Новий метод допомагає самоходним автомобілям створювати «пам’ять»

Команда дослідників з Корнелльського університету розробила новий метод, який дозволяє автономним транспортним засобам створювати «пам’ять» про попередні досвіди, які можуть бути використані в майбутньому навігації. Це буде особливо корисно, коли ці самоходні автомобілі не можуть покладатися на сенсори в поганих погодних умовах.

Навчання з минулого

Поточні самоходні автомобілі, які використовують штучні нейронні мережі, не мають пам’яті про минуле, що означає, що вони постійно «бачать» речі вперше. І це справедливо незалежно від того, скільки разів вони проїхали точно ту ж дорогу.

Кіліан Вайнбергер – старший автор дослідження та професор комп’ютерних наук.

“Фундаментальне питання полягає в тому, чи можемо ми навчитися з повторних проходжень?” сказав Вайнбергер. “Наприклад, автомобіль може сприйняти дивно оформлене дерево за пішохода вперше, коли його лазерний сканер сприймає його з відстані, але як тільки він достатньо близько, категорія об’єкта стане ясною. Тому другого разу, коли ви проїдете повз те ж дерево, навіть у тумані або снігу, ви сподіваєтеся, що автомобіль тепер навчився його правильно розпізнавати.”

Під керівництвом аспіранта Карлоса Діас-Руїса група створила набір даних, проїхавши автомобіль, оснащений сенсорами LiDAR, по 15-километровому колу загалом 40 разів протягом 18-місячного періоду. Різні тести захопили різні середовища, погодні умови та час доби. Все це створило набір даних з понад 600 000 сцен.

“Воно свідомо розкриває одну з ключових проблем самоходних автомобілів: погані погодні умови”, сказав Діаз-Руїз. “Якщо вулиця покрита снігом, люди можуть покладатися на пам’ять, але без пам’яті штучна нейронна мережа сильно ускладнена.”

HINDSIGHT і MODEST

Одним з підходів, який називається HINDSIGHT, є використання нейронних мереж для обчислення описів об’єктів, коли автомобіль проїжджає повз них. Ці описи, які називаються SQuaSH, потім стискаються та зберігаються на віртуальній карті, створюючи певний тип «пам’яті», подібний до того, як ми зберігаємо свою власну пам’ять у мозку.

Коли самоходний автомобіль проїжджає ту ж локацию в майбутньому, він запитує локальну базу даних SQuaSH для кожного пункту LiDAR по маршруту, «запам’ятовуючи», що він навчився. Постійно оновлювана база даних спільно використовується між транспортними засобами, допомагаючи покращити розпізнавання, надаючи більше інформації.

Юронг Ю – аспірант.

“Ця інформація може бути додана як функції до будь-якого детектора 3D-об’єктів на основі LiDAR”, сказав Ю. “І детектор, і представлення SQuaSH можуть бути навчені спільно без будь-якого додаткового нагляду чи людської анотації, що є часом- і трудомістким.

HINDSIGHT допоможе команді з додатковим дослідженням, яке називається MODEST (Мобільне виявлення об’єктів з ефемерністю та самонавчанням). MODEST просуне цей процес і дозволить автомобілю навчитися всього сприйняття.

HINDSIGHT припускає, що штучна нейронна мережа вже навченаДетектувати об’єкти та доповнює здатністю створювати пам’ять, тоді як MODEST припускає, що штучна нейронна мережа ніколи не зустрічалася з жодними об’єктами чи вулицями. Після багаторазових проходжень того ж маршруту він навчився, які частини середовища є стаціонарними або рухомими об’єктами. Це дозволяє системі навчити себе, на що вона повинна звертати увагу як інші учасники руху.

Алгоритм продемонстрував здатність надійно виявляти об’єкти навіть на дорогах, які не входили до початкових проходжень.

Команда вважає, що ці нові підходи можуть зменшити вартість розробки автономних транспортних засобів, а також зробити їх більш ефективними.