Phương Pháp Mới Giúp Xe Tự Lái Tạo Ra ‘Bộ Nhớ’

Một nhóm nghiên cứu tại Đại học Cornell đã phát triển một phương pháp mới cho phép xe tự lái tạo ra “bộ nhớ” của các trải nghiệm trước đây, có thể được sử dụng trong việc điều hướng tương lai. Điều này sẽ đặc biệt hữu ích khi những chiếc xe tự lái này không thể dựa vào cảm biến trong môi trường thời tiết xấu.

Học Từ Quá Khứ

Các xe tự lái hiện tại sử dụng mạng nơ-ron nhân tạo không có bộ nhớ về quá khứ, có nghĩa là chúng luôn “nhìn” mọi thứ lần đầu tiên. Và điều này đúng bất kể chúng đã lái trên cùng một con đường bao nhiêu lần.

Killian Weinberger là tác giả chính của nghiên cứu và là giáo sư khoa học máy tính.

“Câu hỏi cơ bản là, chúng ta có thể học từ các lần đi lại lặp đi lặp lại không?” Weinberger nói. “Ví dụ, một chiếc xe có thể nhầm một cây có hình dạng kỳ lạ cho một người đi bộ lần đầu tiên khi máy quét laser của nó nhận thấy nó từ xa, nhưng khi nó đủ gần, loại đối tượng sẽ trở nên rõ ràng. Vì vậy, lần thứ hai bạn lái qua cùng một cây, thậm chí trong sương mù hoặc tuyết, bạn sẽ hy vọng rằng chiếc xe đã học cách nhận ra nó một cách chính xác.”

Dưới sự dẫn dắt của sinh viên tiến sĩ Carlos Diaz-Ruiz, nhóm đã tạo ra một tập dữ liệu bằng cách lái một chiếc xe trang bị cảm biến LiDAR. Nó được lái quanh một vòng tròn 15 km tổng cộng 40 lần trong suốt 18 tháng. Các chuyến đi thử nghiệm khác nhau đã thu thập các môi trường, điều kiện thời tiết và thời gian trong ngày khác nhau. Tất cả điều này đã tạo ra một tập dữ liệu với hơn 600.000 cảnh.

“Nó cố ý暴 lộ một trong những thách thức chính trong xe tự lái: điều kiện thời tiết xấu,” Diaz-Ruiz nói. “Nếu đường phố được phủ bằng tuyết, con người có thể dựa vào bộ nhớ, nhưng không có bộ nhớ, mạng nơ-ron sẽ bị bất lợi nặng nề.”

HINDSIGHT và MODEST

Một trong những phương pháp, được gọi là HINDSIGHT, sử dụng mạng nơ-ron để tính toán các mô tả của đối tượng khi chiếc xe đi qua. Những mô tả này, được gọi là SQuaSH, sau đó được nén và lưu trữ trên một bản đồ ảo, tạo ra một loại “bộ nhớ” tương tự như cách chúng ta lưu trữ bộ nhớ của mình trong não.

Khi chiếc xe tự lái đi qua cùng một vị trí trong tương lai, nó sẽ truy vấn cơ sở dữ liệu SQuaSH địa phương của mỗi điểm LiDAR dọc theo tuyến đường, “nhớ” những gì nó đã học. Cơ sở dữ liệu được cập nhật liên tục được chia sẻ trên các phương tiện, giúp cải thiện việc nhận dạng bằng cách cung cấp thêm thông tin.

Yurong You là một sinh viên tiến sĩ.

“Thông tin này có thể được thêm vào các tính năng cho bất kỳ bộ phát hiện đối tượng 3D dựa trên LiDAR nào,” You nói. “Cả bộ phát hiện và biểu diễn SQuaSH có thể được đào tạo chung mà không cần giám sát hoặc chú thích bổ sung, điều này tốn thời gian và lao động.”

HINDSIGHT sẽ giúp nhóm với nghiên cứu bổ sung mà họ đang thực hiện, được gọi là MODEST (Phát hiện Đối tượng Di động với Tính tạm thời và Tự đào tạo). MODEST sẽ thúc đẩy quá trình này và cho phép chiếc xe học toàn bộ đường dẫn nhận thức.

HINDSIGHT giả định rằng mạng nơ-ron nhân tạo đã được đào tạo để phát hiện đối tượng và tăng cường khả năng tạo ra bộ nhớ, trong khi MODEST giả định rằng mạng nơ-ron nhân tạo chưa từng được tiếp xúc với bất kỳ đối tượng hoặc đường phố nào. Sau nhiều lần đi lại trên cùng một tuyến đường, nó sẽ học được những phần nào của môi trường là đối tượng tĩnh hoặc di động. Quá trình này cho phép hệ thống tự dạy nó những gì nó nên chú ý như những người tham gia giao thông khác.

Thuật toán đã chứng minh khả năng phát hiện đáng tin cậy các đối tượng ngay cả trên những con đường không nằm trong các lần đi lại ban đầu.

Nhóm tin rằng những phương pháp mới này có thể giảm chi phí phát triển của xe tự lái, cũng như làm cho chúng hiệu quả hơn.