Säkerheten för självkörande bilar förbättras med ny utbildningsmetod

En av de viktigaste uppgifterna för en självkörande bil när det gäller säkerhet är att spåra fotgängare, föremål och andra fordon eller cyklar. För att göra detta förlitar sig självkörande bilar på spårningssystem. Dessa system kan bli ännu mer effektiva med en ny metod som utvecklats av forskare vid Carnegie Mellon University (CMU).

Den nya metoden har låst upp mycket mer autonom kördata jämfört med tidigare, såsom väg- och trafikdata som är avgörande för att träna spårningssystem. Ju mer data det finns, desto mer framgångsrik kan den självkörande bilen vara.

Arbetet presenterades vid den virtuella Computer Vision and Pattern Recognition (CVPR)konferensen mellan den 14-19 juni.

Himangi Mittal är en forskningspraktikant som arbetar tillsammans med David Held, en biträdande professor vid CMU:s Robotikinstitut.

“Vår metod är mycket mer robust än tidigare metoder eftersom vi kan träna på mycket större datamängder”, sa Mittal.

Lidar och Scenflöde

De flesta av dagens autonoma fordon förlitar sig på lidar som deras huvudsakliga system för navigation. Lidar är en laserenhet som tittar på vad som omger fordonet och genererar 3D-information från det.

3D-informationen kommer i form av en moln av punkter, och fordonet använder en teknik som kallas scenflöde för att bearbeta data. Scenflöde innebär att hastigheten och banan för varje 3D-punkt beräknas. Så, när det finns andra fordon, fotgängare eller rörliga föremål, porträtteras de för systemet som en grupp av punkter som rör sig tillsammans.

Traditionella metoder för att träna dessa system kräver vanligtvis märkta datamängder, som är sensordata som har annoterats för att spåra 3D-punkterna över tiden. Eftersom dessa datamängder kräver manuell märkning och är dyra, finns det mycket lite tillgängligt. För att komma runt detta används simulerad data i scenflödesutbildning, och medan det är mindre effektivt än den andra metoden, används en liten mängd verklig världens data för att förbättra det.

De namngivna forskarna, tillsammans med doktoranden Brian Okorn, utvecklade den nya metoden genom att använda omärkt data i scenflödesutbildning. Denna typ av data är mycket lättare att samla in och kräver bara att en lidar placeras ovanpå en bil när den kör runt.

Felidentifiering

För att detta ska fungera måste forskarna hitta ett sätt för systemet att upptäcka sina egna fel i scenflödet. Det nya systemet försöker göra förutsägelser om var varje 3D-punkt kommer att hamna och hur snabbt den rör sig, och det mäter sedan avståndet mellan den förutsagda platsen och den faktiska platsen för punkten. Detta bildar en typ av fel som ska minimeras.

Efter den processen arbetar systemet sedan bakåt från den förutsagda punktplatsen för att kartlägga var punkten ursprungligen kom ifrån. Genom att mäta avståndet mellan den förutsagda positionen och ursprungspunkten bildas den andra typen av fel från den resulterande avståndet.

Efter att ha upptäckt dessa fel arbetar systemet sedan för att korrigera dem.

“Det visar sig att för att eliminera båda dessa fel måste systemet faktiskt lära sig att göra rätt sak, utan att någonsin bli tillsagd vad rätt sak är”, sa Held.

Resultaten visade scenflödesnoggrannhet på 25% när en träningsuppsättning av syntetisk data användes, och när den förbättrades med en liten mängd verklig världens data, ökade siffran till 31%. Siffran förbättrades ännu mer till 46% när en stor mängd omärkt data lades till för att träna systemet.