Các nhà nghiên cứu tại Đại học Cornell đã đã phát triển một kỹ thuật hỗ trợ ô tô tự lái nhớ lại các sự kiện trong quá khứ và sử dụng chúng làm tài liệu tham khảo trong khi điều hướng, đặc biệt là trong thời tiết xấu khi không thể tin cậy được cảm biến của xe.
Trên ô tô, thông thường, mạng lưới thần kinh nhân tạo không quan tâm đến ký ức trong quá khứ và chúng luôn hoạt động như thể chúng ta nhìn thấy thế giới lần đầu tiên. Họ không có hồi ức về những lần lái xe trước đó trên con đường đó. Đây không phải là sáng kiến duy nhất nhằm phát triển phương tiện tự lái, gần đây, các nhà chế tạo robot đã đẩy xe địa hình đến giới hạn để thu thập dữ liệu cho xe ATV tự lái.
Mục đích là cải thiện khả năng tự lái trong điều kiện kém
Các nhà nghiên cứu đã làm việc trên ba bài báo đồng bộ để giải quyết vấn đề này. Hai sản phẩm sẽ được trình bày tại Hội nghị IEEE về Thị giác máy tính và Nhận dạng mẫu (CVPR 2022), diễn ra từ ngày 19 đến 24 tháng 6 tại New Orleans.
“Câu hỏi cơ bản là liệu chúng ta có thể học hỏi từ những lần di chuyển lặp đi lặp lại không? Ví dụ: một chiếc ô tô tự lái có thể nhầm một cái cây có hình dạng kỳ lạ với người đi bộ trong lần đầu tiên máy quét laser của nó nhận biết nó từ xa, nhưng khi nó ở đủ gần, danh mục đối tượng sẽ trở nên rõ ràng. Vì vậy, lần thứ hai bạn lái xe ngang qua cùng một cái cây, ngay cả trong sương mù hoặc tuyết, bạn sẽ hy vọng rằng chiếc xe giờ đây đã học cách nhận biết chính xác nó,” tác giả chính Kilian Weinberger cho biết.
Một nhóm từ Khoa Khoa học Thông tin do Carlos Diaz-Ruiz, một nghiên cứu sinh tiến sĩ, dẫn đầu, đã biên soạn một bộ dữ liệu bằng cách lái một chiếc ô tô có cảm biến LiDAR (Phát hiện ánh sáng và Phạm vi) đi 15 km quanh Ithaca, 40 lần trong 18 tháng. Cuộc hành trình bao gồm một số tình huống (đường cao tốc, đô thị, khuôn viên trường), cũng như điều kiện thời tiết (nắng, mưa, tuyết). Bộ sưu tập dữ liệu khổng lồ này có hơn 600.000 khung hình.
“Không có ký ức, mạng lưới thần kinh sẽ gặp bất lợi nặng nề”
“Nó cố tình phơi bày một trong những thách thức chính đối với xe tự lái: điều kiện thời tiết xấu. Diaz-Ruiz cho biết: Nếu đường phố bị tuyết bao phủ, con người có thể dựa vào ký ức, nhưng nếu không có ký ức, mạng lưới thần kinh sẽ gặp bất lợi nặng nề.
HINDSIGHT là một hệ thống kết hợp dữ liệu bên ngoài và bên trong để đưa ra dự đoán về điều gì sẽ xảy ra dựa trên hành vi lịch sử của các tình huống tương tự. Nó kết hợp mạng lưới thần kinh với các sự kiện trong thế giới thực để tạo ra các tính năng độc đáo cho mỗi phương tiện đi qua. Các tính năng này được nén thành các kích thước SQuaSH?(Lịch sử thưa thớt lượng tử hóa không gian) và được lưu trên bản đồ ảo, giống như cách ký ức được lưu trữ trong não của chúng ta.
Khi xe tự lái quay trở lại vị trí đó, nó có thể truy vấn cơ sở dữ liệu SQuaSH cục bộ của từng điểm LiDAR trên tuyến đường và “ghi nhớ” những gì nó đã học được lần trước. Cơ sở dữ liệu được cập nhật và chia sẻ trên các phương tiện, cho phép nhận dạng tốt hơn bằng cách tận dụng thông tin mới.
“Thông tin này có thể được thêm dưới dạng tính năng cho bất kỳ máy dò vật thể 3D dựa trên LiDAR nào. Yurong You cho biết, cả máy dò và biểu diễn SQuaSH đều có thể được đào tạo chung mà không cần bất kỳ sự giám sát bổ sung nào hoặc chú thích của con người, việc này tốn nhiều thời gian và công sức. một nghiên cứu sinh tiến sĩ khác tham gia vào dự án.
Nhóm hiện đang thực hiện một nghiên cứu sâu hơn có tên MODEST (Phát hiện đối tượng di động với tính tạm thời và tự đào tạo), cho phép ô tô tìm hiểu toàn bộ quy trình nhận thức từ đầu.
HINDSIGHT vẫn tin rằng mạng lưới thần kinh nhân tạo trong ô tô đã được đào tạo để phát hiện các vật thể và sau đó được tăng cường khả năng hình thành ký ức. Ngược lại, MODEST giả định rằng mạng lưới thần kinh nhân tạo của phương tiện chưa từng nhìn thấy bất cứ thứ gì trước đây. Nó có thể tìm hiểu phần nào của môi trường là cố định và phần nào đang di chuyển mọi thứ qua nhiều chuyến đi dọc theo cùng một con đường. Nó tự dạy mình điều gì tạo nên những người tham gia giao thông khác và điều gì là an toàn để bỏ qua theo thời gian.
Trên những con đường không nằm trong các chuyến đi lặp lại ban đầu, thuật toán có thể tự tin xác định những điều này – ngay cả khi chúng không thuộc chuỗi ban đầu. Các nhà nghiên cứu muốn áp dụng những phương pháp này để giảm chi phí phát triển phương tiện tự hành và làm cho những phương tiện đó hoạt động hiệu quả hơn bằng cách học cách điều hướng các địa điểm mà chúng được sử dụng nhiều nhất.
Rất nhiều nghiên cứu đang được thực hiện nhằm cải thiện công nghệ AI, bạn có biết rằng mạng lưới thần kinh hoạt động tốt hơn khi chúng lớn hơn không?
