Jauna metode palīdz pašbraucošām automašīnām radīt "atmiņas"

Kornela universitātes pētnieku komanda ir izstrādājusi jaunu metodi, kas ļauj autonomiem transportlīdzekļiem izveidot "atmiņas" par iepriekšējo pieredzi, ko pēc tam var izmantot turpmākajā navigācijā. Tas būs īpaši noderīgi, ja šīs pašbraucošās automašīnas nevar paļauties uz sensoriem sliktos laikapstākļos.

Mācīšanās no pagātnes

Pašreizējām pašbraucošajām automašīnām, kas izmanto mākslīgos neironu tīklus, nav pagātnes atmiņas, kas nozīmē, ka tās pastāvīgi "redz" lietas pirmo reizi. Un tas ir taisnība neatkarīgi no tā, cik reižu viņi ir braukuši tieši to pašu ceļu.

Kilians Veinbergers ir pētījuma vecākais autors un datorzinātņu profesors.

"Pamatjautājums ir, vai mēs varam mācīties no atkārtotiem braucieniem?" teica Veinbergers. "Piemēram, automašīna var sajaukt dīvainas formas koku ar gājēju, kad tās lāzerskeneris to pirmo reizi uztver no attāluma, bet, tiklīdz tas ir pietiekami tuvu, objekta kategorija kļūst skaidra. Tātad, otrreiz braucot garām tam pašam kokam pat miglā vai sniegā, jūs varētu cerēt, ka automašīna tagad ir iemācījusies to pareizi atpazīt.

Doktoranta Carlos Diaz-Ruiz vadībā grupa izveidoja datu kopu, vadot automašīnu, kas aprīkota ar LiDAR sensoriem. Tas tika apbraukts ap 15 kilometru garu loku kopumā 40 reizes 18 mēnešu laikā. Dažādie testa braucieni fiksēja dažādas vides, laika apstākļus un diennakts laikus. Tas viss izveidoja datu kopu ar vairāk nekā 600,000 XNUMX ainu.

"Tas apzināti atklāj vienu no galvenajiem izaicinājumiem pašpiedziņas automašīnām: sliktus laika apstākļus," sacīja Diazs-Ruizs. "Ja ielu klāj sniegs, cilvēki var paļauties uz atmiņām, bet bez atmiņām neironu tīkls ir ļoti nelabvēlīgā situācijā."

AIZMĒRZINĀJUMS un PIETIECĪBAS

Viena no pieejām, ko sauc par HINDSIGHT, izmanto neironu tīklus, lai aprēķinātu objektu deskriptorus, kad automašīna tiem brauc garām. Šie apraksti, ko sauc par SQuaSH, pēc tam tiek saspiesti un saglabāti virtuālajā kartē, radot "atmiņas" veidu, kas ir līdzīgs tam, kā mēs glabājam savas atmiņas smadzenēs.

Kad pašbraucošā automašīna nākotnē šķērso to pašu vietu, tā veic vaicājumus vietējā SQuaSH datubāzē par katru LiDAR punktu maršrutā, “atceroties” uzzināto. Pastāvīgi atjauninātā datubāze tiek koplietota starp transportlīdzekļiem, palīdzot uzlabot atpazīšanu, sniedzot vairāk informācijas.

Yurong You ir doktorants.

"Šo informāciju var pievienot kā funkcijas jebkuram uz LiDAR balstītam 3D objektu detektoram," sacīja Jūs. "Gan detektoru, gan SQuaSH attēlojumu var apmācīt kopīgi bez papildu uzraudzības vai cilvēka anotācijas, kas ir laikietilpīga un darbietilpīga.

HINDSIGHT palīdzēs komandai veikt papildu pētījumus, ko sauc par MODEST (mobilo objektu noteikšana ar īslaicīgumu un pašmācību). MODEST veicinātu šo procesu un ļautu automašīnai apgūt visu uztveres cauruļvadu.

HINDSIGHT pieņem, ka mākslīgais neironu tīkls jau ir apmācīts atklāt objektus un papildināt ar spēju radīt atmiņas, savukārt MODEST pieņem, ka mākslīgais neironu tīkls nekad nav bijis pakļauts nevienam objektam vai ielām. Pēc vairākiem viena maršruta šķērsošanas tas uzzina, kuras vides daļas ir nekustīgi vai kustīgi objekti. Šis process ļauj sistēmai pašai iemācīties, kam tai būtu jāpievērš uzmanība citiem satiksmes dalībniekiem.

Algoritms parādīja spēju droši noteikt objektus pat uz ceļiem, kas neveido sākotnējos šķērsojumus.

Komanda uzskata, ka šīs jaunās pieejas varētu samazināt autonomo transportlīdzekļu izstrādes izmaksas, kā arī padarīt tos efektīvākus.