At bringe menneskelignende ræsonnement til førerløs bilnavigation

Med det formål at bringe mere menneskelignende ræsonnement til autonome køretøjer, MIT-forskere har skabt et system, der kun bruger simple kort og visuelle data til at gøre det muligt for førerløse biler at navigere ruter i nye, komplekse miljøer.

Menneskelige chauffører er usædvanligt gode til at navigere på veje, de ikke har kørt på før, ved hjælp af observation og enkle værktøjer. Vi matcher simpelthen det, vi ser omkring os, til det, vi ser på vores GPS -enheder for at afgøre, hvor vi er, og hvor vi skal hen. førerløse biler, imidlertid, kæmper med dette grundlæggende ræsonnement. I hvert nyt område, bilerne skal først kortlægge og analysere alle de nye veje, hvilket er meget tidskrævende. Systemerne er også afhængige af komplekse kort-normalt genereret ved 3D-scanninger-som er beregningsmæssigt intensive at generere og behandle i farten.

I et papir, der præsenteres på denne uges internationale konference om robotteknologi og automatisering, MIT-forskere beskriver et autonomt kontrolsystem, der "lærer" menneskelige chaufførers styremønstre, når de navigerer på veje i et lille område, kun ved hjælp af data fra videokamera-feeds og et simpelt GPS-lignende kort. Derefter, det trænede system kan styre en førerløs bil langs en planlagt rute i et helt nyt område, ved at efterligne den menneskelige chauffør.

På samme måde som menneskelige chauffører, systemet registrerer også eventuelle uoverensstemmelser mellem dets kort og vejens funktioner. Dette hjælper systemet med at bestemme, om dets position, sensorer, eller kortlægningen er forkert, for at rette bilens kurs.

For at træne systemet indledningsvis, en menneskelig operatør kontrollerede en førerløs Toyota Prius - udstyret med flere kameraer og et grundlæggende GPS -navigationssystem - indsamlede data fra lokale forstadsgader, herunder forskellige vejkonstruktioner og forhindringer. Når den indsættes autonomt, systemet med succes navigerede bilen langs en forud planlagt sti i et andet skovområde, beregnet til test af autonome køretøjer.

"Med vores system, du behøver ikke at træne på alle veje på forhånd, " siger førsteforfatter Alexander Amini, en MIT -kandidatstuderende. "Du kan downloade et nyt kort, så bilen kan navigere gennem veje, den aldrig har set før."

"Vores mål er at opnå autonom navigation, der er robust til kørsel i nye miljøer, " tilføjer medforfatter Daniela Rus, direktør for Computer Science and Artificial Intelligence Laboratory (CSAIL) og Andrew og Erna Viterbi professor i elektroteknik og datalogi. "For eksempel, hvis vi træner et selvkørende køretøj til at køre i bymæssige omgivelser som Cambridges gader, systemet skal også kunne køre jævnt i skoven, selvom det er et miljø, det aldrig har set før."

Med Rus og Amini på papiret er Guy Rosman, en forsker ved Toyota Research Institute, og Sertac Karaman, en lektor i luftfart og astronautik ved MIT.

Punkt-til-punkt navigation

Traditionelle navigationssystemer behandler data fra sensorer gennem flere moduler tilpasset opgaver som lokalisering, kortlægning, genstandsgenkendelse, bevægelsesplanlægning, og styrekontrol. Årevis, Rus' gruppe har udviklet "end-to-end" navigationssystemer, som behandler indlæste sensoriske data og udsender styrekommandoer, uden behov for specialmoduler.

Indtil nu, imidlertid, disse modeller var strengt designet til sikkert at følge vejen, uden nogen egentlig destination i tankerne. I det nye blad, forskerne avancerede deres ende-til-ende-system til at køre fra mål til destination, i et hidtil uset miljø. For at gøre det, forskerne trænede deres system til at forudsige en fuld sandsynlighedsfordeling over alle mulige styrekommandoer på et hvilket som helst tidspunkt under kørsel.

Systemet bruger en maskinlæringsmodel kaldet et konvolutionelt neuralt netværk (CNN), almindeligvis brugt til billedgenkendelse. Under træning, systemet overvåger og lærer at styre fra en menneskelig chauffør. CNN korrelerer ratrotationer til vejkrumninger, det observerer gennem kameraer og et indtastet kort. Til sidst, den lærer den mest sandsynlige styrekommando til forskellige køresituationer, såsom lige veje, fire-vejs eller T-formede kryds, gafler, og rotorer.

"I første omgang, ved et T-formet kryds, der er mange forskellige retninger, bilen kan dreje, " siger Rus. "Modellen starter med at tænke på alle de retninger, men da den ser flere og flere data om, hvad folk gør, den vil se, at nogle mennesker drejer til venstre og nogle drejer til højre, men ingen går lige. Lige frem er udelukket som en mulig retning, og modellen lærer, at ved T-formede kryds, den kan kun bevæge sig til venstre eller højre."

Hvad siger kortet?

Ved test, forskerne indtaster systemet med et kort med en tilfældigt valgt rute. Når du kører, systemet udtrækker visuelle funktioner fra kameraet, som gør det muligt at forudsige vejstrukturer. For eksempel, den identificerer et fjernt stopskilt eller linjebrud i siden af ​​vejen som tegn på et kommende vejkryds. I hvert øjeblik, den bruger sin forudsagte sandsynlighedsfordeling af styrekommandoer til at vælge den mest sandsynlige til at følge dens rute.

Vigtigere, siger forskerne, systemet bruger kort, der er lette at gemme og behandle. Autonome kontrolsystemer bruger typisk LIDAR-scanninger til at skabe massive, komplekse kort, der tager omkring 4, 000 gigabyte (4 terabyte) data til kun at gemme byen San Francisco. For hver ny destination, bilen skal lave nye kort, hvilket udgør tonsvis af databehandling. Kort brugt af forskernes system, imidlertid, indfanger hele verden ved hjælp af kun 40 gigabyte data.

Under autonom kørsel, systemet matcher også løbende sine visuelle data til kortdataene og noterer eventuelle uoverensstemmelser. Dette hjælper det selvkørende køretøj med bedre at bestemme, hvor det er placeret på vejen. Og det sikrer, at bilen forbliver på den sikreste vej, hvis den bliver fodret med modstridende inputoplysninger:Hvis, sige, bilen kører på en lige vej uden sving, og GPS'en indikerer, at bilen skal dreje til højre, bilen vil vide, om den skal køre ligeud eller stoppe.

"I den virkelige verden, sensorer fejler, " siger Amini. "Vi vil sikre os, at systemet er robust over for forskellige fejl i forskellige sensorer ved at bygge et system, der kan acceptere disse støjende input og stadig navigere og lokalisere sig korrekt på vejen."