作成されました。

「悪天候条件が意図的に露呈するように設計されています」とディアス＝ルイスは述べました。「道路が雪で覆われている場合、人間は記憶に頼ることができますが、記憶がないニューラルネットワークは大きな不利を被ります。」

HINDSIGHTとMODEST

HINDSIGHTというアプローチでは、車が通過するオブジェクトの記述子をニューラルネットワークで計算します。これらの記述子はSQuaSHと呼ばれ、圧縮されて仮想マップに保存され、脳に記憶を保存するように「記憶」を作成します。

将来的に、自動運転車が同じ場所を通過するとき、ローカルのSQuaSHデータベースを照会し、LiDARポイントごとに「記憶」することができます。継続的に更新されるデータベースは、車両間で共有され、より多くの情報を提供することで認識を改善します。

ユーロン・ユーは博士課程の学生です。

「この情報は、LiDARベースの3Dオブジェクト検出器に機能として追加できます」とユーは述べました。検出器とSQuaSH表現は、追加の監視や人間の注釈なしで共同でトレーニングできます。これは時間がかかり、労力が必要です。」

HINDSIGHTは、チームが行っている別の研究、MODEST（Mobile Object Detection with Ephemerality and Self-Training）に役立ちます。MODESTは、このプロセスを進歩させ、車が完全な認識パイプラインを学習できるようにします。

HINDSIGHTは、人工ニューラルネットワークがすでにオブジェクトを検出するようにトレーニングされていると仮定し、「記憶」を作成する能力を付加します。一方、MODESTは、人工ニューラルネットワークがオブジェクトや道路に以前接したことがないと仮定します。同じルートを何度も走行することで、環境のどの部分が静止したオブジェクトか、移動するオブジェクトかを学習します。このプロセスにより、システムは自分で何に注目するべきかを教えます。

アルゴリズムは、初期走行に含まれていなかった道路上でもオブジェクトを信頼性高く検出する能力を示しました。

チームは、これらの新しいアプローチが自動運転車の開発コストを削減し、効率を高めることができると考えています。