Poprawa bezpieczeństwa samochodów autonomicznych dzięki nowej metodzie szkoleniowej

Jednym z najważniejszych zadań dla samochodu autonomicznego, jeśli chodzi o bezpieczeństwo, jest śledzenie pieszych, obiektów i innych pojazdów lub rowerów. Aby to zrobić, samochody autonomiczne polegają na systemach śledzących. Te systemy mogą stać się jeszcze bardziej skuteczne dzięki nowej metodzie opracowanej przez badaczy z Carnegie Mellon University (CMU).

Nowa metoda odblokowała znacznie więcej danych dotyczących jazdy autonomicznej w porównaniu z poprzednimi, takich jak dane drogowe i ruchu, które są niezbędne do szkolenia systemów śledzących. Im więcej danych, tym bardziej skuteczny może być samochód autonomiczny.

Praca została przedstawiona na wirtualnej konferencji Computer Vision and Pattern Recognition (CVPR) między 14 a 19 czerwca.

Himangi Mittal jest stażystką badawczą, która pracuje wraz z Davidem Helde, asystentem profesora w Instytucie Robotyki CMU.

„Nasza metoda jest znacznie bardziej odporna niż poprzednie metody, ponieważ możemy szkolić na znacznie większych zbiorach danych”, powiedziała Mittal.

Lidar i przepływ sceny

Większość dzisiejszych pojazdów autonomicznych opiera się na lidarze jako głównym systemie nawigacji. Lidar to urządzenie laserowe, które obserwuje otoczenie pojazdu i generuje informacje 3D.

Informacje 3D przychodzą w postaci chmury punktów, a pojazd używa techniki zwanej przepływem sceny, aby przetworzyć dane. Przepływ sceny polega na obliczaniu prędkości i trajektorii każdego punktu 3D. Zatem, gdy są inne pojazdy, piesi lub poruszające się obiekty, są one przedstawione systemowi jako grupa punktów poruszających się razem.

Tradycyjne metody szkolenia tych systemów zwykle wymagają oznaczonych zbiorów danych, czyli danych sensorycznych, które zostały opatrzonych adnotacjami w celu śledzenia punktów 3D w czasie. Ponieważ te zbiory danych wymagają ręcznego oznaczenia i są drogie, istnieje ich bardzo niewiele. Aby obejść ten problem, używa się danych symulowanych w szkoleniu przepływu sceny, a chociaż są one mniej skuteczne niż w inny sposób, niewielka ilość danych rzeczywistych jest używana do ich poprawy.

Najbardziej znani badacze, wraz z doktorantem Brianem Okornem, opracowali nową metodę, używając nieoznaczonych danych w szkoleniu przepływu sceny. Ten rodzaj danych jest znacznie łatwiejszy do zebrania i wymaga tylko umieszczenia lidaru na górze samochodu podczas jazdy.

Wykrywanie błędów

Aby to działo, badacze musieli znaleźć sposób, aby system wykrywał własne błędy w przepływie sceny. Nowy system próbuje dokonywać przewidywań, gdzie każdy punkt 3D się znajdzie i jak szybko się porusza, a następnie mierzy odległość między przewidywaną lokalizacją a rzeczywistą lokalizacją punktu. To tworzy jeden rodzaj błędu, który należy zminimalizować.

Po tym procesie system następnie cofa się i pracuje wstecz od przewidywanej lokalizacji punktu, aby umapować, skąd punkt pochodzi. Mierząc odległość między przewidywaną pozycją a punktem początkowym, tworzy się drugi rodzaj błędu z wynikającej odległości.

Po wykryciu tych błędów system następnie pracuje nad ich korektą.

„Okazuje się, że aby wyeliminować oba te błędy, system musi nauczyć się robić właściwą rzecz, bez tego, aby ktoś mu powiedział, co to jest właściwa rzecz”, powiedział Held.

Wyniki wykazały, że dokładność przepływu sceny wynosi 25%, gdy używa się zestawu danych syntetycznych, a gdy poprawiono ją niewielką ilością danych rzeczywistych, liczba ta wzrosła do 31%. Liczba ta poprawiła się jeszcze bardziej do 46%, gdy duże ilości nieoznaczonych danych zostały dodane do szkolenia systemu.