En ny strategi til at korrigere ufuldkommenheder i belægningsgitterkort

Forskere ved Laboratório de Computação de Alto Desempenho (LCAD) fra Universidade Federal do Espírito Santo (UFES), i Brasilien, har udtænkt en ny strategi til at korrigere ufuldkommenheder i belægningsgitterkort ved at korrigere ugyldige belægningssandsynligheder for kortceller, som ikke kan observeres af sensorer. Denne nye teknik, kaldet kortforfald, er inspireret af aktuel empirisk viden om den menneskelige hjernes hukommelsesarkitektur.

"Det langsigtede mål for vores forskerhold på LCAD er at forstå, hvordan den menneskelige hjerne fungerer, " Alberto Ferreira De Souza, en af ​​de forskere, der har udført undersøgelsen, fortalte TechXplore. "Det er et meget ambitiøst mål, Jeg ved, så for at tackle det, vi gjorde, hvad der er normalt i videnskaben. Det er, vi forestillede os at forstå hjernen som en række milepæle og startede med den første. I vores tilfælde, det var for at prøve at forstå visuel kognition, vores evne til at forstå verden og ideer om verden ved hjælp af vores sans for vision."

Dette ambitiøse forskningsprojekt startede for cirka 15 år siden, i første omgang med brug af statiske billeder og derefter med dynamiske billeder taget af kameraer placeret på mobile robotter. Senere, forskerne begyndte at studere selvkørende biler og byggede til sidst deres egne, kaldet IARA (Intelligent Autonomous Robotic Automobile).

"I dette arbejde, vi søgte inspiration i hjernen til at foreslå forbedringer i eksisterende algoritmer involveret i korthåndtering af selvkørende biler, " sagde De Souza. "Hjernen og dens funktioner blev analyseret ud fra et kognitiv psykologisk synspunkt; i særdeleshed, de kognitive processer relateret til hukommelsen på dens forskellige niveauer:sensorisk hukommelse, korttidshukommelse (eller arbejdshukommelse), og langtidshukommelse."

Mennesker er i stand til at gemme information i deres hukommelse og genkalde den på tidspunkter med behov. Denne grundlæggende evne gør det muligt at udføre fysiske procedurer og forfølge langsigtede mål. Lige så vigtigt som at huske ting fra fortiden, imidlertid, er evnen til at glemme irrelevant information, fokusere opmærksomheden på, hvad der kan bidrage til at løse nuværende opgaver eller problemer.

"Vi analyserede lighederne mellem den visuelle hukommelsesarkitektur, der menes at eksistere i den menneskelige hjerne, og processen med at bygge kort i selvkørende biler, " sagde De Souza. "Inspireret af disse ligheder, vi foreslog en ny strategi til fjernelse af onlinestøj fra belægningsnetkort, som vi kaldte kortforfald."

Kortforfald fungerer ved at flette sensorisk information opnået under kørsel (dvs. når et system er online) med tidligere data fra et højpræcisionskort konstrueret offline. Online eller offline data fremhæves alt efter om kortceller observeres af sensorer eller ej.

"Celler observeret af sensorer opdateres ved hjælp af traditionelle belægningsgitterkortlægningsteknikker, "De Souza forklarede. "Celler, der ikke observeres, justeres, så deres belægningssandsynligheder har tendens til de værdier, der findes på offlinekortet. Effekten af ​​denne justering er en tilsyneladende falmning, eller forfald, af onlineinformation i uobserverbare områder på kortet, mens højpræcision offline information bevares."

Ideen bag denne strategi er, at den mest præcise tilgængelige information om en uobserverbar kortcelle er værdien, der findes i offlinekortet med høj præcision. UFES har anvendt kortforfald på sit IARA autonome køretøj, og indledende test gav meget lovende resultater.

"Kortforfald fjerner ufuldkommenheder fra online belægningsgitterkort, " sagde de Souza. "Disse ufuldkommenheder har flere årsager. For eksempel, når et dynamisk objekt krydser cellerne på et kort, deres belægningssandsynlighed er hævet. På grund af den selvkørende bilbevægelse, disse celler kan ikke længere observeres, fører til et spor på kortet, der ikke er slettet."

Souza forklarede, at det samme problem også kan opstå, når en falsk forhindring opdages, på grund af en naturlig sensorfejl. Hvis celler ikke observeres igen, enten fordi robotten bevæger sig, eller fordi disse celler er placeret i en sensorisk blind vinkel, belægningssandsynligheden vil ikke blive korrigeret.

Kortforfald fjerner effektivt disse ufuldkommenheder, ved hjælp af strategier, der afspejler menneskelige hukommelsesprocesser. Ligesom den menneskelige hjerne, den frigiver information, der ikke længere er nødvendig, og giver mening med ufuldstændige sensoriske data ved at fylde dem med langsigtet viden, som er gemt i det præcise offlinekort.

"Vi forsøger altid at implementere en avanceret løsning på et problem og derefter prøve at genimplementere det ved hjælp af neurale netværk, vores foretrukne paradigme til at efterligne hjernen, " sagde De Souza. "Som fremtidigt arbejde, vi vil studere, hvordan man implementerer hele kortlægningsprocessen, herunder kortforfald, ved hjælp af dybe neurale netværk."

© 2018 Tech Xplore