Forbedring af visionen om selvkørende biler

Der kan være en bedre måde for autonome køretøjer at lære at køre selv:ved at se på mennesker. Ved hjælp af et forbedret synskorrigerende system, selvkørende biler kunne lære bare ved at observere, at menneskelige operatører udfører den samme opgave.

Forskere fra Deakin University i Australien offentliggjorde deres resultater i IEEE/CAA Journal of Automatica Sinica , en fælles publikation af Institute of Electrical and Electronics Engineers (IEEE) og Chinese Association of Automation.

Teamet implementerede imitation læring, også kaldet at lære af demonstration. En menneskelig operatør kører et køretøj udstyret med tre kameraer, observere miljøet forfra og på hver side af bilen. Dataene behandles derefter via et neuralt netværk - et computersystem baseret på, hvordan hjernens neuroner interagerer for at behandle information - der gør det muligt for køretøjerne at træffe beslutninger baseret på, hvad de lærte ved at se mennesket træffe lignende beslutninger.

"Forventningen til denne proces er at generere en model udelukkende ud fra billederne taget af kameraerne, "sagde papirforfatter Saeid Nahavandi, Alfred Deakin Professor, prorektor, formand for teknik og direktør for Institute for Intelligent Systems Research and Innovation ved Deakin University. "Den genererede model forventes derefter at køre bilen autonomt."

Behandlingssystemet er specifikt et konvolutionsnervalt neuralt netværk, som spejles på hjernens visuelle cortex. Netværket har et inputlag, et output lag og et hvilket som helst antal behandlingslag mellem dem. Inputen oversætter visuel information til prikker, som derefter løbende sammenlignes efterhånden som der kommer mere visuel information ind. Ved at reducere den visuelle information, netværket kan hurtigt behandle ændringer i miljøet:et skift af prikker, der vises fremad, kan indikere en hindring på vejen. Det her, kombineret med den viden, der er opnået ved at observere den menneskelige operatør, betyder, at algoritmen ved, at en pludselig forhindring på vejen skulle få bilen til at stoppe helt for at undgå en ulykke.

"At have en pålidelig og robust vision er et obligatorisk krav i autonome køretøjer, og konvolutionelle neurale netværk er et af de mest succesrige dybe neurale netværk til billedbehandlingsapplikationer, "Sagde Nahavandi.

Han bemærkede et par ulemper, imidlertid. Den ene er, at efterligningslæring fremskynder træningsprocessen, samtidig med at den reducerer mængden af ​​træningsdata, der kræves for at producere en god model. I modsætning, konvolutionelle neurale netværk kræver en betydelig mængde træningsdata for at finde en optimal konfiguration af lag og filtre, som kan hjælpe med at organisere data, og producerer en korrekt genereret model, der er i stand til at køre et autonomt køretøj.

"For eksempel, vi fandt ud af, at forøgelse af antallet af filtre ikke nødvendigvis resulterer i en bedre ydeevne, "Nahavandi sagde." Det optimale valg af parametre for netværket og uddannelsesproceduren er stadig et åbent spørgsmål, som forskere aktivt undersøger verden over. "Næste, forskerne planlægger at studere mere intelligente og effektive teknikker, herunder genetiske og evolutionære algoritmer for at opnå det optimale sæt parametre for bedre at producere en selvlæring, selvkørende køretøj.