Sürücüsüz Araçların Güvenliği Yeni Eğitim Yöntemiyle İyileştirildi

Konu güvenlik olduğunda sürücüsüz bir araba için en önemli görevlerden biri yayaları, nesneleri ve diğer araçları veya bisikletleri takip etmektir. Bunu yapabilmek için sürücüsüz otomobiller takip sistemlerine güveniyor. Bu sistemler, Carnegie Mellon Üniversitesi'ndeki (CMU) araştırmacılar tarafından geliştirilen yeni bir yöntemle daha da etkili hale gelebilir. 

Yeni yöntem, eğitim izleme sistemleri için çok önemli olan yol ve trafik verileri gibi öncekine kıyasla çok daha fazla otonom sürüş verisinin kilidini açtı. Ne kadar çok veri varsa, sürücüsüz araba o kadar başarılı olabilir. 

Çalışma sanal ortamda sunuldu Bilgisayarla Görme ve Örüntü Tanıma (CVPR) konferans 14-19 Haziran tarihleri ​​arasında. 

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

Mittal, "Metodumuz önceki yöntemlerden çok daha sağlam çünkü çok daha büyük veri kümeleri üzerinde eğitim verebiliyoruz" dedi. 

Lidar ve Sahne Akışı

Günümüzün otonom araçlarının çoğu, ana navigasyon sistemi olarak lidar'a güveniyor. Lidar, aracı çevreleyen şeylere bakan ve bundan 3 boyutlu bilgi üreten bir lazer cihazıdır.

3 boyutlu bilgiler bir nokta bulutu şeklinde gelir ve araç, verileri işlemek için sahne akışı adı verilen bir teknik kullanır. Sahne akışı, hesaplanan her bir 3B noktanın hızını ve yörüngesini içerir. Böylece, başka araçlar, yayalar veya hareket eden nesneler olduğunda, bunlar sisteme birlikte hareket eden bir grup nokta olarak gösterilir. 

Bu sistemleri eğitmeye yönelik geleneksel yöntemler genellikle, zaman içinde 3B noktaları izlemek için açıklama eklenmiş sensör verileri olan etiketli veri kümeleri gerektirir. Bu veri kümelerinin manuel olarak etiketlenmesi gerektiğinden ve pahalı olduğundan, çok düşük bir miktar mevcuttur. Bunu aşmak için, sahne akışı eğitiminde simüle edilmiş veriler kullanılır ve diğer yoldan daha az etkili olsa da, onu iyileştirmek için az miktarda gerçek dünya verisi kullanılır. 

Adı geçen araştırmacılar, Ph.D. öğrenci Brian Okorn, sahne akışı eğitiminde etiketlenmemiş verileri kullanarak yeni yöntemi geliştirdi. Bu tür verilerin toplanması çok daha kolaydır ve yalnızca etrafta dolaşan bir arabanın üzerine bir lidar yerleştirilmesini gerektirir. 

Hataları Algılama

Bunun işe yaraması için araştırmacıların, sistemin sahne akışındaki kendi hatalarını tespit etmesi için bir yol bulması gerekiyordu. Yeni sistem, her bir 3 boyutlu noktanın nerede biteceği ve ne kadar hızlı hareket ettiği hakkında tahminler yapmaya çalışıyor ve ardından tahmin edilen konum ile noktanın gerçek konumu arasındaki mesafeyi ölçüyor. En aza indirilmesi gereken bir tür hata oluşturan şey budur.

Bu süreçten sonra, sistem tersine döner ve tahmin edilen nokta konumundan geriye doğru çalışarak noktanın başladığı yeri haritalar. Öngörülen konum ile orijin noktası arasındaki mesafe ölçülerek, elde edilen mesafeden ikinci tip hata oluşturulur.

Bu hataları tespit ettikten sonra, sistem bunları düzeltmek için çalışır.

Held, "Görünüşe göre bu iki hatayı da ortadan kaldırmak için sistemin aslında doğru şeyi yapmayı öğrenmesi gerekiyor, doğru şeyin ne olduğu hiç söylenmeden," dedi.

Sonuçlar, sentetik verilerden oluşan bir eğitim seti kullanıldığında sahne akışı doğruluğunun %25 olduğunu ve az miktarda gerçek dünya verileriyle iyileştirildiğinde bu sayının %31'e çıktığını gösterdi. Sistemi eğitmek için büyük miktarda etiketsiz veri eklendiğinde bu sayı daha da artarak %46'ya yükseldi.