تكنولوجيا السيارات ذاتية القيادة تساعد على التعلم من "الذكريات" الخاصة بها

طور باحثون في جامعة كورنيل طريقة لمساعدة المركبات ذاتية القيادة على تكوين "ذكريات" عن التجارب السابقة واستخدامها في الملاحة المستقبلية ، خاصة أثناء الظروف الجويّة السيئة عندما لا تستطيع السيارة الاعتماد على مستشعراتها بأمان.

السيارات التي تستخدم الشبكات العصبية الاصطناعية ليس لديها ذاكرة للماضي وهي في حالة ثابتة من رؤية العالم لأول مرة - بغض النظر عن عدد المرات التي قادت فيها طريقًا معينًا من قبل.

أنتج الباحثون ثلاث أوراق متزامنة بهدف التغلب على هذا القيد. يتم تقديم اثنين في وقائع مؤتمر IEEE حول رؤية الكمبيوتر والتعرف على الأنماط (CVPR 2022) ، الذي سيعقد في الفترة من 19 إلى 24 يونيو في نيو أورلينز.

يقول كبير المؤلفين كيليان وينبرجر -أستاذ علوم الكمبيوتر- : "السؤال الأساسي هو ، هل يمكننا التعلم من عمليات العبور المتكررة؟" . "على سبيل المثال ، قد تخطئ السيارة في رسم شجرة غريبة الشكل لأحد المشاة في المرة الأولى التي يدركها الماسح الضوئي الليزري من مسافة بعيدة ، ولكن بمجرد اقترابها بدرجة كافية ، ستصبح فئة الكائن واضحة. لذا ، في المرة الثانية التي تقود فيها السيارة متجاوزة نفس الشجرة ، حتى في الضباب أو الثلج ، كنت آمل أن تكون السيارة قد تعلمت الآن التعرف عليها بشكل صحيح. "

بقيادة طالب الدكتوراه كارلوس دياز رويز ، قامت المجموعة بتجميع مجموعة بيانات من خلال قيادة سيارة مجهزة بأجهزة استشعار LiDAR (اكتشاف الضوء والمدى) بشكل متكرر على طول حلقة طولها 15 كيلومترًا في إيثاكا وحولها ، 40 مرة خلال فترة 18 شهرًا. تلتقط عمليات العبور بيئات مختلفة (طريق سريع ، حضري ، حرم جامعي) ، ظروف الطقس (مشمس ، ممطر ، ثلجي) وأوقات النهار. تحتوي مجموعة البيانات الناتجة هذه على أكثر من 600000 مشهد.

قال دياز رويز: "إنها تكشف عن عمد أحد التحديات الرئيسية في السيارات ذاتية القيادة: الظروف الجوية السيئة". "إذا كان الشارع مغطى بالثلج ، يمكن للبشر الاعتماد على الذكريات ، ولكن بدون الذكريات ، تكون الشبكة العصبية محرومة بشدة."

HINDSIGHT هو نهج يستخدم الشبكات العصبية لحساب واصفات الكائنات أثناء مرور السيارة عليها. ثم يقوم بضغط هذه الأوصاف ، التي أطلقت عليها المجموعة اسم SQuaSH؟ (التاريخ المكاني الكمي المتقطع) ، وتخزينها على خريطة افتراضية ، مثل "ذاكرة" مخزنة في دماغ بشري.

في المرة التالية التي تعبر فيها السيارة ذاتية القيادة نفس الموقع ، يمكنها الاستعلام عن قاعدة بيانات SQuaSH المحلية لكل نقطة LiDAR على طول الطريق و "تذكر" ما تعلمته في المرة السابقة. يتم تحديث قاعدة البيانات بشكل مستمر ومشاركتها عبر المركبات ، وبالتالي إثراء المعلومات المتاحة لأداء التعرف.

يقول طالب الدكتوراه يورونغ يو : "يمكن إضافة هذه المعلومات كميزات إلى أي كاشف كائن ثلاثي الأبعاد قائم على LiDAR ؛" . "يمكن تدريب كل من الكاشف وتمثيل SQuaSH بشكل مشترك دون أي إشراف إضافي ، أو تعليق توضيحي بشري ، والذي يتطلب وقتًا وعمالة مكثفة."

HINDSIGHT هو مقدمة لبحث إضافي يقوم به الفريق ، MODEST (اكتشاف الأجسام المتحركة مع سرعة الزوال والتدريب الذاتي) ، والتي من شأنها أن تذهب إلى أبعد من ذلك ، مما يسمح للسيارة بتعلم خط أنابيب الإدراك بالكامل من البداية.

بينما لا تزال HINDSIGHT تفترض أن الشبكة العصبية الاصطناعية قد تم تدريبها بالفعل على اكتشاف الأشياء وتعزيزها بالقدرة على إنشاء الذكريات ، يفترض MODEST أن الشبكة العصبية الاصطناعية في السيارة لم تتعرض أبدًا لأي كائنات أو شوارع على الإطلاق. من خلال عمليات اجتياز متعددة لنفس المسار ، يمكنه معرفة أجزاء البيئة الثابتة والأشياء المتحركة. وهو يعلم نفسه ببطء ما الذي يشكل مشاركين آخرين في حركة المرور وما هو آمن يمكن تجاهله.

يمكن للخوارزمية بعد ذلك اكتشاف هذه الكائنات بشكل موثوق - حتى على الطرق التي لم تكن جزءًا من عمليات الاجتياز المتكررة الأولية.

يأمل الباحثون أن تقلل الأساليب بشكل كبير من تكلفة تطوير المركبات ذاتية القيادة (التي لا تزال تعتمد حاليًا بشكل كبير على البيانات التوضيحية البشرية المكلفة) وأن تجعل هذه المركبات أكثر كفاءة من خلال تعلم التنقل في المواقع التي يتم استخدامها فيها أكثر من غيرها.

مصدر المقالة: 

Technology helps self-driving cars learn from own 'memories' -- ScienceDaily