Безбедноста на самоуправувачките автомобили подобрена со нов метод на обука

Една од најважните задачи за самоуправувачки автомобил кога станува збор за безбедноста е следење на пешаци, предмети и други возила или велосипеди. За да го направат ова, самоуправувачките автомобили се потпираат на системите за следење. Овие системи би можеле да станат уште поефикасни со новиот метод развиен од истражувачите од Универзитетот Карнеги Мелон (CMU). 

Новиот метод отклучи многу повеќе податоци за автономно возење во споредба со претходно, како што се податоците за патиштата и сообраќајот кои се клучни за системите за следење на обуката. Колку повеќе податоци има, толку поуспешен може да биде самоуправувачкиот автомобил. 

Работата беше претставена на виртуелниот Компјутерска визија и препознавање на модели (CVPR) конференција помеѓу 14-19 јуни. 

Химанги Митал е истражувачки практикант кој работи заедно со Дејвид Хелд, асистент професор во Институтот за роботика на CMU. 

„Нашиот метод е многу поцврст од претходните методи бидејќи можеме да тренираме на многу поголеми збирки на податоци“, рече Митал. 

Лидар и сценски тек

Повеќето од денешните автономни возила се потпираат на lidar како главен систем за навигација. Lidar е ласерски уред кој гледа во она што го опкружува возилото и генерира 3D информации од него.

3D информациите доаѓаат во форма на облак од точки, а возилото користи техника наречена тек на сцена за да ги обработи податоците. Текот на сцената вклучува брзина и траекторија на секоја 3D точка што се пресметува. Значи, секогаш кога има други возила, пешаци или предмети што се движат, тие се прикажуваат на системот како група точки што се движат заедно. 

Традиционалните методи за обука на овие системи вообичаено бараат означени збирки на податоци, што се податоци од сензорите кои се забележани за следење на 3D точките со текот на времето. Бидејќи овие збирки на податоци треба да бидат рачно означени и се скапи, постои многу минимална количина. За да се заобиколи ова, симулираните податоци се користат во обуката за текот на сцената, и иако се помалку ефективни од другиот начин, мала количина на податоци од реалниот свет се користи за нивно подобрување. 

Именуваните истражувачи, заедно со д-р. студентот Брајан Окорн, го разви новиот метод со користење на неозначени податоци во обуката за тек на сцена. Овој тип на податоци е многу полесен за собирање и бара само поставување на лидар на врвот на автомобилот додека се вози наоколу. 

Откривање на грешки

За да успее ова, истражувачите мораа да најдат начин системот да ги открие сопствените грешки во текот на сцената. Новиот систем се обидува да направи предвидувања за тоа каде ќе заврши секоја 3Д точка и колку брзо се движи, а потоа го мери растојанието помеѓу предвидената локација и вистинската локација на точката. Ова е она што формира еден вид на грешка што треба да се минимизира.

По тој процес, системот потоа се враќа назад и работи наназад од предвидената локација на точката за да мапира од каде потекнува точката. Со мерење на растојанието помеѓу предвидената позиција и почетната точка, од добиеното растојание се формира вториот тип на грешка.

Откако ќе ги открие овие грешки, системот потоа работи за да ги исправи.

„Излегува дека за да се елиминираат и двете тие грешки, системот всушност треба да научи да ја прави вистинската работа, без воопшто да му се каже што е вистинската работа“, рече Хелд.

Резултатите покажаа точност на текот на сцената од 25% при користење на сет за обука од синтетички податоци, а кога беше подобрена со мала количина на податоци од реалниот свет, тој број се зголеми на 31%. Бројката се подобри уште повеќе на 46% кога беа додадени голем број неозначени податоци за обука на системот.