Veiligheid van zelfrijdende auto’s verbeterd met nieuwe trainingsmethode

Een van de belangrijkste taken voor een zelfrijdende auto als het gaat om veiligheid is het volgen van voetgangers, objecten en andere voertuigen of fietsen. Om dit te doen, vertrouwen zelfrijdende auto’s op volgsystemen. Deze systemen kunnen nog effectiever worden met een nieuwe methode ontwikkeld door onderzoekers aan de Carnegie Mellon University (CMU).

De nieuwe methode heeft veel meer gegevens over autonome rijden ontsloten in vergelijking met eerder, zoals weg- en verkeersgegevens die cruciaal zijn voor het trainen van volgsystemen. Hoe meer gegevens er zijn, hoe succesvoller de zelfrijdende auto kan zijn.

Het onderzoek werd gepresenteerd op de virtuele Computer Vision and Pattern Recognition (CVPR)conferentie tussen 14 en 19 juni.

Himangi Mittal is een onderzoeksstagiair die samenwerkt met David Held, een assistent-professor aan het Robotics Institute van CMU.

“Onze methode is veel robuuster dan eerdere methoden omdat we kunnen trainen op veel grotere datasets,” zei Mittal.

Lidar en Scene Flow

De meeste autonome voertuigen van vandaag vertrouwen op lidar als hun belangrijkste systeem voor navigatie. Lidar is een lasertoestel dat kijkt naar wat er om het voertuig heen is en genereert 3D-informatie daaruit.

De 3D-informatie komt in de vorm van een wolk van punten, en het voertuig gebruikt een techniek genaamd scene flow om de gegevens te verwerken. Scene flow houdt in dat de snelheid en traject van elk 3D-punt wordt berekend. Dus, wanneer er andere voertuigen, voetgangers of bewegende objecten zijn, worden ze aan het systeem gepresenteerd als een groep punten die samen bewegen.

Traditionele methoden voor het trainen van deze systemen vereisen meestal gelabelde datasets, wat sensorgegevens zijn die zijn geannoteerd om de 3D-punten over tijd te volgen. Omdat deze datasets handmatig moeten worden gelabeld en duur zijn, bestaat er maar een minimale hoeveelheid. Om hieromheen te komen, wordt gesimuleerde gegevens gebruikt in scene flow-training, en hoewel het minder effectief is dan de andere manier, wordt een kleine hoeveelheid echte gegevens gebruikt om het te verbeteren.

De genoemde onderzoekers, samen met promovendus Brian Okorn, ontwikkelden de nieuwe methode door ongelabelde gegevens te gebruiken in scene flow-training. Dit type gegevens is veel gemakkelijker te verzamelen en vereist alleen dat een lidar op de auto wordt geplaatst terwijl deze rondrijdt.

Foutdetectie

Om dit te laten werken, moesten de onderzoekers een manier vinden voor het systeem om zijn eigen fouten in scene flow te detecteren. Het nieuwe systeem probeert voorspellingen te doen over waar elk 3D-punt terecht zal komen en hoe snel het reist, en meet vervolgens de afstand tussen de voorspelde locatie en de werkelijke locatie van het punt. Dit vormt één type fout dat geminimaliseerd moet worden.

Na dit proces werkt het systeem vervolgens achteruit van de voorspelde puntlocatie om te bepalen waar het punt vandaan kwam. Door de afstand tussen de voorspelde positie en de oorsprong van het punt te meten, wordt het tweede type fout gevormd uit de resulterende afstand.

Na het detecteren van deze fouten, werkt het systeem vervolgens aan het corrigeren ervan.

“Het blijkt dat om beide fouten te elimineren, het systeem eigenlijk moet leren om het juiste te doen, zonder ooit te worden verteld wat het juiste is,” zei Held.

De resultaten toonden scene flow-nauwkeurigheid aan van 25% bij het gebruik van een trainingsset van synthetische gegevens, en toen het werd verbeterd met een kleine hoeveelheid echte gegevens, nam dat aantal toe tot 31%. Het aantal verbeterde nog meer tot 46% toen een grote hoeveelheid ongelabelde gegevens werd toegevoegd om het systeem te trainen.