Самоуправляемые транспортные средства с памятью? Исследовате | НТИ Автонет
Самоуправляемые транспортные средства с памятью?
Исследователи нашли способ помочь автономным автомобилям гораздо безопаснее добираться до места назначения.
Транспортные средства, использующие искусственные нейронные сети, не имеют памяти о прошлом. Они постоянно видят мир в первый раз, независимо от того, как часто они проезжали по определенной дороге или в похожих погодных условиях.
Исследователи из Корнеллского университета разработали способ помочь автономным транспортным средствам создавать “воспоминания” о предыдущем опыте и использовать их в будущей навигации, особенно при неблагоприятных погодных условиях, когда транспортные средства не могут безопасно полагаться на свои датчики.
Группа учёных на протяжении 18 месяцев собирала данные, проезжая на автомобиле, оснащенном датчиками LiDAR, один и тот же участок дороги длиной 9,3 мили (15 км) в Итаке. В течение их поездок были зафиксированы различные дорожные условия (шоссе, город, кампус), погодные условия (солнечно, дождливо, снежно) и время суток, в результате чего получился набор данных с более чем 600 000 сценами.
На основании полученной информации ученые подготовили исследовательские работы, чтобы предоставить автомобилю возможность создавать “воспоминания” о предыдущем опыте и использовать их в будущей навигации.
В основе этих работ лежат следующие подходы:
РЕТРОСПЕКТИВНЫЙ АНАЛИЗ - это подход, который использует нейронные сети для вычисления дескрипторов объектов, когда автомобиль проезжает мимо них. Затем он сжимает эти описания, которые группа назвала объектами SQuaSH (Spatial-Quantized Sparse History), и сохраняет их на виртуальной карте, аналогично “памяти”, хранящейся в человеческом мозге.
В следующий раз, когда беспилотный автомобиль пересекает то же место, он может запросить локальную базу данных GPS для каждой точки лидара вдоль маршрута и “вспомнить”, что он узнал в прошлый раз. База данных постоянно обновляется и совместно используется всеми транспортными средствами, тем самым обогащая информацию, доступную для выполнения распознавания.
В то время как РЕТРОСПЕКТИВА по-прежнему предполагает, что искусственная нейронная сеть уже обучена обнаруживать объекты и дополняет ее способностью создавать воспоминания, MODEST (Обнаружение мобильных объектов с эфемерностью и самообучением) – идет еще дальше.
Здесь авторы позволяют машине изучить весь конвейер восприятия с нуля. Изначально искусственная нейронная сеть в транспортном средстве вообще никогда не подвергалась воздействию каких-либо объектов или улиц. Многократно проходя один и тот же маршрут, автомобиль может узнать, какие части окружающей среды неподвижны, а какие являются движущимися объектами. Постепенно он учит себя тому, что представляют собой другие участники дорожного движения, а что безопасно игнорировать.
Затем алгоритм может надежно обнаруживать эти объекты – даже на дорогах, которые не были частью первоначальных повторных обходов.
Исследователи надеются, что оба подхода могут значительно снизить стоимость разработки автономных транспортных средств и сделать такие транспортные средства более эффективными, научившись ориентироваться в местах, в которых они используются чаще всего.
