Siguranța mașinilor autonome îmbunătățită cu o nouă metodă de antrenament

Una dintre cele mai importante sarcini pentru o mașină autonomă, în ceea ce privește siguranța, este urmărirea pietonilor, obiectelor și altor vehicule sau biciclete. Pentru a face acest lucru, mașinile autonome se bazează pe sisteme de urmărire. Aceste sisteme ar putea deveni și mai eficiente cu o nouă metodă dezvoltată de cercetători de la Universitatea Carnegie Mellon (CMU).

Noua metodă a deblocat mult mai multe date de conducere autonomă comparativ cu cele anterioare, cum ar fi datele despre drumuri și trafic, care sunt esențiale pentru antrenarea sistemelor de urmărire. Cu cât există mai multe date, cu atât mai reușită poate fi mașina autonomă.

Lucrarea a fost prezentată la conferința virtuală Computer Vision and Pattern Recognition (CVPR) conferință între 14-19 iunie.

Himangi Mittal este un intern de cercetare care lucrează alături de David Held, profesor asistent în cadrul Institutului de Robotică al CMU.

“Metoda noastră este mult mai robustă decât metodele anterioare, deoarece putem antrena pe seturi de date mult mai mari,” a spus Mittal.

Lidar și Flux de Scenă

Majoritatea vehiculelor autonome de astăzi se bazează pe lidar ca sistem principal de navigație. Lidar este un dispozitiv cu laser care examinează ceea ce se află în jurul vehiculului și generează informații 3D din acesta.

Informațiile 3D vin sub forma unui nor de puncte, iar vehiculul utilizează o tehnică numită flux de scenă pentru a procesa datele. Fluxul de scenă implică calcularea vitezei și traiectoriei fiecărui punct 3D. Astfel, atunci când există alte vehicule, pietoni sau obiecte în mișcare, acestea sunt reprezentate sistemului ca un grup de puncte care se mișcă împreună.

Metodele tradiționale de antrenare a acestor sisteme necesită de obicei seturi de date etichetate, care sunt date de senzor care au fost annotate pentru a urmări punctele 3D în timp. Deoarece aceste seturi de date trebuie să fie etichetate manual și sunt scumpe, există foarte puține. Pentru a ocoli acest lucru, se utilizează date simulate în antrenarea fluxului de scenă, iar deși este mai puțin eficientă decât cealaltă metodă, se utilizează o cantitate mică de date din lumea reală pentru a o îmbunătăți.

Cercetătorii menționați, împreună cu studentul doctorand Brian Okorn, au dezvoltat noua metodă utilizând date neetichetate în antrenarea fluxului de scenă. Acest tip de date este mult mai ușor de colectat și necesită doar plasarea unui lidar pe partea superioară a unei mașini în timp ce conduce.

Detectarea Erorilor

Pentru ca acest lucru să funcționeze, cercetătorii au trebuit să găsească o modalitate pentru ca sistemul să detecteze propriile erori în fluxul de scenă. Noul sistem încearcă să facă previziuni despre unde va ajunge fiecare punct 3D și cu ce viteză se deplasează, și apoi măsoară distanța dintre locația prevăzută și locația reală a punctului. Acesta este un tip de eroare care trebuie minimizat.

După acest proces, sistemul lucrează în sens invers, de la locația prevăzută a punctului, pentru a cartografia de unde a provenit punctul. Prin măsurarea distanței dintre poziția prevăzută și punctul de origine, se formează al doilea tip de eroare din distanța rezultată.

După detectarea acestor erori, sistemul lucrează pentru a le corecta.

“Se dovedește că, pentru a elimina ambele tipuri de erori, sistemul trebuie să învețe să facă lucrul corect, fără a fi niciodată informat ce este lucrul corect,” a spus Held.

Rezultatele au demonstrat o acuratețe a fluxului de scenă de 25% atunci când s-a utilizat un set de antrenament de date sintetice, și atunci când a fost îmbunătățită cu o cantitate mică de date din lumea reală, numărul a crescut la 31%. Numărul a crescut și mai mult la 46% atunci când s-a adăugat o cantitate mare de date neetichetate pentru a antrena sistemul.