给人工智能汽车“记忆”可以帮助在困难的条件下

本文基于有待同行评审的研究成果。因此被视为初步结果,应该解释为这样的。了解同行评审过程的作用研究在这里。为进一步的信息,请联系引用源。

康奈尔大学的研究人员开发了一种方法来帮助自主车辆创建的“记忆”之前的经验和使用它们在未来的导航,特别是在恶劣天气条件下,当车不能安全地依赖它的传感器。

使用人工神经网络的汽车没有过去的记忆,都在看世界的第一次——无论多少次他们以前驱动的一个特定的路上。

研究人员产生了三个并发论文克服这种限制的目的。两个被发表于《美国IEEE计算机视觉与模式识别会议(2022年CVPR),在新奥尔良举行6月19到24。

“根本问题是,我们可以从重复遍历吗?”资深作者说克里安温伯格计算机科学教授。“例如,一辆车可能错误的形状古怪的树行人激光扫描仪感知它第一次从远处看,但是一旦足够近,对象类别都会变得清晰。所以,第二次你开车过去完全相同的树,即使在雾或雪,你希望这辆车现在已经学会正确地认识它。”

Kilian温伯格康奈尔大学研究人员最近的计算机科学教授,产生了三个论文的能力自主车辆使用过去的遍历“学习方式”熟悉的目的地。信贷:瑞安年轻/康奈尔大学

由博士生卡洛斯Diaz-Ruiz牵头,组织编制了数据集通过驾驶一辆装有激光雷达(光探测和测距)传感器不断沿着现有循环在伊萨卡岛及周边,在18个月期间的40倍。遍历捕获不同环境(公路、城市、校园),天气条件(阳光、雨天、雪天)和时间的一天。这个生成的数据集有600000多个场景。

“这故意暴露在自动驾驶汽车的一个关键挑战:恶劣天气条件下,“Diaz-Ruiz说。“如果街上被雪覆盖,人类可以依靠记忆,但是没有记忆神经网络严重弱势。”

事后看来是一种方法,使用神经网络来计算描述符的对象作为汽车通过。然后压缩这些描述,该集团被称为南瓜 (Spatial-Quantized稀疏的历史)的特性,并将它们存储在一个虚拟的地图,就像一个“记忆”存储在人类的大脑中。

下一次无人驾驶汽车穿越相同的位置,它可以查询当地南瓜数据库的激光雷达点沿途和“记住”它上次学到什么。在车辆数据库不断更新和共享,从而丰富信息进行识别。

”这些信息可以添加任何LiDAR-based 3 d对象探测器特性;“博士生Yurong你说。”探测器和南瓜表示没有任何额外的训练有素的共同监督,或人工注释,这是时间和劳动密集型的。”

事后看来是一个前兆进行额外的研究团队,适度的(移动对象检测与朝生暮死和自我训练),这将更进一步,使汽车从头开始学习感知整个管道。

虽然事后仍假定已经训练人工神经网络检测对象和增强能力创造回忆,温和的假设人工神经网络在车里从未接触到任何对象或街道。通过多种遍历的同样的路线,它可以学习环境的哪些部分是固定和移动对象。慢慢地它告诉自己什么是其他交通参与者,什么是安全的忽视。

算法可以可靠地检测这些对象——甚至在路上没有最初的重复遍历的一部分。

研究人员希望的方法可以大大减少自主车辆的开发成本(目前仍然严重依赖昂贵的人类注释数据)等,使车辆更高效的学习导航的位置使用最多。

参考:你y;罗KZ陈,X et al。事后是20/20:利用过去的遍历援助3 d知觉。arXiv预印本arXiv: 2022, 2203 (11405)https://arxiv.org/abs/2203.11405

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。