CMU روش باعث می شود داده های بیشتر در دسترس برای آموزش self-driving cars

پیتسبورگ--به خاطر ایمنی یک خودرو باید با دقت مسیر حرکت پیاده و دوچرخه و دیگر وسایل نقلیه در اطراف آن است. آموزش کسانی که سیستم های ردیابی در حال حاضر ممکن است موثر تر با تشکر به یک روش جدید توسعه یافته در دانشگاه کارنگی ملون.

به طور کلی بیشتر در جاده و ترافیک داده های در دسترس برای آموزش سیستم های ردیابی بهتر نتایج. و CMU محققان را در بر داشت یک راه برای باز کردن یک کوه خودمختار رانندگی داده ها برای این منظور است.

"روش ما بسیار قوی تر از روشهای قبلی چون ما با قطار می تواند بسیار بزرگتر دهد" گفت: Himangi Mittal یک پژوهش کارآموز کار با دیوید برگزار می شود, دستیار استاد در CMU را رباتیک موسسه.

ترین خودروهای حرکت در درجه اول بر اساس یک سنسور به نام lidar یک دستگاه لیزر است که به تولید 3D اطلاعات در مورد جهان اطراف ماشین. این 3D اطلاعات نیست تصاویر, اما ابر نقاط. یکی از راه های این خودرو باعث می شود حس این اطلاعات با استفاده از یک تکنیک شناخته شده به عنوان صحنه جریان است. این شامل محاسبه سرعت و مسیر هر یک از 3D نقطه. گروه از نقاط در حال حرکت با هم تفسیر از طریق صحنه جریان به عنوان وسایل نقلیه عبور و مرور و یا دیگر اشیاء در حال حرکت.

در گذشته دولت از هنر روش برای آموزش چنین سیستم مورد نیاز استفاده از برچسب مجموعه -- سنسور داده است که مشروح برای پیگیری هر 3D نقطه در طول زمان است. دستی و برچسب زدن به این مجموعه داده است که دشوار و گران است بنابراین جای تعجب نیست کمی با برچسب داده ها وجود دارد. به عنوان یک نتیجه, صحنه جریان آموزش است به جای آن اغلب با انجام شبیه سازی داده ها است که کمتر موثر و سپس تنظیم با مقدار کمی از برچسب در دنیای واقعی داده است که وجود دارد.

میتال برگزار شد و رباتیک دانشجوی دکتری برایان Okorn در زمان یک رویکرد متفاوت با استفاده از داده های بدون برچسب به انجام صحنه جریان آموزش. از آنجا که داده های بدون برچسب است که نسبتا آسان برای تولید با نصب یک lidar بر روی یک خودرو و رانندگی در اطراف وجود دارد هیچ کمبود آن است.

کلید رویکرد خود را به منظور توسعه یک راه برای این سیستم را به تشخیص خود خطا در صحنه جریان است. در هر لحظه سیستم تلاش می کند تا پیش بینی که در آن هر 3D نقطه می گذرد و با چه سرعتی آن را در حال حرکت. در لحظه بعد آن را اندازه گیری فاصله بین نقطه پیش بینی موقعیت و محل واقعی نقطه نزدیکترین است که پیش بینی محل. این فاصله یک نوع خطا به حداقل برسد.

سیستم پس از آن معکوس این روند با شروع پیش بینی نقطه محل سکونت و کار عقب مانده به نقشه به جایی که نقطه نشات گرفته است. در این مرحله آن را اندازه گیری فاصله بین پیش بینی موقعیت و واقعی منشاء نقطه و در نتیجه فاصله اشکال خطای نوع دوم.

سیستم پس از آن کار می کند برای اصلاح اشتباهات آن.

"معلوم است که برای از بین بردن هر دو از کسانی که خطاهای این سیستم در واقع نیاز به یادگیری برای انجام کار درست و بدون همیشه گفته به چه چیزی درست است" برگزار شد گفت:.

به عنوان پیچیده به عنوان آن ممکن است صدای Okorn در بر داشت که آن را به خوبی کار می کرد. محققان محاسبه شده است که صحنه جریان دقت با استفاده از یک مجموعه آموزشی مصنوعی داده شد تنها 25 درصد. زمانی که مصنوعی داده بود خوب تنظیم با مقدار کمی از دنیای واقعی با برچسب اطلاعات دقت افزایش یافته و به 31 درصد. زمانی که آنها اضافه شده یک مقدار زیادی از داده های بدون برچسب برای آموزش سیستم خود را با استفاده از رویکرد صحنه جریان دقت شروع به پریدن کرد به 46 درصد.

این تیم تحقیقاتی ارائه روش خود را در کامپیوتر دید و تشخیص الگو (CVPR) کنفرانس برگزار شد عملا ژوئن 14-19. CMU آرگو AI مرکز خودمختار خودرو پژوهش در حمایت از این تحقیقات با حمایت های بیشتر از یک فضایی ناسا تحقیقات فن آوری یاران.

###

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.