Безопасность самоходных автомобилей улучшена с помощью нового метода обучения

Одной из наиболее важных задач для самоходного автомобиля с точки зрения безопасности является отслеживание пешеходов, объектов и других транспортных средств или велосипедов. Для этого самоходные автомобили полагаются на системы отслеживания. Эти системы могут стать еще более эффективными с помощью нового метода, разработанного исследователями в Университете Карнеги-Меллона (CMU).

Новый метод открыл доступ к гораздо большему количеству автономных данных, чем раньше, таких как данные о дорогах и трафике, которые являются важными для обучения систем отслеживания. Чем больше данных, тем более успешным может быть самоходный автомобиль.

Работа была представлена на виртуальной конференции по компьютерному зрению и распознаванию образов (CVPR) между 14 и 19 июня.

Химанги Миттал – исследователь-стажер, работающий вместе с Дэвидом Хелдом, помощником профессора в Институте робототехники CMU.

“Наш метод намного более устойчив, чем предыдущие методы, потому что мы можем обучаться на гораздо больших наборах данных”, – сказал Миттал.

Лидар и поток сцены

Большинство современных автономных транспортных средств полагаются на лидар как на основную систему навигации. Лидар – это лазерное устройство, которое смотрит на окружающую среду транспортного средства и генерирует 3D-информацию.

3D-информация представлена в виде облака точек, и транспортное средство использует метод, называемый потоком сцены, для обработки данных. Поток сцены включает в себя расчет скорости и траектории каждой 3D-точки. Таким образом, когда есть другие транспортные средства, пешеходы или движущиеся объекты, они представлены системе как группа точек, движущихся вместе.

Традиционные методы обучения этих систем обычно требуют помеченных наборов данных, которые представляют собой данные сенсоров, аннотированные для отслеживания 3D-точек во времени. Поскольку эти наборы данных требуют ручной аннотации и являются дорогими, существует очень мало таких наборов данных. Чтобы обойти это, используется симулированные данные в обучении потока сцены, и хотя это менее эффективно, чем другой способ, небольшое количество реальных данных используется для улучшения.

Упомянутые исследователи, вместе с аспирантом Брайаном Окорном, разработали новый метод, используя непомеченные данные в обучении потока сцены. Этот тип данных намного легче собирать и требует только лидара, установленного на верху автомобиля во время движения.

Обнаружение ошибок

Чтобы это работало, исследователям необходимо было найти способ для системы обнаруживать свои собственные ошибки в потоке сцены. Новая система пытается сделать прогнозы о том, где каждая 3D-точка окажется и как быстро она движется, и затем измеряет расстояние между прогнозируемым местом и фактическим местом точки. Это образует один тип ошибки, который необходимо минимизировать.

После этого процесса система затем работает в обратном направлении от прогнозируемого места точки, чтобы отобразить, откуда возникла точка. Измеряя расстояние между прогнозируемой позицией и начальной точкой, образуется второй тип ошибки из полученного расстояния.

После обнаружения этих ошибок система затем работает над их исправлением.

“Оказывается, что для устранения обеих этих ошибок система должна научиться делать правильные вещи, не получая никаких указаний о том, что такое правильные вещи”, – сказал Хелд.

Результаты продемонстрировали точность потока сцены на уровне 25%, когда использовался набор данных синтетических данных, и когда он был улучшен с помощью небольшого количества реальных данных, это число увеличилось до 31%. Число еще больше увеличилось до 46%, когда был добавлен большой объем непомеченных данных для обучения системы.