การปรับปรุงความปลอดภัยของรถยนต์ขับเคลื่อนอัตโนมัติด้วยวิธีการฝึกอบรมใหม่

หนึ่งในงานที่สำคัญที่สุดสำหรับรถยนต์ขับเคลื่อนอัตโนมัติคือการติดตามคนเดินเท้า วัตถุ และรถยนต์หรือจักรยานอื่นๆ ในการทำเช่นนี้ รถยนต์ขับเคลื่อนอัตโนมัติจะพึ่งพาระบบติดตาม ซึ่งสามารถมีประสิทธิภาพมากขึ้นด้วยวิธีการใหม่ที่พัฒนาโดยนักวิจัยจากมหาวิทยาลัยคาร์เนกีเมลลอน (CMU)

วิธีการใหม่นี้ได้ปลดล็อกข้อมูลการขับขี่อัตโนมัติมากขึ้น เช่น ข้อมูลถนนและจราจรที่จำเป็นสำหรับการฝึกอบรมระบบติดตาม มีข้อมูลมากเท่าไหร่ รถยนต์ขับเคลื่อนอัตโนมัติก็จะสำเร็จมากเท่านั้น

งานนี้ถูกนำเสนอที่การประชุมเสมือนจริง Computer Vision and Pattern Recognition (CVPR) ระหว่างวันที่ 14-19 มิถุนายน

Himangi Mittal เป็นนักวิจัยที่ทำงานร่วมกับ David Held ผู้ช่วยศาสตราจารย์ที่สถาบันหุ่นยนต์ของ CMU

“วิธีการของเรามีความทนทานมากกว่าวิธีการก่อนหน้านี้เพราะเราสามารถฝึกอบรมด้วยชุดข้อมูลขนาดใหญ่” Mittal กล่าว

ลิดาร์และสายน้ำที่อยู่ในฉาก

รถยนต์ขับเคลื่อนอัตโนมัติส่วนใหญ่ในปัจจุบันพึ่งพาลิดาร์เป็นระบบนำทางหลัก ลิดาร์เป็นอุปกรณ์เลเซอร์ที่มองเห็นสิ่งที่อยู่รอบๆ ยานพาหนะและสร้างข้อมูล 3 มิติจากมัน

ข้อมูล 3 มิตินี้มาในรูปแบบของกลุ่มจุด และยานพาหนะใช้เทคนิคที่เรียกว่าสายน้ำที่อยู่ในฉากเพื่อประมวลผลข้อมูล สายน้ำที่อยู่ในฉากเกี่ยวข้องกับความเร็วและเส้นทางของแต่ละจุด 3 มิติ ดังนั้น เมื่อมีรถยนต์คนเดินเท้า หรือวัตถุเคลื่อนที่อื่นๆ ระบบจะแสดงให้เห็นว่าเป็นกลุ่มจุดเคลื่อนที่ไปด้วยกัน

วิธีการฝึกอบรมแบบดั้งเดิมสำหรับระบบเหล่านี้ต้องการชุดข้อมูลที่มีฉลาก ซึ่งเป็นข้อมูลเซ็นเซอร์ที่มีการทำเครื่องหมายเพื่อติดตามจุด 3 มิติเมื่อเวลาผ่านไป เนื่องจากชุดข้อมูลเหล่านี้ต้องมีการทำเครื่องหมายด้วยตนเองและต้องใช้เงินมาก จึงมีเพียงเล็กน้อยเท่านั้น เพื่อหลีกเลี่ยงสิ่งนี้ ข้อมูลจำลองจะถูกใช้ในการฝึกอบรมสายน้ำที่อยู่ในฉาก และแม้ว่ามันจะไม่ได้ผลเท่ากับวิธีอื่น แต่ข้อมูลโลกแห่งความเป็นจริงขนาดเล็กจะถูกใช้เพื่อปรับปรุงมัน

นักวิจัยที่ได้รับการกล่าวถึงร่วมกับนักเรียนปริญญาเอก Brian Okorn พัฒนาวิธีการใหม่นี้โดยใช้ข้อมูลที่ไม่มีฉลากในการฝึกอบรมสายน้ำที่อยู่ในฉาก ข้อมูลประเภทนี้ง่ายต่อการรวบรวมและต้องใช้เพียงลิดาร์ที่ติดตั้งบนยอดรถยนต์ขณะขับรถ

การตรวจจับข้อผิดพลาด

เพื่อให้สิ่งนี้ทำงานได้ นักวิจัยต้องหาวิธีให้ระบบตรวจจับข้อผิดพลาดของตัวเองในกระแสที่อยู่ในฉาก ระบบใหม่พยายามทำการคาดการณ์เกี่ยวกับตำแหน่งสุดท้ายและความเร็วของแต่ละจุด 3 มิติ และจากนั้นจะวัดระยะห่างระหว่างตำแหน่งที่คาดการณ์และตำแหน่งจริงของจุด ซึ่งเป็นหนึ่งในข้อผิดพลาดที่จะถูกย่อให้เล็ก

หลังจากกระบวนการนี้ ระบบจะทำงานย้อนกลับจากตำแหน่งที่คาดการณ์ไปยังตำแหน่งที่จุดนั้นมาจาก โดยการวัดระยะห่างระหว่างตำแหน่งที่คาดการณ์และตำแหน่งต้นทางของจุด จะทำให้เกิดข้อผิดพลาดประเภทที่สองจากระยะห่างที่ได้ผลลัพธ์

หลังจากตรวจจับข้อผิดพลาดเหล่านี้ ระบบจะทำงานเพื่อแก้ไขมัน

“มันกลายเป็นว่าเพื่อกำจัดข้อผิดพลาดทั้งสองนี้ ระบบจะต้องเรียนรู้ที่จะทำสิ่งที่ถูกต้อง โดยไม่เคยถูกบอกว่าสิ่งที่ถูกต้องคืออะไร” Held กล่าว

ผลลัพธ์แสดงให้เห็นถึงความแม่นยำของกระแสที่อยู่ในฉากที่ 25% เมื่อใช้ชุดข้อมูลฝึกอบรมแบบสังเคราะห์ และเมื่อมีการปรับปรุงด้วยข้อมูลโลกแห่งความเป็นจริงขนาดเล็ก จำนวนจะเพิ่มขึ้นเป็น 31% จำนวนจะดีขึ้นมากขึ้นเป็น 46% เมื่อมีการเพิ่มข้อมูลที่ไม่มีฉลากจำนวนมากเพื่อฝึกอบรมระบบ