An toàn của xe tự lái được cải thiện với phương pháp đào tạo mới

Một trong những nhiệm vụ quan trọng nhất của xe tự lái khi nói đến an toàn là theo dõi người đi bộ, vật thể và các phương tiện hoặc xe đạp khác. Để làm được điều này, xe tự lái dựa vào các hệ thống theo dõi. Những hệ thống này có thể trở nên hiệu quả hơn với một phương pháp mới được phát triển bởi các nhà nghiên cứu tại Đại học Carnegie Mellon (CMU).

Phương pháp mới này đã mở khóa nhiều dữ liệu lái xe tự động hơn so với trước, chẳng hạn như dữ liệu đường và giao thông quan trọng cho việc đào tạo các hệ thống theo dõi. Dữ liệu càng nhiều, xe tự lái càng thành công.

Công việc này được trình bày tại hội nghị ảo Computer Vision and Pattern Recognition (CVPR) giữa ngày 14-19 tháng 6.

Himangi Mittal là một thực tập sinh nghiên cứu làm việc cùng với David Held, một giáo sư trợ lý tại Viện Robotics của CMU.

“Phương pháp của chúng tôi mạnh mẽ hơn nhiều so với các phương pháp trước đó vì chúng tôi có thể đào tạo trên các tập dữ liệu lớn hơn nhiều,” Mittal nói.

Lidar và Scene Flow

Hầu hết các phương tiện tự lái ngày nay dựa vào lidar làm hệ thống điều hướng chính. Lidar là một thiết bị laser xem xét những gì xung quanh phương tiện và tạo ra thông tin 3D từ đó.

Thông tin 3D đến dưới dạng một đám mây điểm, và phương tiện sử dụng một kỹ thuật gọi là scene flow để xử lý dữ liệu. Scene flow liên quan đến việc tính toán tốc độ và quỹ đạo của mỗi điểm 3D. Vì vậy, mỗi khi có các phương tiện khác, người đi bộ hoặc vật thể di chuyển, chúng được thể hiện với hệ thống như một nhóm điểm di chuyển cùng nhau.

Các phương pháp truyền thống để đào tạo những hệ thống này thường yêu cầu các tập dữ liệu đã được gắn nhãn, tức là dữ liệu cảm biến đã được chú thích để theo dõi các điểm 3D theo thời gian. Vì những tập dữ liệu này cần phải được gắn nhãn thủ công và tốn kém, nên rất ít tồn tại. Để tránh điều này, dữ liệu mô phỏng được sử dụng trong đào tạo scene flow, và mặc dù nó ít hiệu quả hơn, một lượng nhỏ dữ liệu thế giới thực được sử dụng để cải thiện nó.

Các nhà nghiên cứu đã đề cập, cùng với sinh viên tiến sĩ Brian Okorn, đã phát triển phương pháp mới này bằng cách sử dụng dữ liệu không được gắn nhãn trong đào tạo scene flow. Loại dữ liệu này dễ thu thập hơn và chỉ cần đặt lidar lên trên xe khi nó di chuyển.

Phát hiện lỗi

Để phương pháp này hoạt động, các nhà nghiên cứu phải tìm cách cho hệ thống phát hiện lỗi của chính nó trong scene flow. Hệ thống mới cố gắng dự đoán vị trí và tốc độ của mỗi điểm 3D, và sau đó đo khoảng cách giữa vị trí dự đoán và vị trí thực tế của điểm. Điều này tạo thành một loại lỗi cần được giảm thiểu.

Sau quá trình này, hệ thống sau đó đảo ngược và làm việc ngược lại từ vị trí điểm dự đoán để xác định vị trí điểm bắt đầu. Bằng cách đo khoảng cách giữa vị trí dự đoán và điểm bắt đầu, loại lỗi thứ hai được hình thành từ khoảng cách kết quả.

Sau khi phát hiện những lỗi này, hệ thống sau đó làm việc để sửa chúng.

“Thật ra, để loại bỏ cả hai loại lỗi, hệ thống thực sự cần học cách làm điều đúng, mà không bao giờ được告 biết điều gì là đúng,” Held nói.

Kết quả cho thấy độ chính xác của scene flow ở mức 25% khi sử dụng một tập dữ liệu đào tạo tổng hợp, và khi nó được cải thiện với một lượng nhỏ dữ liệu thế giới thực, con số đó tăng lên 31%. Con số đó tăng lên thậm chí nhiều hơn, 46%, khi một lượng lớn dữ liệu không được gắn nhãn được thêm vào để đào tạo hệ thống.