​Исследователи Университета Карнеги-Меллон (CMU) разработали новый метод обучения для систем автономного движения

-
15:35
96
​Исследователи Университета Карнеги-Меллон (CMU) разработали новый метод обучения для систем автономного движения

Самоходный автомобиль должен точно отслеживать движение пешеходов, велосипедов и других транспортных средств вокруг него. В настоящее время исследователи Университета Карнеги-Меллон (CMU) разработали новый метод обучения этим системам слежения.

Вообще говоря, чем больше дорожных данных и данных о движении, доступных для обучения систем слежения, тем лучше результаты. Исследователи CMU нашли способ разблокирования горы автономных данных о вождении для этой цели.

Большинство автономных транспортных средств осуществляют навигацию, в первую очередь, на основе лидарного датчика — лазерного устройства, которое генерирует 3D информацию о мире, окружающем автомобиль. Эта 3D информация — не изображения, а облако точек. Один из способов, с помощью которого транспортное средство извлекает пользу из этих данных, — это использование техники, известной под названием " scene flow" (поток сцены). Она включает в себя вычисление скорости и траектории каждой 3D точки. Группы точек, движущихся вместе, интерпретируются с помощью потока сцены как транспортные средства, пешеходы или другие движущиеся объекты.

В прошлом современные методы обучения такой системе требовали использования маркированных наборов данных — данных датчиков, которые были аннотированы для отслеживания каждой 3D точки во времени. Ручная маркировка этих наборов данных является трудоемкой и дорогостоящей, поэтому неудивительно, что таких данных мало. В результате, вместо этого обучение сценическому потоку часто выполняется с симулированными данными, что менее эффективно, а затем дорабатывается с помощью небольшого количества помеченных реальных данных, которые существуют.

Химанги Миттал, стажер-исследователь, работающий с Дэвидом Хелдом, доцентом в Институте робототехники CMU, аспирант Брайан Окорн (Brian Okorn), использовал другой подход, используя немаркированные данные для выполнения обучения сценическому потоку. Поскольку немаркированные данные относительно легко генерируются путем установки лидара на автомобиль и езды вокруг него, недостатка в них нет.

Ключом к их подходу стала разработка способа обнаружения системой собственных ошибок в потоке сцен. В каждый момент времени система пытается предсказать, куда движется каждая 3D-точка и как быстро она движется. В следующий момент она измеряет расстояние между предсказанным местоположением точки и фактическим местоположением ближайшей точки, которая предсказала местоположение. Это расстояние образует один из видов ошибок, которые необходимо минимизировать.

Затем система поворачивает процесс в обратную сторону, начиная с прогнозируемого местоположения точки и работая в обратном направлении, чтобы составить схему движения назад к тому месту, откуда была создана эта точка. В этой точке она измеряет расстояние между предсказанным местоположением и фактической точкой начала координат, и полученное расстояние образует второй тип ошибки.

Как бы запутанно это ни звучало, Окорн обнаружил, что система работает хорошо. Исследователи подсчитали, что точность потока сцены с помощью обучающего набора синтетических данных составляет всего 25%. Когда синтетические данные были доработаны с небольшим количеством реальных данных, точность увеличилась до 31%. Когда они добавили большое количество немаркированных данных для обучения системы с использованием их подхода, точность потока сцены подскочила до 46%.

Группа исследователей представила свой метод на конференции «Компьютерное зрение и распознавание образов» (CVPR), которая проходила практически 14-19 июня. Центр автономных исследований космических аппаратов CMU Argo AI поддержал эти исследования при дополнительной поддержке стипендии НАСА на исследования в области космических технологий.

RSS
Нет комментариев. Ваш будет первым!
Загрузка...