مواد تهیه شده توسط دانشگاه کرنل. نوشته اصلی توسط تام فلیشمن، توسط کورنل کرونیکل. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
فناوری به خودروهای خودران کمک می کند تا از «خاطرات» خود بیاموزند — ScienceDaily
HINDSIGHT رویکردی است که از شبکه های عصبی برای محاسبه توصیفگرهای اشیا در حین عبور اتومبیل از آنها استفاده می کند. سپس این توصیف‌ها را که گروه آنها را ویژگی‌های SQuaSH نامیده‌اند، فشرده می‌کند و آنها را بر روی یک نقشه مجازی ذخیره می‌کند، مانند یک «حافظه» ذخیره شده در مغز انسان.
ماشین‌هایی که از شبکه‌های عصبی مصنوعی استفاده می‌کنند هیچ خاطره‌ای از گذشته ندارند و برای اولین بار در حالت ثابتی هستند که دنیا را می‌بینند – مهم نیست قبلاً چند بار در یک جاده خاص رانندگی کرده‌اند.
این گروه به سرپرستی دانشجوی دکترا، کارلوس دیاز-روئیز، مجموعه‌ای از داده‌ها 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 جمع‌آوری کردند. پیمایش‌ها محیط‌های مختلف (بزرگراه، شهری، محوطه دانشگاه)، شرایط آب و هوایی (آفتابی، بارانی، برفی) و زمان‌های روز را ضبط می‌کنند. این مجموعه داده حاصل بیش از 600000 صحنه دارد.
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 می‌کند که شبکه عصبی مصنوعی قبلاً برای تشخیص اشیا و تقویت آن با قابلیت ایجاد حافظه آموزش دیده است، MODEST فرض می‌کند 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 می‌توانیم از پیمایش‌های 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.
منبع داستان:
سپس الگوریتم می تواند این اشیاء را به طور قابل اعتماد تشخیص دهد – حتی در جاده هایی که بخشی از پیمایش های مکرر اولیه نیستند.
محققان دانشگاه کرنل راهی برای کمک به وسایل نقلیه خودران ابداع کرده‌اند که «خاطرات» تجربیات قبلی را ایجاد کرده و از آنها در مسیریابی آینده استفاده کنند، به‌ویژه در شرایط آب و هوایی نامساعد که خودرو نمی‌تواند به طور ایمن به حسگرهای خود تکیه کند.
“این اطلاعات را می توان به عنوان ویژگی به هر آشکارساز شی سه بعدی مبتنی بر LiDAR اضافه کرد.” دانشجوی دکتری یورونگ یو گفت. هر دو آشکارساز و نمایش SQuaSH می توانند به طور مشترک بدون هیچ نظارت اضافی یا حاشیه نویسی انسانی، که زمان و کار زیادی دارد، آموزش ببینند.
محققان سه مقاله همزمان با هدف غلبه بر این محدودیت تولید کرده اند. دو مورد در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو (CVPR 2022) که از 19 تا 24 ژوئن در نیواورلئان برگزار می شود، ارائه شده است.
دیاز-روئیز گفت: “این به عمد یکی از چالش های کلیدی در خودروهای خودران را نشان می دهد: شرایط آب و هوایی بد.” “اگر خیابان پوشیده از برف باشد، انسان ها می توانند به خاطرات تکیه کنند، اما بدون خاطرات، شبکه عصبی به شدت آسیب می بیند.”
