Diep rijden

Toen het Google-project voor zelfrijdende auto's ongeveer tien jaar geleden begon, nam het bedrijf een strategische beslissing om zijn technologie te bouwen op dure lidar en gedetailleerde kaarten. Zelfs vandaag de dag steunt de zelfrijdende technologie van Google nog steeds op die twee pijlers. Hoewel die aanpak tot op zekere hoogte geweldig is - we hebben goede algoritmen om lidar- en cameragegevens te gebruiken om een ​​auto op de kaart te lokaliseren - is het nog steeds niet goed genoeg. Rijden op gecompliceerde, steeds veranderende straten vereist perceptie- en besluitvormingsvaardigheden die inherent onzeker zijn (zie Your Driverless Ride Is Arriving).

Nu wordt een kunstmatige-intelligentietechnologie, deep learning genaamd, gebruikt om het probleem aan te pakken. In plaats van de oude methode van handgecodeerde algoritmen te gebruiken, kunnen we nu systemen gebruiken die zichzelf programmeren door te leren van voorbeelden van hoe een systeem zich zou moeten gedragen als reactie op een invoer. Deep learning is nu de beste benadering voor de meeste waarnemingstaken, evenals voor veel controletaken op laag niveau.

Een zelfrijdende auto heeft een waarnemingssysteem nodig om zowel dingen die bewegen (auto's, mensen) als dingen die niet bewegen (lantaarnpalen, stoepranden) waar te nemen. Zelfrijdende voertuigen detecteren dynamische objecten met behulp van sensoren zoals camera's, laserscanners en radar. Van deze drie zijn camera's de goedkoopste, maar ze worden ook het minst gebruikt omdat het moeilijk is om afbeeldingen te vertalen naar gedetecteerde objecten. Met behulp van deep learning zien we dramatische verbeteringen in het vermogen van de auto om dergelijke beelden te begrijpen en te gebruiken.

We zien ook aanzienlijke voordelen van iets dat multitask deep learning wordt genoemd, waarbij een systeem dat gelijktijdig is getraind om rijstrookmarkeringen, auto's en voetgangers te detecteren, beter presteert dan drie afzonderlijke systemen die afzonderlijk zijn getraind, omdat het enkele netwerk informatie kan delen tussen de afzonderlijke taken .

In plaats van volledig te vertrouwen op een vooraf berekende kaart, kan de auto de kaart gebruiken als een van de vele gegevensstromen en deze combineren met sensorinvoer om beslissingen te helpen nemen. (Een neuraal netwerk dat op basis van kaartgegevens weet waar bijvoorbeeld oversteekplaatsen zijn, kan voetgangers die proberen over te steken nauwkeuriger detecteren dan een netwerk dat uitsluitend op afbeeldingen vertrouwt.)

Deep learning kan ook een van de grootste problemen verlichten die zijn geïdentificeerd door velen die in een zelfrijdende auto hebben gereden: een schokkerig gevoel in de rijstijl, wat soms leidt tot wagenziekte. Maar een auto die is getraind met behulp van voorbeelden van rijdende mensen, kan een rit bieden die natuurlijker aanvoelt.

Het is nog vroeg. Maar net zoals deep learning deed met het zoeken naar afbeeldingen en spraakherkenning, zal het waarschijnlijk de koers van zelfrijdende auto's voor altijd veranderen.

Carol Reiley is de medeoprichter van Drive.ai.

zich verstoppen