Bár az önvezető technológiák még gyerekcipőben járnak, a területtel foglalkozó mérnökök nem tétlenkednek: a Tesla autóiról például kiderült, hogy a jelenleg használható önvezető módban rengeteg balesetet okoznak, ennek ellenére Elon Musk szerint már csak körülbelül két év, és megérkeznek a sofőr nélkül is közlekedni képes modelljeik.
Most azonban amerikai kutatók egy csoportja olyan új módszert fejlesztett ki, amely lehetővé teszi, hogy az önvezető autók "emlékezzenek" korábbi közlekedési helyzetekre, amelyekből tanulhatnak és a jövőben felhasználhatják, például navigáció során - írja a Science Daily.
A jelenlegi önvezető autók minden út alkalmával fel kell, hogy dolgozzák a környezetükben lévő tárgyakat (Fotó: farda.gov)
Az első generációs önvezető autókban komoly mesterséges intelligenciák és úgynevezett neurális hálózatok működnek, ennek ellenére nincs "emlékezetük", azaz akárhányszor kihajtanak a közútra, olyan, mintha először közlekednének, még ott is, ahol akár naponta többször véggihajtanak.
A Cornell University kutatói azonban most szeretnék leküzdeni ezt a korlátot. Egyelőre három tanulmányt készítettek, amely a probléma lehetséges megoldásával foglalkozik, ebből kettő a gépi látással és a mintafelismeréssel foglalkozik.
A legfőbb kérdés, hogy tanulhatunk-e a korábbi utazásokból? Előfordulhat ugyanis, hogy egy önvezető autó gyalogosnak néz egy furcsa alakú fát, amikor először találkozik vele. Persze, ahogy közelebb ér, a lézerszkenner (vagy más megoldás - a szerk.) már jobban érzékeli az adott objektumot, így át tudja kategorizálni azt. Így a második alkalommal, ha az autó meglátja az adott fát - akár ködben vagy hóesésben is - üdvös lenne, ha az autó már pontosan tudná, hogy mivel van dolga
- írta az egyik dokumentumban Carlos Diaz-Ruiz, az egyetem PhD-hallgatója, a kutatócsoport vezetője.
A tudósok egy lézeres távolságmérő rendszerrel (LiDAR) felszerelt autóval 40 alkalommal hajtottak végig ugyanazon a 15 kilométeres útszakaszon 18 hónap alatt. Az utak során igyekeztek minden külső információt rögzíteni, például az adott terület típusáról (autópálya, lakott terület, egyetemi kampusz), az időjárási jeleségekről (napsütés, eső, havazás) és a különböző napszakokról. Az adatgyűjtés végére több mint hatszázezer különféle kombinációt gyűjtöttek össze.
Szerettünk volna rávilágítani az önvezetés egyik legnagyobb kihívására: a rossz időjárási körülményekre. Ha az utcát hó borítja, az emberek támaszkodhatnak az emlékeikre, azonban emlékek nélkül a neurális hálózatok komoly hátrányba kerülnek
- mutatott rá Diaz-Ruiz.
A módszer hasonlít ahhoz, ahogy az emberi agy megjegyzi az egyes, helyszínhez kötődő emlékeket: a HINDSIGHT nevű módszer neurális hálózatokat h asznál, hogy az autó mellett elhaladó objektumokat megpróbálja kategorizálni, aztán elhelyezi azokat egy virtuális térképen. Legközelebb, amikor az autó ugyanarra közlekedik, az önvezető jármű rendszere minden egyes, már korábban látott objektum tulajdonságait le tudja kérdezni saját adatbázisából. Sőt, az egymással kommunikáló önvezető autók meg is tudják osztani egymással az információkat, így egyre részletesebbé válik a térképük.
Ezeket az információkat bármilyen, LiDAR-alapú, 3D tárgyfelismerő rendszerbe be lehet csatornázni, a neurális hálózat tréningezéséhez pedig nincs szükség emberi felügyeletre, ami rengeteg időt és munkát igényelne
- magyarázta a fejlesztésben szintén résztvevő Yurong You.
Az egyetem munkatársai ráadásul csak afféle előtanulmánynak szánják a mostani kutatást. A HINDSIGHT rendszer ugyanis egy MODEST (Mobile Object Detection with Ephemerality and Self-Training) nevű megoldás elődje, amely lehetővé tenné, hogy már a gyárból kigördülő önvezető autókat ellássák a külvilággal kapcsolatos digitális tudással. Míg ugyanis a HINDSIGHT alapvetőnek tekinti, hogy a kocsiban dolgozó neurális hálózatot már tréningezték a különféle tárgyak felismerésére, a MODEST kiindulási pontja szerint a hálózat még sosem találkozott más tárgyakkal vagy utcákkal. Képes ugyanakkor megkülönbözetni, hogy a fizikai környezetben melyik objektumok állandóak és melyek azok, amelyek mozgásban vannak vagy lehetnek. Idővel pedig megérti, hogy kik a forgalom további résztvevői, és melyek azok az objektumok, amelyeket figyelmen kívül lehet hagyni.
A kutatók azt remélik, hogy a fejlesztés jelentősen csökkentheti az önvezető autók árát. Jelenleg a hasonló járművek gyártásához rengeteg, emberi munkával érthetővé tett adat bevitelére van szükség, ezt a jövőben akár teljesen felválthatja a tényleges gépi tanulás.