Kendi Kendine Sürüş Araçları İçin Yeni Yöntem “Hafızalar” Oluşturuyor

Cornell Üniversitesi’nden bir araştırma ekibi, otonom araçların önceki deneyimlerini “hafızalara” dönüştürebileceği yeni bir yöntem geliştirdi. Bu, özellikle kötü hava koşullarında sensörlere güvenemeyen self-driving araçlar için çok faydalı olacak.

Geçmişten Öğrenme

Şu anda yapay sinir ağları kullanan self-driving araçlar, geçmişe dair hiçbir hafızaya sahip değiller, yani her şeyi ilk kez görüyorlar. Bu, aynı yolu defalarca geçmelerine rağmen böyle.

Killian Weinberger, araştırmanın kıdemli yazarı ve bilgisayar bilimi profesörü.

“Temel soru, tekrar edilen geçişlerden öğrenebilir miyiz?” dedi Weinberger. “Örneğin, bir araba ilk kez lazer tarayıcı ile bir mesafeden garip şekilli bir ağacı bir yaya olarak tanıyabilir, ancak yeterince yaklaştığında nesne kategorisi açık olacaktır. Yani, aynı ağacın yanından ikinci kez geçtiğinizde, sis veya kar gibi hava koşullarında bile, arabanın artık onu doğru şekilde tanımasını umarsınız.”

Doktoraday Carlos Diaz-Ruiz liderliğindeki ekip, LiDAR sensörleri ile donatılmış bir araba kullanarak bir veri seti oluşturdu. Araba, 18 aylık bir dönemde toplam 40 kez 15 kilometrelik bir döngüde sürüldü. Farklı test sürüşleri, farklı ortamları, hava koşullarını ve günün farklı saatlerini yakaladı. Tüm bunlar, 600.000’den fazla sahne içeren bir veri seti oluşturdu.

“Kasten self-driving araçların karşılaştığı bir ana zorluğu ortaya koyuyor: kötü hava koşulları,” dedi Diaz-Ruiz. “Eğer sokak karla kaplıysa, insanlar hafızalarına güvenebilir, ancak hafızası olmayan bir sinir ağı büyük dezavantaja sahiptir.”

HINDSIGHT ve MODEST

Yaklaşımlardan biri, HINDSIGHT, arabaların geçtiği nesnelerin tanımlayıcılarını hesaplamak için sinir ağlarını kullanır. Bu tanımlamalar, SQuaSH olarak adlandırılır ve sonra bir sanal harita üzerinde sıkıştırılır ve depolanır, bu da beynimizde kendi hafızalarımızı depoladığımız şekilde bir tür “hafıza” oluşturur.

Self-driving araba, gelecekte aynı konumu geçtiğinde, rotadaki her LiDAR noktası için yerel SQuaSH veritabanını sorgular, “hatırlayarak” neler öğrendiğini. Sürekli güncellenen veritabanı, daha fazla bilgi sağlayarak tanıyıcıyı geliştirmek için araçlar arasında paylaşılmaktadır.

Yurong You, doktoraday.

“Bu bilgi, herhangi bir LiDAR tabanlı 3D nesne dedektörüne özellikler olarak eklenebilir,” dedi You. “Hem dedektör hem de SQuaSH temsilcisi, herhangi bir ek denetim veya insan annotasyonu olmadan ortaklaşa eğitilebilir, bu da zaman ve emek yoğun bir işlemdir.”

HINDSIGHT, ekibe, MODEST (Mobil Nesne Tanıma ile Kendi Kendine Eğitim) olarak adlandırılan başka bir araştırma melakukan yardımcı olacak. MODEST, bu süreci ilerletecek ve arabanın tüm algılama pipeline’ını öğrenmesini sağlayacak.

HINDSIGHT, yapay sinir ağı zaten nesneleri tanıma konusunda eğitilmiş olduğunu varsayar ve hafızalar oluşturma yeteneği ile güçlendirir, oysa MODEST, yapay sinir ağı hiçbir nesneye veya sokağa maruz kalmamış olduğunu varsayar. Aynı rotanın birden fazla geçişinden sonra, hangi çevre kısımlarının durağan veya hareketli nesneler olduğunu öğrenir. Bu süreç, sistemin diğer trafik katılımcıları olarak neler üzerinde odaklanması gerektiğini öğretilmesini sağlar.

Algoritma, ilk geçişlerin olmadığı yollarda bile nesneleri güvenilir bir şekilde tespit etme yeteneğini gösterdi.

Ekibin bu yeni yaklaşımların, otonom araçların geliştirme maliyetini azaltabileceği ve onları daha verimli hale getirebileceği kanısında.