Pesquisadores desenvolveram uma maneira de ajudar veículos autônomos a criar 'memórias' de experiências anteriores e usá-las em navegação futura, especialmente durante condições climáticas adversas, quando o carro não pode confiar com segurança em seus sensores.
Pesquisadores da Universidade de Cornell desenvolveram uma maneira de ajudar veículos autônomos a criar "memórias" de experiências anteriores e usá-las em navegação futura, especialmente durante condições climáticas adversas, quando o carro não pode confiar com segurança em seus sensores.
Os carros que usam redes neurais artificiais não têm memória do passado e estão em constante estado de ver o mundo pela primeira vez – não importa quantas vezes eles tenham dirigido por uma estrada específica antes.
Os pesquisadores produziram três trabalhos simultâneos com o objetivo de superar essa limitação. Dois estão sendo apresentados no Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2022), que será realizado de 19 a 24 de junho em Nova Orleans.
"A questão fundamental é: podemos aprender com trajetos repetidos?" disse o autor sênior Kilian Weinberger, professor de ciência da computação. "Por exemplo, um carro pode confundir uma árvore de formato estranho com um pedestre na primeira vez que seu scanner a laser a perceber à distância, mas quando estiver perto o suficiente, a categoria do objeto ficará clara. mesma árvore, mesmo com neblina ou neve, você esperaria que o carro agora aprendesse a reconhecê-la corretamente."
Liderado pelo estudante de doutorado Carlos Diaz-Ruiz, o grupo compilou um conjunto de dados dirigindo um carro equipado com sensores LiDAR (Light Detection and Ranging) repetidamente ao longo de um loop de 15 quilômetros dentro e ao redor de Ithaca, 40 vezes em um período de 18 meses. As travessias capturam ambientes variados (estrada, urbano, campus), condições climáticas (sol, chuva, neve) e horas do dia. Este conjunto de dados resultante tem mais de 600.000 cenas.
“Expõe deliberadamente um dos principais desafios dos carros autônomos: condições climáticas ruins”, disse Diaz-Ruiz. “Se a rua estiver coberta de neve, os humanos podem confiar nas memórias, mas sem memórias uma rede neural fica em grande desvantagem”.
HIDSIGHT é uma abordagem que usa redes neurais para calcular descritores de objetos à medida que o carro passa por eles. Em seguida, ele compacta essas descrições, que o grupo apelidou de SQuaSH? (Histórico Esparso Quantizado Espacial) e as armazena em um mapa virtual, como uma "memória" armazenada em um cérebro humano.
Na próxima vez que o carro autônomo atravessar o mesmo local, ele poderá consultar o banco de dados SQuaSH local de cada ponto LiDAR ao longo da rota e "lembrar" o que aprendeu da última vez. A base de dados é continuamente atualizada e compartilhada entre os veículos, enriquecendo assim as informações disponíveis para realizar o reconhecimento.
"Esta informação pode ser adicionada como recursos a qualquer detector de objetos 3D baseado em LiDAR;" disse o estudante de doutorado Yurong You. "Tanto o detector quanto a representação SQuaSH podem ser treinados em conjunto sem qualquer supervisão adicional ou anotação humana, o que exige muito tempo e trabalho."
O HIDSIGHT é um precursor da pesquisa adicional que a equipe está realizando, MODEST (Mobile Object Detection with Ephemerality and Self-Training), que iria ainda mais longe, permitindo que o carro aprendesse todo o pipeline de percepção do zero.
Enquanto o HIDSIGHT ainda assume que a rede neural artificial já está treinada para detectar objetos e aumenta-a com a capacidade de criar memórias, MODEST assume que a rede neural artificial no veículo nunca foi exposta a nenhum objeto ou rua. Através de várias travessias da mesma rota, ele pode aprender quais partes do ambiente estão estacionárias e quais são objetos em movimento. Lentamente, ele ensina a si mesmo o que constitui outros participantes do trânsito e o que é seguro ignorar.
O algoritmo pode detectar esses objetos de forma confiável - mesmo em estradas que não faziam parte das travessias repetidas iniciais.
Os pesquisadores esperam que as abordagens possam reduzir drasticamente o custo de desenvolvimento de veículos autônomos (que atualmente ainda dependem muito de dados caros anotados por humanos) e tornar esses veículos mais eficientes aprendendo a navegar nos locais em que são mais usados.
Artigos recomendados: CE e Energia
Fonte:https://www.sciencedaily.com/releases/2022/06/220622101303.htm
Nenhum comentário:
Postar um comentário