Novo Método Ajuda Carros Autônomos a Criar “Memórias”

Uma equipe de pesquisadores da Universidade de Cornell desenvolveu um novo método que permite que veículos autônomos criem “memórias” de experiências anteriores, que podem ser usadas em navegação futura. Isso será especialmente útil quando esses carros autônomos não puderem confiar em sensores em ambientes de mau tempo.

Aprendendo com o Passado

Os carros autônomos atuais que usam redes neurais artificiais não têm memória do passado, o que significa que estão constantemente “vendo” coisas pela primeira vez. E isso é verdade independentemente de quantas vezes eles tenham dirigido a mesma estrada.

Killian Weinberger é o autor sênior da pesquisa e professor de ciência da computação.

“A pergunta fundamental é, podemos aprender com travessias repetidas?” disse Weinberger. “Por exemplo, um carro pode confundir uma árvore com forma estranha com um pedestre pela primeira vez que seu scanner a laser a percebe de longe, mas uma vez que esteja perto o suficiente, a categoria do objeto ficará clara. Então, da segunda vez que você dirige pela mesma árvore, mesmo em nevoeiro ou neve, você esperaria que o carro tenha aprendido a reconhecê-la corretamente.”

Liderado pelo estudante de doutorado Carlos Diaz-Ruiz, o grupo criou um conjunto de dados dirigindo um carro equipado com sensores LiDAR. Ele foi dirigido em um loop de 15 quilômetros um total de 40 vezes ao longo de um período de 18 meses. As várias viagens de teste capturaram diferentes ambientes, condições climáticas e horários do dia. Tudo isso criou um conjunto de dados com mais de 600.000 cenas.

“Ele expõe deliberadamente um dos principais desafios dos carros autônomos: condições climáticas ruins”, disse Diaz-Ruiz. “Se a rua estiver coberta de neve, os humanos podem confiar em memórias, mas sem memórias, uma rede neural está muito desfavorecida.”

HINDSIGHT e MODEST

Uma das abordagens, denominada HINDSIGHT, usa redes neurais para computar descritores de objetos à medida que o carro os passa. Essas descrições, denominadas SQuaSH, são então comprimidas e armazenadas em um mapa virtual, criando um tipo de “memória” semelhante à forma como armazenamos nossas próprias memórias no cérebro.

Quando o carro autônomo percorre o mesmo local no futuro, ele consulta o banco de dados local SQuaSH de cada ponto LiDAR ao longo da rota, “lembrando” o que aprendeu. O banco de dados atualizado continuamente é compartilhado entre veículos, ajudando a melhorar o reconhecimento ao fornecer mais informações.

Yurong You é um estudante de doutorado.

“Essas informações podem ser adicionadas como recursos a qualquer detector de objetos 3D baseado em LiDAR”, disse You. “Tanto o detector quanto a representação SQuaSH podem ser treinados conjuntamente sem supervisão adicional ou anotação humana, o que é demorado e trabalhoso.

HINDSIGHT ajudará a equipe com pesquisas adicionais que estão realizando, chamadas MODEST (Detecção de Objetos Móveis com Efemeralidade e Treinamento Auto-Supervisionado). MODEST avançará nesse processo e permitirá que o carro aprenda toda a pipeline de percepção.

HINDSIGHT assume que a rede neural artificial já está treinada para detectar objetos e aumenta a capacidade de criar memórias, enquanto MODEST assume que a rede neural artificial nunca foi exposta a objetos ou ruas. Após múltiplas travessias da mesma rota, ele aprende quais partes do ambiente são objetos estacionários ou móveis. Esse processo permite que o sistema ensine a si mesmo o que deve prestar atenção como outros participantes do tráfego.

O algoritmo demonstrou a capacidade de detectar objetos de forma confiável, mesmo em estradas que não faziam parte das travessias iniciais.

A equipe acredita que essas novas abordagens possam reduzir o custo de desenvolvimento de veículos autônomos, bem como torná-los mais eficientes.