新方法使更多數(shù)據(jù)可用于訓(xùn)練自動駕駛汽車

為了安全起見，自動駕駛汽車必須準(zhǔn)確跟蹤行人，自行車和周圍其他車輛的運動。由于卡內(nèi)基梅隆大學(xué)開發(fā)了一種新方法，培訓(xùn)那些跟蹤系統(tǒng)現(xiàn)在可能會更加有效。

一般而言，可用于培訓(xùn)跟蹤系統(tǒng)的道路和交通數(shù)據(jù)越多，結(jié)果越好。為此，CMU研究人員找到了一種解鎖大量自動駕駛數(shù)據(jù)的方法。

“與以前的方法相比，我們的方法更加健壯，因為我們可以在更大的數(shù)據(jù)集上進行訓(xùn)練，”與CMU機器人學(xué)院助理教授David Held合作的研究實習(xí)生Himangi Mittal說。

大多數(shù)自動駕駛汽車主要基于稱為激光雷達的傳感器進行導(dǎo)航，該激光設(shè)備會生成有關(guān)汽車周圍環(huán)境的3-D信息。這種3-D信息不是圖像，而是點云。車輛利用此數(shù)據(jù)的一種方式是使用一種稱為場景流的技術(shù)。這涉及計算每個3D點的速度和軌跡。通過場景流將一起移動的點組解釋為車輛，行人或其他移動物體。

過去，用于訓(xùn)練此類系統(tǒng)的最新方法要求使用標(biāo)記的數(shù)據(jù)集-已標(biāo)注注釋的傳感器數(shù)據(jù)，以隨時間推移跟蹤每個3-D點。手動標(biāo)記這些數(shù)據(jù)集既費力又昂貴，因此不足為奇的是，幾乎沒有標(biāo)記數(shù)據(jù)。結(jié)果，場景流訓(xùn)練通常是使用效果不佳的模擬數(shù)據(jù)執(zhí)行的，然后使用少量存在的標(biāo)記現(xiàn)實世界數(shù)據(jù)進行微調(diào)。

米塔爾，赫德和機器人學(xué)博士學(xué)位學(xué)生Brian Okorn采用了另一種方法，即使用未標(biāo)記的數(shù)據(jù)進行場景流訓(xùn)練。由于通過在汽車上安裝激光雷達并四處行駛，相對容易生成未標(biāo)記的數(shù)據(jù)，因此不乏這些數(shù)據(jù)。

他們方法的關(guān)鍵是為系統(tǒng)開發(fā)一種方法來檢測場景流中的自身錯誤。在每個瞬間，系統(tǒng)都會嘗試預(yù)測每個3-D點的移動方向和移動速度。在下一瞬間，它會測量該點的預(yù)測位置與最接近該預(yù)測位置的點的實際位置之間的距離。該距離形成要最小化的一種類型的誤差。

然后，系統(tǒng)從預(yù)測的點位置開始向后逆轉(zhuǎn)該過程，以映射回該點的原始位置。此時，它會測量預(yù)測位置與實際起點之間的距離，并且所產(chǎn)生的距離會形成第二種誤差。

然后，系統(tǒng)將糾正這些錯誤。

霍爾德說：“事實證明，要消除這兩個錯誤，系統(tǒng)實際上需要學(xué)習(xí)做正確的事，而從未被告知正確的事是什么。”

聽起來可能有些費解，但Okorn發(fā)現(xiàn)它運作良好。研究人員使用一組綜合數(shù)據(jù)訓(xùn)練得出的場景流精度僅為25%。當(dāng)使用少量現(xiàn)實世界中標(biāo)記的數(shù)據(jù)對合成數(shù)據(jù)進行微調(diào)時，準(zhǔn)確性提高到31%。當(dāng)他們添加大量未標(biāo)記的數(shù)據(jù)來使用他們的方法訓(xùn)練系統(tǒng)時，場景流的準(zhǔn)確性躍升至46%。

研究團隊在6月14日至19日舉行的計算機視覺和模式識別(CVPR)會議上介紹了他們的方法。CMU Argo AI自主車輛研究中心為這項研究提供了支持，并獲得了NASA太空技術(shù)研究獎學(xué)金的額外支持。