Otonom Araçların Güvenliği Yeni Eğitim Yöntemiyle Geliştirildi

Otonom araçlar için güvenlik açısından en önemli görevlerden biri, yayanları, nesneleri ve diğer araçları veya bisikletleri izlemektedir. Bunu yapmak için, otonom araçlar izleme sistemlerine güvenirler. Bu sistemler, Carnegie Mellon Üniversitesi’ndeki (CMU) araştırmacılar tarafından geliştirilen yeni bir yöntem ile daha da etkili hale getirilebilir.

Yeni yöntem, daha öncekinden çok daha fazla otonom sürüş verisi açığa çıkardı, Örneğin, yol ve trafik verileri gibi izleme sistemlerini eğitmek için çok önemli olan veriler. Ne kadar çok veri varsa, otonom araç o kadar başarılı olur.

Çalışma, 14-19 Haziran tarihleri arasında sanal Bilgisayarlı Görü ve Desen Tanıma (CVPR) konferansında sunuldu.

Himangi Mittal, CMU’nun Robotik Enstitüsü’nde yardımcı profesör olan David Held ile birlikte çalışan bir araştırma stajyeridir.

“Yöntemimiz, daha büyük veri kümeleri üzerinde eğitim yapabildiğimiz için önceki yöntemlerden çok daha sağlamdır” dedi Mittal.

Lidar ve Sahne Akışı

Bugün kullanılan çoğu otonom araç, navigasyon için lidar sistemine güvenir. Lidar, bir lazer cihazıdır ve aracın etrafındaki çevreyi inceleyerek 3B bilgi oluşturur.

3B bilgi, nokta bulutu şeklinde gelir ve araç, bu veriyi işlemek için sahne akışı adlı bir tekniği kullanır. Sahne akışı, her 3B noktanın hızını ve yolunu hesaplar. Böylece, diğer araçlar, yayanlar veya hareketli nesneler, sistem için birlikte hareket eden nokta grupları olarak görünür.

Bu sistemleri eğitmek için geleneksel yöntemler genellikle etiketlenmiş veri kümeleri gerektirir, yani sensör verisi, 3B noktaları zaman içinde izlemek için etiketlenmiştir. Bu veri kümelerinin elle etiketlenmesi gerektiği ve pahalı olduğu için çok az sayıda bulunmaktadır. Bunu aşmak için, sahne akışı eğitiminde simüle edilmiş veri kullanılır, ancak bu, diğer yöntemden menos etkili olduğu için, küçük miktarda gerçek dünya verisi ile geliştirilir.

Adı geçen araştırmacılar, Brian Okorn adlı doktora öğrencisi ile birlikte, sahne akışı eğitiminde etiketsiz verileri kullanarak yeni yöntemi geliştirdiler. Bu tür veri toplamak çok daha kolaydır ve sadece bir lidarın bir araba üzerine yerleştirilmesi gerekir.

Hataları Tespit Etme

Bunun çalışması için, araştırmacıların sistemin kendi sahne akışı hatalarını tespit etme yolunu bulması gerekti. Yeni sistem, her 3B noktanın nereye varacağı ve ne kadar hızlı seyahat edeceğine dair tahminlerde bulunur ve ardından predicted konum ile gerçek konum arasındaki mesafeyi ölçer. Bu, minimize edilmek üzere bir hata türü oluşturur.

Bu işlemden sonra, sistem predicted nokta konumundan geri çalışarak, noktanın nereden geldiğini haritalar. Predicted konum ile başlangıç noktası arasındaki mesafeyi ölçerek, ikinci hata türü oluşturulur.

Bu hataları tespit ettikten sonra, sistem bunları düzeltmeye çalışır.

“Aslında, her iki hatayı da ortadan kaldırmak için, sistemin doğru şeyi yapmayı öğrenmesi gerekir, hiç kimse ona doğru şeyin ne olduğunu söylemeden” dedi Held.

Sonuçlar, sentetik veri kümesi kullanılarak sahne akışı doğruluğunun %25 olduğunu gösterdi ve küçük miktarda gerçek dünya verisi ile geliştirildiğinde bu sayı %31’e yükseldi. Büyük miktarda etiketsiz veri sisteme eklenerek eğitildiğinde, bu sayı %46’ya çıktı.