Yazıyı okuyorsunuz: Yeni yöntem sürücüsüz araçların ‘anılar’ yaratmasına yardımcı oluyor
Cornell Üniversitesi’ndeki bir araştırma ekibi, otonom araçların önceki deneyimlere ilişkin “anılar” oluşturmasına olanak tanıyan ve daha sonra gelecekteki navigasyonda kullanılabilecek yeni bir yöntem geliştirdi. Bu, özellikle sürücüsüz araçların kötü hava koşullarında sensörlere güvenemediği durumlarda yararlı olacaktır.
Geçmişten ders almak
Günümüzün yapay sinir ağlarını kullanan sürücüsüz arabaları geçmişi hatırlamıyor, yani sürekli olarak bir şeyleri ilk kez “görüyorlar”. Ve bu, aynı yolu kaç kez kullandıklarına bakılmaksızın geçerlidir.
Killian Weinberger, araştırmanın baş yazarı ve bilgisayar bilimleri profesörüdür.
“Temel soru şu: Tekrarlanan yolculuklardan ders alabilir miyiz?” Weinberger dedi. “Örneğin, bir araba, lazer tarayıcısı onu uzaktan algıladığında garip şekilli bir ağacı yaya sanabilir, ancak yeterince yaklaştığında nesnenin kategorisi netleşir. Bu nedenle, sis veya karda bile aynı ağacın yanından ikinci kez geçtiğinizde, arabanın onu doğru şekilde tanımayı öğrendiğini umarsınız.
Doktora öğrencisi Carlos Díaz-Ruiz liderliğindeki grup, LiDAR sensörleriyle donatılmış bir arabayı kullanarak bir veri seti oluşturdu. 18 ay boyunca toplam 40 kez 15 kilometrelik bir parkurda tur yapıldı. Çeşitli test sürüşleri farklı ortamları, hava koşullarını ve günün saatlerini yakaladı. Tüm bunlar 600.000’den fazla sahneden oluşan bir veri kümesi oluşturdu.
Díaz-Ruiz, “Bu, sürücüsüz otomobillerdeki en önemli zorluklardan birini kasıtlı olarak ortaya çıkarıyor: kötü hava koşulları” dedi. “Sokak karla kaplıysa insanlar anılara güvenebilir, ancak anılar olmadan sinir ağı büyük dezavantaja sahip olur.”
RETROSPEKTİF ve MÜKEMMEL
GERİ GÖRÜŞ adı verilen yaklaşımlardan biri, araba geçerken nesne tanımlayıcılarını hesaplamak için sinir ağlarını kullanıyor. SQuaSH adı verilen bu açıklamalar daha sonra sıkıştırılıp sanal bir haritada saklanıyor ve kendi anılarımızı beynimizde saklama şeklimize benzer bir tür “bellek” yaratıyor.
Sürücüsüz araç gelecekte aynı yerden geçtiğinde, rota boyunca her LiDAR noktasının yerel SQuaSH veri tabanını sorgulayarak öğrendiklerini “hatırlıyor”. Sürekli olarak güncellenen veri tabanı araçlar arasında paylaşılarak daha fazla bilgi sağlayarak tanınmanın iyileştirilmesine yardımcı olur.
Yurong You bir doktora öğrencisidir.
You, “Bu bilgi herhangi bir LiDAR tabanlı 3 boyutlu nesne dedektörüne özellik olarak eklenebiliyor” dedi. “Hem dedektör hem de SQuaSH temsili, herhangi bir ek denetim veya insan açıklaması gerektirmeden birlikte eğitilebilir; bu da zaman alıcı ve emek yoğun bir işlemdir.
HINDSIGHT, ekibe MODEST (Geçicilik ve Kendi Kendine Eğitim ile Hareketli Nesne Tespiti) adı verilen, yürütmekte oldukları ek araştırmalarda yardımcı olacaktır. MODEST bu süreci ilerletecek ve otomobilin tüm algılama sürecini öğrenmesine olanak tanıyacak.
HINDSIGHT, yapay sinir ağının halihazırda nesneleri tespit etmek için eğitildiğini ve anı oluşturma yeteneğine sahip olduğunu varsayarken MODEST, yapay sinir ağının hiçbir zaman herhangi bir nesneye veya sokağa maruz kalmadığını varsayar. Aynı rota üzerinde birden çok kez koştuktan sonra ortamın hangi bölümlerinin sabit veya hareketli nesneler olduğunu öğrenir. Bu işlem sistemin diğer trafik katılımcıları gibi nelere dikkat etmesi gerektiğini kendisinin öğrenmesini sağlar.
Algoritma, ilk rotaların parçası olmayan yollarda bile nesneleri güvenilir bir şekilde tespit etme yeteneğini gösterdi.
Ekip, bu yeni yaklaşımların otonom araçların geliştirme maliyetini azaltabileceğine ve onları daha verimli hale getirebileceğine inanıyor.
