Segurança de Carros Autônomos Aprimorada com Novo Método de Treinamento

Uma das tarefas mais importantes para um carro autônomo em termos de segurança é rastrear pedestres, objetos e outros veículos ou bicicletas. Para fazer isso, os carros autônomos dependem de sistemas de rastreamento. Esses sistemas podem se tornar ainda mais eficazes com um novo método desenvolvido por pesquisadores da Universidade Carnegie Mellon (CMU).

O novo método desbloqueou muito mais dados de condução autônoma em comparação com o anterior, como dados de estrada e tráfego que são cruciais para treinar sistemas de rastreamento. Quanto mais dados houver, mais bem-sucedido o carro autônomo pode ser.

O trabalho foi apresentado na conferência virtual de Visão Computacional e Reconhecimento de Padrões (CVPR) entre 14 e 19 de junho.

Himangi Mittal é uma estagiária de pesquisa que trabalha ao lado de David Held, professor assistente no Instituto de Robótica da CMU.

“Nosso método é muito mais robusto do que os métodos anteriores porque podemos treinar em conjuntos de dados muito maiores”, disse Mittal.

Lidar e Fluxo de Cena

A maioria dos veículos autônomos de hoje depende do lidar como seu principal sistema de navegação. O lidar é um dispositivo a laser que olha o que está ao redor do veículo e gera informações 3D a partir disso.

As informações 3D vêm na forma de uma nuvem de pontos, e o veículo usa uma técnica chamada fluxo de cena para processar os dados. O fluxo de cena envolve a velocidade e a trajetória de cada ponto 3D sendo calculada. Então, sempre que há outros veículos, pedestres ou objetos em movimento, eles são representados ao sistema como um grupo de pontos se movendo juntos.

Os métodos tradicionais para treinar esses sistemas geralmente exigem conjuntos de dados rotulados, que é dados de sensor que foram anotados para rastrear os pontos 3D ao longo do tempo. Como esses conjuntos de dados são necessários para serem rotulados manualmente e são caros, uma quantidade muito pequena existe. Para contornar isso, dados simulados são usados no treinamento do fluxo de cena, e embora sejam menos eficazes do que o outro método, uma pequena quantidade de dados do mundo real é usada para melhorá-los.

Os pesquisadores nomeados, juntamente com o estudante de doutorado Brian Okorn, desenvolveram o novo método usando dados não rotulados no treinamento do fluxo de cena. Esse tipo de dado é muito mais fácil de coletar e só requer que um lidar seja colocado no topo de um carro enquanto ele dirige.

Detectando Erros

Para que isso funcione, os pesquisadores tiveram que encontrar uma maneira para o sistema detectar seus próprios erros no fluxo de cena. O novo sistema tenta fazer previsões sobre onde cada ponto 3D terminará e como rápido ele está se movendo, e então mede a distância entre a localização prevista e a localização real do ponto. Isso é o que forma um tipo de erro a ser minimizado.

Depois desse processo, o sistema então reverte e trabalha de trás para frente a partir da localização do ponto previsto para mapear de onde o ponto originou. Ao medir a distância entre a posição prevista e o ponto de origem, o segundo tipo de erro é formado a partir da distância resultante.

Depois de detectar esses erros, o sistema então trabalha para corrigi-los.

“Acaba que para eliminar ambos os erros, o sistema realmente precisa aprender a fazer a coisa certa, sem nunca ser dito o que é a coisa certa”, disse Held.

Os resultados demonstraram a precisão do fluxo de cena em 25% quando usando um conjunto de dados sintéticos, e quando foi melhorado com uma pequena quantidade de dados do mundo real, esse número aumentou para 31%. O número melhorou ainda mais para 46% quando uma grande quantidade de dados não rotulados foi adicionada para treinar o sistema.