جامعة Carnegie Mellon تستخدم اسلوب جديد في تدريب سيارات المستقبل



طورت جامعة Carnegie Mellon نظامًا جديدًا لتدريب السيارات ذاتية Self-Driving القيادة لتتبع حركة المشاة والمركبات المتحركة بدقة، مما يوفر المزيد من البيانات لتحقيق نتائج أفضل. تتنقل معظم المركبات ذاتية القيادة عبر استخدام مستشعرات (ليدار - LiDar)، التي توفر معلومات ثلاثية الأبعاد حول البيئة المحيطة على شكل سحابة نقطية. إحدى الطرق لتفسير هذه البيانات هي تقنية تعرف باسم تدفق المشهد، والتي تتضمن حساب سرعة ومسار كل نقطة في السحابة النقطية. يتم تفسير مجموعات النقاط التي تتحرك معًا على أنها مركبات أو مشاة أو أهداف متحركة أخرى. في العادة، يتطلب تدريب هذه الأنظمة مجموعات بيانات مصنفة، حيث يتم تتبع كل نقطة ثلاثية الأبعاد بمرور الوقت. يعد تصنيف مجموعات البيانات يدويًا أمرًا شاقًا ومكلفًا، ونتيجة لذلك هناك القليل نسبيًا من بيانات التدريب المتاحة في العالم الحقيقي، بما انه يتم تنفيذ تدريب تدفق المشهد باستخدام بيانات محاكاة أقل فعالية، ثم يتم ضبطها باستخدام الكمية الصغيرة الموجودة من البيانات الواقعية. اتبع فريق جامعة Carnegie Mellon نهجًا مختلفًا، باستخدام بيانات غير مصنفة لإجراء تدريب تدفق المشهد. تتوفر كميات كبيرة من البيانات غير المصنفة، لأنه من السهل نسبيًا تكوينها ببساطة عن طريق تركيب مستشعر (ليدار - LiDar) على السيارة والقيادة. من أجل جعل هذا النهج فعالاً، كان على الفريق تطوير طريقة للنظام لاكتشاف الأخطاء الخاصة به في تدفق المشهد. 

يحاول النظام في كل لحظة التنبؤ بمسار وسرعة كل نقطة ثلاثية الأبعاد. في اللحظة التالية، يقيس المسافة بين الموقع المتوقع للنقاط والموقع الفعلي للنقطة الأقرب إلى الموقع المتوقع. تشكل هذه المسافة نوعًا واحدًا من الأخطاء التي يجب تقليلها. يقوم النظام بعد ذلك بعكس العملية ، بدءًا من موقع النقطة المتوقعة والعمل للخلف لإعادة الخريطة إلى حيث نشأت النقطة. عند هذه المرحلة، يقيس المسافة بين الموقع المتوقع ونقطة المنشأ الفعلية، وتشكل المسافة الناتجة النوع الثاني من الخطأ. يعمل النظام بعد ذلك على تصحيح كلا نوعي الخطأ. اثبت الباحثون أن دقة تدفق المشهد باستخدام مجموعة تدريب من البيانات الاصطناعية كانت ٢٥٪ فقط. زادت الدقة إلى ٣١٪ عندما تم ضبط البيانات الاصطناعية بدقة مع كمية صغيرة من البيانات المصنفة في العالم الحقيقي، وقفزت دقة تدفق المشهد إلى ٤٦٪ عندما أضافوا كمية كبيرة من البيانات غير المصنفة لتدريب النظام باستخدام نهجهم.

 قال David Held أستاذ مساعد في معهد الروبوتات بجامعة Carnegie Mellon : "اتضح أنه من أجل القضاء على هذين الخطأين، يحتاج النظام فعليًا إلى تعلم القيام بالشيء الصحيح، دون أن يتم إخباره مطلقًا ماهو الصحيح", وعلق Mittal متدرب البحث: ”طريقتنا افضل بكثير من الطرق السابقة لأنه يمكننا التدريب على مجموعات بيانات أكبر بكثير“ قدم فريق الجامعة طريقتهم في مؤتمر CMU Argo AI Center for Autonomous Vehicle Research، وقد تم دعم أبحاثهم من قبل زمالة ناسا لأبحاث تكنولوجيا المركبات المستقلة. ( NASA Space Technology Research Fellowship )

تعليقات
* لن يتم نشر هذا البريد الإلكتروني على الموقع.