Robotbiler kan lære at køre uden at forlade garagen

De computere, der styrer selvkørende biler, får værdifuld viden om den virkelige verden på nogle overraskende måder - herunder gennemser onlinekort og spiller videospil.

Forskere ved Princeton University udviklede for nylig et computersyns- og kortlægningssystem, der indsamlede nyttige oplysninger om vejes fysiske egenskaber ved at studere Google Street View og sammenligne scenerne med informationen i open source kortlægningsdata. Dette gjorde det muligt for den for eksempel at lære, hvor kanterne af et vejkryds skulle være baseret på billeder taget af Googles kortlægningsbiler.



I særskilt arbejde afsløret onsdag, forskere kl OpenAI , en nonprofit med fokus på grundlæggende AI-forskning, skabte en måde at få softwareagenter til at lære kørestrategi ved at eksperimentere i videospillet Grand Theft Auto V gennem en platform kendt som Universe. Nogle videospil er nu så visuelt realistiske, at de kan lade et computersyn lære om den virkelige verden (se Selvkørende biler kan lære meget ved at spille Grand Theft Auto).

Nye tilgange til træning af selvkørende biler kan hjælpe med at demokratisere teknologien og gøre den mere pålidelig. Selvkørende biler var overalt på dette års Consumer Electronics Show i Las Vegas, og teknologien er i centrum på den nordamerikanske biludstilling i Detroit, som startede i denne uge. Men ikke alle har ressourcerne fra Ford, Google eller Uber, og automatiserede køretøjer kæmper stadig i mange situationer (se Hvad skal du vide, før du sætter dig i en selvkørende bil). Så nogle forskere kommer med kreative måder at indsamle data og togkørselssystemer på. Der er endda bestræbelser på at open source teknologien, der kræves til automatiseret kørsel.

Princeton-forskerne udgravede Google Street View og OpenStreetMap for deres data. Vejfunktioner i Google Street View-billeder er nogle gange blokeret af et køretøj, en person, der krydser vejen eller noget andet, så systemet skulle lære at genkende og derefter kassere sådanne artefakter. Forskerne testede deres system på nye billeder og fandt ud af, at det kunne skelne vejtræk ret præcist. De siger, at det kunne tilbyde en måde at opstarte et selvkørende system med noget af den grundlæggende viden, der kræves for at navigere på almindelige veje. Forskerne trænede deres system ved at bruge 150.000 Street View-panoramaer.

Dens nøjagtighed bør forbedres, efterhånden som træningsdatasættet vokser, siger Ari Seff , en kandidatstuderende ved Princeton, som udviklede systemet med Jianxiong Xiao , en professor, der for nylig forlod universitetet for at stifte en automotive startup kaldet AutoX.ai.

Den manuelle oprettelse af high-definition 3-D-kort til autonom kørsel er kedelig og dyr, siger John Leonard, professor ved MITs CSAIL, som har specialiseret sig i kortlægning og automatiseret kørsel. Hvis denne proces kan automatiseres ved hjælp af dybe netværk, der opererer på store offentlige databaser, ville dette være en stor gevinst for selvkørende teknologi.

Tilgangen tilbyder også en måde at træne et system til at genkende situationer, som en rigtig selvkørende bil kun sjældent kan støde på, som et meget komplekst vejkryds. Disse modeller kan potentielt bruges som en del af et backup-system i autonome køretøjer, hvilket bekræfter informationen fra forudscannede 3D-kort. Vi har dog endnu ikke testet dette i et rigtigt køretøj, siger Seff.

Forskerne foreslår også, at deres system kunne give en advarsel om vejinfrastruktur - hvis systemet for eksempel konkluderer, at en gade ser ud, som om den er ensrettet, når den ikke er det, så skal skiltningen muligvis opdateres. Begrænsningerne er, at systemet ikke kan identificere objekter, der ikke er identificeret på et kort, såsom fodgængere eller andre køretøjer, og det er ikke nøjagtigt nok til at lokalisere en bil meget præcist.

At lære dette fra Google Street View er en god idé, siger Craig Quiter, ingeniør hos Otto, en virksomhed, der laver selvkørende lastbiler, og som blev opkøbt af Uber sidste år. Udgangene indeholder ikke nok til at køre bil med, men er bestemt nyttige sammen med andre opfattelser som input til en planlægger.

Quiter udviklede Grand Theft Auto V, mens han arbejdede som entreprenør for OpenAI sidste år. Spillet kan træne software til at genkende elementer fra den virkelige verden.

GTA V giver forskere adgang til en rig, mangfoldig verden til at teste og udvikle AI, skriver Quiter i et blogindlæg udgivet af OpenAI. Dens ø-indstilling er næsten en femtedel af størrelsen på Los Angeles, hvilket giver adgang til en bred vifte af scenarier til at teste systemer. Læg dertil de 257 forskellige køretøjer, syv typer cykler og 14 vejrtyper, og det er muligt at udforske et stort antal permutationer ved hjælp af en enkelt simulator.

Gennem Universe kan en agent også udvikle en drivende strategi ved at eksperimentere i spillet og forfine sin egen adfærd, efterhånden som den opnår bestemte mål, en tilgang kendt som forstærkende læring (se Et nyt værktøj lader AI lære at gøre næsten hvad som helst på en computer).

Quiter tilføjede i en e-mail, at ved at frigive den teknologi, der kræves til automatiseret kørsel, kan forskere og virksomheder demokratisere det. Jeg tror, ​​det er blevet meget nemmere at teste selvkørende bil-AI, siger han.

skjule