Noua Metodă Care Ajută Mașinile Autonome Să Creeze „Amintiri”

O echipă de cercetători de la Universitatea Cornell a dezvoltat o nouă metodă care permite vehiculelor autonome să creeze „amintiri” ale experiențelor anterioare, care pot fi utilizate ulterior în navigare. Acest lucru va fi deosebit de util atunci când aceste mașini autonome nu pot să se bazeze pe senzori în medii cu vreme rea.

Învățarea Din Trecut

Mașinile autonome actuale care utilizează rețele neuronale artificiale nu au nicio amintire a trecutului, ceea ce înseamnă că ele „văd” lucrurile pentru prima dată. Și acest lucru este valabil indiferent de câte ori au condus exact pe aceeași rută.

Killian Weinberger este autorul principal al cercetării și profesor de științe computaționale.

“Întrebarea fundamentală este, putem învăța din traversări repetate?” a spus Weinberger. “De exemplu, o mașină poate confunda un copac cu o formă ciudată cu un pieton la prima vedere a scannerului cu laser de la distanță, dar odată ce este suficient de aproape, categoria obiectului va deveni clară. Așadar, a doua oară când conduceți pe aceeași rută, chiar și în ceață sau zăpadă, ați spera că mașina a învățat să recunoască corect obiectul.”

Sub conducerea studentului doctoral Carlos Diaz-Ruiz, grupul a creat un set de date prin condusul unei mașini echipate cu senzori LiDAR. A fost condusă pe o buclă de 15 kilometri de 40 de ori într-o perioadă de 18 luni. Diferitele teste de condus au capturat medii diferite, condiții meteo și ore din zi. Toate acestea au creat un set de date cu peste 600.000 de scene.

“Acesta expune intenționat una dintre provocările cheie ale mașinilor autonome: condiții meteo slabe”, a spus Diaz-Ruiz. “Dacă strada este acoperită de zăpadă, oamenii pot să se bazeze pe amintiri, dar fără amintiri, o rețea neurală este puternic dezavantajată.”

HINDSIGHT și MODEST

Una dintre abordări, denumită HINDSIGHT, utilizează rețele neuronale pentru a calcula descriptori de obiecte pe măsură ce mașina le traversează. Aceste descrieri, denumite SQuaSH, sunt apoi comprimate și stocate pe o hartă virtuală, creând un fel de „amintire” similar cu modul în care stocăm amintirile noastre în creier.

Când mașina autonomă traversează aceeași locație în viitor, interoghează baza de date locală SQuaSH a fiecărui punct LiDAR de-a lungul rutei, „amintindu-și” ce a învățat. Baza de date actualizată în mod continuu este partajată între vehicule, ajutând la îmbunătățirea recunoașterii prin furnizarea de mai multe informații.

Yurong You este student doctoral.

“Aceste informații pot fi adăugate ca funcții oricărui detector 3D de obiecte bazat pe LiDAR”, a spus You. “Atât detectorul, cât și reprezentarea SQuaSH pot fi antrenate împreună fără nicio supraveghere suplimentară sau anotare umană, ceea ce este timp- și muncă-intensiv.

HINDSIGHT va ajuta echipa cu cercetarea suplimentară pe care o desfășoară, care se numește MODEST (Detectarea Obiectelor Mobile cu Ephemerality și Autoantrenare). MODEST va avansa acest proces și va permite mașinii să învețe întregul lanț de percepție.

HINDSIGHT presupune că rețeaua neurală artificială este deja antrenată pentru a detecta obiecte și o completează cu capacitatea de a crea amintiri, în timp ce MODEST presupune că rețeaua neurală artificială nu a fost niciodată expusă la niciun obiect sau stradă. După multiple traversări ale aceleiași rute, ea învață care părți ale mediului sunt obiecte staționare sau mobile. Acest proces permite sistemului să se învețe singur la ce ar trebui să se concentreze ca participanți la trafic.

Algoritmul a demonstrat o capacitate de a detecta în mod fiabil obiectele chiar și pe drumuri care nu făceau parte din traversările inițiale.

Echipa consideră că aceste noi abordări ar putea reduce costul de dezvoltare a vehiculelor autonome, precum și le-ar face mai eficiente.