La tecnología ayuda a los autos autónomos a aprender de sus propios ‘recuerdos’ – ScienceDaily

La tecnología ayuda a los autos autónomos a aprender de sus propios ‘recuerdos’ – ScienceDaily


Investigadores de la Universidad de Cornell han desarrollado un método para ayudar a los vehículos autónomos a crear «recuerdos» de experiencias pasadas y utilizarlos en la navegación futura, particularmente en condiciones climáticas adversas cuando el automóvil no puede confiar de manera segura en sus sensores.

Los autos que usan redes neuronales artificiales no recuerdan el pasado y ven el mundo por primera vez todo el tiempo, sin importar cuántas veces hayan conducido antes por un camino en particular.

Los investigadores crearon tres artículos simultáneos con el objetivo de superar esta limitación. Dos se presentarán en las Actas de la Conferencia IEEE sobre Visión por Computador y Reconocimiento de Patrones (CVPR 2022) que tendrá lugar del 19 al 24 de junio en Nueva Orleans.

«La pregunta fundamental es: ¿podemos aprender de recorridos repetidos?», dijo el autor principal Kilian Weinberger, profesor de informática. «Por ejemplo, un automóvil puede confundir un árbol de forma extraña con un peatón cuando su escáner láser lo detecta por primera vez desde la distancia, pero una vez que está lo suficientemente cerca, la categoría del objeto se vuelve clara. Así que la segunda vez que pases por el mismo árbol, incluso si hay niebla o nieve, esperarías que el coche haya aprendido a reconocerlo correctamente».

Dirigido por el estudiante de doctorado Carlos Díaz-Ruiz, el grupo compiló un conjunto de datos conduciendo repetidamente un automóvil equipado con sensores LiDAR (detección de luz y rango) a lo largo de un circuito de 15 kilómetros en Ithaca y sus alrededores, 40 veces durante un período de 18 meses. Las poligonales capturan diferentes entornos (autopista, ciudad, campus), condiciones climáticas (soleado, lluvioso, con nieve) y horas del día. Este conjunto de datos resultante contiene más de 600.000 escenas.

“Expone deliberadamente uno de los mayores desafíos de los autos autónomos: las malas condiciones climáticas”, dijo Díaz-Ruiz. «Cuando el camino está cubierto de nieve, las personas pueden confiar en los recuerdos, pero sin recuerdos, una red neuronal está en grave desventaja».

HINDSIGHT es un enfoque que utiliza redes neuronales para calcular descriptores de objetos a medida que el automóvil pasa por delante de ellos. Luego comprime estas descripciones, que el grupo ha denominado características SQuaSH? (Historia dispersa cuantificada espacialmente), y las almacena en un mapa virtual, como una «memoria» almacenada en un cerebro humano.

La próxima vez que el automóvil autónomo atraviese la misma ubicación, puede consultar la base de datos SQuaSH local de cada punto LiDAR a lo largo de la ruta y «recordar» lo que aprendió la última vez. La base de datos se actualiza continuamente y es compartida por todos los vehículos, enriqueciendo la información disponible para la detección.

«Esta información se puede agregar como características a cualquier detector de objetos 3D basado en LiDAR», dijo el estudiante de doctorado Yurong You. «Tanto el detector como la pantalla SQuaSH se pueden entrenar juntos sin supervisión adicional ni anotaciones humanas, lo que requiere mucho tiempo y trabajo».

HINDSIGHT es un precursor de la investigación adicional que está realizando el equipo, MODEST (Detección de objetos móviles con efímero y autoentrenamiento), que iría aún más lejos y permitiría que el automóvil aprenda todo el proceso de percepción desde cero.

Si bien HINDSIGHT aún asume que la red neuronal artificial ya está entrenada para reconocer objetos y agrega la capacidad de generar recuerdos, MODEST asume que la red neuronal artificial en el vehículo nunca ha estado expuesta a ningún objeto o camino. Al recorrer la misma ruta varias veces, puede aprender qué partes del entorno están estacionarias y cuáles son objetos en movimiento. Poco a poco está aprendiendo por sí mismo lo que hace que otros usuarios de la carretera sean especiales y lo que se puede ignorar con seguridad.

Entonces, el algoritmo puede detectar de forma fiable estos objetos, incluso en carreteras que no formaban parte de la travesía repetida inicial.

Los investigadores esperan que los enfoques puedan reducir drásticamente los costos de desarrollo de los vehículos autónomos (que actualmente todavía dependen en gran medida de los costosos datos anotados por humanos) y hacer que dichos vehículos sean más eficientes al aprender a navegar por los lugares en los que es más probable que se utilicen con mayor frecuencia.

fuente de la historia:

Materiales proporcionados por Universidad de Cornell. Escrito originalmente por Tom Fleischman, cortesía de Cornell Chronicle. Nota: El contenido se puede editar por estilo y longitud.

Related post

Una guía completa para la gestión de las relaciones con los clientes

Una guía completa para la gestión de las relaciones…

Cuando se trata de administrar un negocio, una de las cosas más importantes es mantener contentos a sus clientes. No hay…
Nanotechnology Now – Comunicado de prensa: De afuera hacia adentro: Un método de evaluación celular general rápido y preciso: Investigadores del Instituto de Ciencia y Tecnología de Nara muestran que el uso de cuatro frecuencias de voltaje aplicado puede mejorar la medición del tamaño y la forma de las células durante la citometría de impedancia. es

Nanotechnology Now – Comunicado de prensa: De afuera hacia…

Inicio > Prensa > De afuera hacia adentro: un método rápido y preciso de evaluación celular general: Investigadores del Instituto de…
La IA defectuosa hace que los robots sean racistas y sexistas

La IA defectuosa hace que los robots sean racistas…

26 de junio de 2022 (Noticias de Nanowerk) Un robot que trabaja con un popular sistema de inteligencia artificial basado en…

Leave a Reply

Tu dirección de correo electrónico no será publicada.