Безпека самохідних автомобілів покращена завдяки новому методу навчання

Одним із найважливіших завдань для самохідного автомобіля щодо безпеки є відстеження пішоходів, об’єктів та інших транспортних засобів або велосипедів. Для цього самохідні автомобілі використовують системи відстеження. Ці системи можуть стати ще більш ефективними завдяки новому методу, розробленому дослідниками університету Карнегі-Меллон (CMU).

Новий метод відкрив багато більше даних про автономне водіння порівняно з раніше, таких як дані про дороги та рух, які є важливими для навчання систем відстеження. Чим більше даних, тим успішнішим може бути самохідний автомобіль.

Робота була представлена на віртуальнійконференції з комп’ютерного бачення та розпізнавання образів (CVPR)конференції між 14 та 19 червня.

Хіманґі Міттал – дослідницький стажер, який працює разом з Девідом Хелдом, помічником професора в інституті робототехніки CMU.

“Наш метод набагато більш стійкий, ніж попередні методи, оскільки ми можемо навчати на набагато більших наборах даних”, – сказав Міттал.

Лідар і потік сцени

Більшість сучасних автономних транспортних засобів використовують лідар як основну систему навігації. Лідар – це лазерний пристрій, який розглядає оточення транспортного засобу та генерує 3D-інформацію.

3D-інформація надходить у вигляді хмари точок, а транспортний засіб використовує техніку потоку сцени для обробки даних. Потік сцени включає в себе розрахунок швидкості та траєкторії кожної 3D-точки. Тому, коли є інші транспортні засоби, пішоходи або рухомі об’єкти, вони зображуються системі як група точок, що рухаються разом.

Традиційні методи навчання цих систем зазвичай вимагають позначених наборів даних, тобто сенсорних даних, які були анотовані для відстеження 3D-точок у часі. Оскільки ці набори даних потрібно ручне позначення та вони дорогі, їх дуже мало. Щоб обійти це, використовуються симульовані дані для навчання потоку сцени, а хоча вони менш ефективні, ніж інші методи, маленька кількість реальних даних використовується для покращення.

Вказані дослідники, разом з аспірантом Браяном Окормом, розробили новий метод, використовуючи непозначені дані для навчання потоку сцени. Ці дані набагато легше зібрати та вимагають лише встановлення лідара на даху автомобіля під час руху.

Виявлення помилок

Щоб це працювало, дослідники мали знайти спосіб для системи виявити свої помилки у потоці сцени. Нова система намагається зробити передбачення про те, де кожна 3D-точка закінчиться та як швидко вона рухається, а потім вимірює відстань між передбаченою та фактичною позицією точки. Це утворює один тип помилки, яку потрібно мінімізувати.

Після цього процесу система потім працює у зворотному напрямку від передбаченої позиції точки, щоб відобразити, де точка походила. Вимірюючи відстань між передбаченою позицією та початковою точкою, утворюється другий тип помилки з отриманої відстані.

Після виявлення цих помилок система потім працює над їх виправленням.

“Виявляється, що для усунення обидвох цих помилок система фактично повинна навчитися робити правильні речі, не отримуючи жодних вказівок, що саме є правильним”, – сказав Хелд.

Результати продемонстрували точність потоку сцени на рівні 25%, коли використовувався навчальний набір синтетичних даних, а коли його покращили за допомогою малої кількості реальних даних, цей показник збільшився до 31%. Цифра ще більше покращилася до 46%, коли велика кількість непозначених даних була додана для навчання системи.