自動運転車が「思い出」を作るのに役立つ新しい方法

コーネル大学の研究チームは、自動運転車が以前の経験の「記憶」を作成し、将来のナビゲーションに使用できるようにする新しい方法を開発しました。 これは、自動運転車が悪天候環境でセンサーに頼れない場合に特に役立ちます。

過去から学ぶ

人工ニューラルネットワークを使用した現在の自動運転車は過去の記憶を持たず、常に初めてのものを「見ている」ことを意味します。そしてこれは、まったく同じ道を何度運転したかに関係なく当てはまります。

Killian Weinberger は、研究の上級著者であり、コンピューター サイエンスの教授です。

「根本的な問題は、繰り返しの横断から学ぶことができるかということです。」 ワインバーガー氏は語った。 「たとえば、車は、レーザースキャナーが遠くから初めてそれを認識したとき、奇妙な形をした木を歩行者と間違えるかもしれませんが、十分に近づくと、オブジェクトのカテゴリーが明確になります。 したがって、霧や雪の中でも同じ木を二度目に通過するときは、車がそれを正しく認識できるようになったと期待するでしょう。」

博士課程の学生、カルロス・ディアス・ルイスが率いるこのグループは、LiDAR センサーを搭載した車を運転してデータセットを作成しました。 15キロメートルの周回コースを40カ月間に計18回走行した。 さまざまなテストドライブでは、さまざまな環境、気象条件、時刻が記録されました。 これらすべてにより、600,000 を超えるシーンを含むデータセットが作成されました。

「これは、自動運転車の重要な課題のXNUMXつである悪天候を意図的に暴露しています」とディアス・ルイス氏は語った。 「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、記憶がないと神経ネットワークは非常に不利になります。」

後知恵と謙虚さ

HINDSIGHT と呼ばれるアプローチの XNUMX つは、ニューラル ネットワークを使用して、車が物体を通過するときにその物体の記述子を計算します。 SQuaSH と呼ばれるこれらの記述は、圧縮されて仮想マップ上に保存され、私たちが脳内に自分の記憶を保存する方法と同様の一種の「記憶」を作成します。

自動運転車が将来同じ場所を通過するとき、ルートに沿ったすべての LiDAR ポイントのローカル SQuaSH データベースにクエリを実行し、学習した内容を「記憶」します。 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の向上に役立ちます。

Yurong You は博士課程の学生です。

「この情報は、LiDAR ベースの 3D 物体検出器に機能として追加できます」と You 氏は言いました。 「検出器と SQuaSH 表現は両方とも、追加の監視や人間による注釈を必要とせずに共同でトレーニングできますが、これには時間と労力がかかります。

HINDSIGHT は、チームが実施している MODEST (一時性と自己トレーニングによるモバイル オブジェクト検出) と呼ばれる追加研究を支援する予定です。 MODEST はこのプロセスを進歩させ、自動車が認識パイプライン全体を学習できるようにします。

HINDSIGHT は、人工ニューラル ネットワークが物体を検出し、記憶を作成する能力を増強するようにすでに訓練されていると想定しますが、MODEST は、人工ニューラル ネットワークがいかなる物体や道路にもさらされていないと想定します。 同じルートを複数回通過した後、環境のどの部分が静止しているのか、移動しているのかを学習します。 このプロセスにより、システムは他のトラフィック参加者として何に注意を払うべきかを自ら学習することができます。

このアルゴリズムは、最初の横断を構成していない道路上でも物体を確実に検出できる能力を実証しました。

研究チームは、これらの新しいアプローチにより自動運転車の開発コストが削減され、効率が向上すると考えています。