انتشار: تیر 01، 1401
بروزرسانی: 27 تیر 1404

فناوری به خودروهای خودران کمک می کند تا از «خاطرات» خود بیاموزند -- ScienceDaily

مواد تهیه شده توسط دانشگاه کرنل. نوشته اصلی توسط تام فلیشمن، توسط کورنل کرونیکل. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.

منبع

HINDSIGHT رویکردی است که از شبکه های عصبی برای محاسبه توصیفگرهای اشیا در حین عبور اتومبیل از آنها استفاده می کند. سپس این توصیف ها را که گروه آن ها را ویژگی های SQuaSH نامیده اند، فشرده می کند و آنها را بر روی یک نقشه مجازی ذخیره می کند، مانند یک «حافظه» ذخیره شده در مغز انسان.

ماشین هایی که از شبکه های عصبی مصنوعی استفاده می کنند هیچ خاطره ای از گذشته ندارند و برای اولین بار در حالت ثابتی هستند که دنیا را می بینند - مهم نیست قبلاً چند بار در یک جاده خاص رانندگی کرده اند.

این گروه به سرپرستی دانشجوی دکترا، کارلوس دیاز-روئیز، مجموعه ای از داده ها را با رانندگی ماشینی مجهز به حسگرهای LiDAR (تشخیص و تشخیص نور) به طور مکرر در امتداد یک حلقه 15 کیلومتری در ایتاکا و اطراف آن، 40 بار در یک دوره 18 ماهه جمع آوری کردند. پیمایش ها محیط های مختلف (بزرگراه، شهری، محوطه دانشگاه)، شرایط آب و هوایی (آفتابی، بارانی، برفی) و زمان های روز را ضبط می کنند. این مجموعه داده حاصل بیش از 600000 صحنه دارد.

دفعه بعد که خودروی خودران از همان مکان عبور کرد، می تواند از پایگاه داده محلی SQuaSH هر نقطه LiDAR در طول مسیر پرس و جو کند و آنچه را که آخرین بار آموخته است، "به خاطر بیاورد". پایگاه داده به طور مداوم به روز می شود و در بین وسایل نقلیه به اشتراک گذاشته می شود، بنابراین اطلاعات موجود برای انجام شناسایی غنی می شود.

HINDSIGHT پیشروی برای تحقیقات بیشتری است که این تیم انجام می دهد، MODEST (تشخیص اشیاء متحرک با زودگذر بودن و خودآموزی)، که حتی فراتر می رود و به خودرو امکان می دهد کل خط لوله ادراک را از ابتدا یاد بگیرد.

در حالی که HINDSIGHT هنوز فرض می کند که شبکه عصبی مصنوعی قبلاً برای تشخیص اشیا و تقویت آن با قابلیت ایجاد حافظه آموزش دیده است، MODEST فرض می کند که شبکه عصبی مصنوعی در وسیله نقلیه هرگز در معرض هیچ شی یا خیابانی قرار نگرفته است. از طریق پیمایش های متعدد در یک مسیر، می تواند یاد بگیرد که چه قسمت هایی از محیط ثابت و کدام اشیاء متحرک هستند. آهسته آهسته به خود می آموزد که چه چیزی دیگر شرکت کنندگان در ترافیک را تشکیل می دهد و چه چیزی را نادیده می گیرد.

سوال اساسی این است که آیا می توانیم از پیمایش های مکرر درس بگیریم؟ کیلیان واینبرگر، نویسنده ارشد، استاد علوم کامپیوتر گفت. به عنوان مثال، یک ماشین ممکن است اولین باری که اسکنر لیزری آن را از راه دور تشخیص می دهد، یک درخت با شکل عجیب و غریب را با یک عابر پیاده اشتباه بگیرد، اما وقتی به اندازه کافی نزدیک شد، دسته بندی اشیا مشخص می شود. بنابراین، بار دوم که از کنار آن عبور می کنید. همان درخت، حتی در مه یا برف، شما امیدوارید که ماشین اکنون یاد گرفته باشد که آن را به درستی تشخیص دهد."

محققان امیدوارند که این رویکردها بتواند هزینه توسعه وسایل نقلیه خودران را به شدت کاهش دهد (که در حال حاضر هنوز به شدت به داده های حاشیه نویسی پرهزینه انسان متکی است) و با یادگیری مکان هایی که بیشتر از آنها استفاده می شود، چنین وسایل نقلیه ای کارآمدتر شوند.

فناوری به خودروهای خودران کمک می کند تا از «خاطرات» خود بیاموزند -- ScienceDaily

نویسنده: تیم تحریریه Matthew Newman