Waymo’s Zelfrijdende Technologie Wordt Slimmer, Herkent Miljarden Objecten Dankzij Inhoudszoekfunctie

De autonome voertuigen die zijn ontwikkeld door Waymo, gebruiken computervisietechnieken en kunstmatige intelligentie om de omgevingsomstandigheden waar te nemen en in real-time beslissingen te nemen over hoe het voertuig moet reageren en bewegen. Wanneer objecten worden waargenomen door de camera en sensoren in het voertuig, worden ze gematcht met een grote database die is samengesteld door Alphabet (GOOG ) (GOOGL ) om te worden herkend.

Massieve datasets zijn van groot belang voor de training van autonome voertuigen, omdat ze de AI in de voertuigen in staat stellen om beter te worden en hun prestaties te verbeteren. Echter, ingenieurs hebben een manier nodig om efficiënt items in de dataset te matchen met queries, zodat ze kunnen onderzoeken hoe de AI presteert op specifieke soorten afbeeldingen. Om dit probleem op te lossen, heeft Waymo onlangs een tool ontwikkeld genaamd “Inhoudszoekfunctie”, die werkt op een manier die vergelijkbaar is met hoe Google Image Search en Google Photos werken. Deze systemen matchen queries met de semantische inhoud van afbeeldingen, waardoor het genereren van representaties van objecten en het opvragen van afbeeldingen op basis van natuurlijke taalqueries gemakkelijker wordt.

Voordat de Inhoudszoekfunctie werd geïntroduceerd, moesten Waymo’s onderzoekers, als ze bepaalde voorbeelden uit de logbestanden wilden ophalen, de objecten beschrijven met behulp van heuristieken. Waymo’s logbestanden moesten worden doorzocht met behulp van opdrachten die objecten zochten op basis van regels, wat betekende dat ze zoekopdrachten uitvoerden voor objecten die “onder X hoogte” waren of objecten die “met y mijl per uur reisden”. De resultaten van deze op regels gebaseerde zoekopdrachten konden vaak erg breed zijn en onderzoekers moesten dan handmatig door de geretourneerde resultaten heen gaan.

De Inhoudszoekfunctie lost dit probleem op door catalogi van gegevens te creëren en overeenkomstige zoekopdrachten uit te voeren op de verschillende catalogi om de meest vergelijkbare categorieën te vinden wanneer een object wordt gepresenteerd. Als de Inhoudszoekfunctie een truck of boom wordt gepresenteerd, retourneert het andere trucks of bomen die Waymo’s autonome voertuigen hebben gegenereerd. Terwijl een Waymo-voertuig rondrijdt, worden afbeeldingen van objecten in de omgeving opgenomen en vervolgens als embeddings/wiskundige representaties opgeslagen. Dit betekent dat de tool een vergelijking kan maken tussen objectcategorieën en antwoorden kan rangschikken op basis van hoe vergelijkbaar de opgeslagen objectafbeeldingen zijn met het gepresenteerde object. Dit werkt op een manier die vergelijkbaar is met hoe de embedding-overeenkomstige zoekdienst van Google werkt.

De objecten die Waymo’s voertuigen tegenkomen, kunnen allemaal verschillende vormen en maten hebben, maar ze moeten allemaal worden teruggebracht tot hun essentiële componenten en worden gecategoriseerd, zodat de Inhoudszoekfunctie kan werken. Om dit te laten gebeuren, maakt Waymo gebruik van meerdere AI-modellen die zijn getraind op een breed scala aan objecten. De verschillende modellen leren een breed scala aan objecten te herkennen en worden ondersteund door de Inhoudszoekfunctie, die de modellen in staat stelt om te begrijpen of items die tot een bepaalde categorie behoren, aanwezig zijn in een bepaalde afbeelding. Een extra optische tekenherkenningsmodel wordt gebruikt naast het hoofdmodel, waardoor de Waymo-voertuigen extra identificerende informatie aan objecten in afbeeldingen kunnen toevoegen op basis van eventuele tekst die in de afbeelding wordt gevonden. Bijvoorbeeld, een truck met een bordje zou de tekst van het bordje in de beschrijving van de Inhoudszoekfunctie hebben.

Dankzij de bovengenoemde modellen die samenwerken, kunnen Waymo’s onderzoekers en ingenieurs specifieke objecten zoeken in de beeldgegevenslogbestanden, zoals specifieke soorten bomen en automerken.

Volgens Waymo, zoals geciteerd door VentureBeat:

“Met de Inhoudszoekfunctie kunnen we automatisch annoteren … objecten in onze rijgeschiedenis, wat op zijn beurt de snelheid en kwaliteit van de gegevens die we voor labeling verzenden, exponentieel heeft verhoogd. De mogelijkheid om labeling te versnellen, heeft bijgedragen aan veel verbeteringen in ons systeem, van het detecteren van schoolbussen met kinderen die op het punt staan om op het trottoir te stappen of mensen die op elektrische stepscooters rijden tot een kat of een hond die een straat oversteekt. Terwijl Waymo zich uitbreidt naar meer steden, zullen we nieuwe objecten en scenario’s tegenkomen.”

Dit is niet de eerste keer dat Waymo meerdere machine learning-modellen heeft gebruikt om de betrouwbaarheid en nauwkeurigheid van hun voertuigen te verbeteren. Waymo heeft in het verleden samengewerkt met Alphabet/Google, waardoor een AI-techniek is ontwikkeld in samenwerking met DeepMind. Het AI-systeem haalt inspiratie uit evolutionaire biologie. Om te beginnen, worden een aantal machine learning-modellen gemaakt en nadat ze zijn getraind, worden de modellen die onderpresteerden, uitgefilterd en vervangen door nakomelingmodellen. Deze techniek zou volgens rapporten de valse positieven aanzienlijk hebben verlaagd, evenals de benodigde computationele middelen en trainingsduur.

https://venturebeat.com/2020/02/06/waymos-ai-content-search-tool-lets-engineers-find-objects-within-its-driving-records/