211service.com
Een eenvoudige manier om de komst van zelfrijdende auto's te bespoedigen
Een nieuwe openbare dataset voor zelfrijdende auto's toont aan dat zelfs een eenvoudig woon-werkverkeer in de stad het geautomatiseerd rijden tot het uiterste kan drijven. Het laat ook zien hoe het delen van gegevens zelfrijdende auto's kan helpen veel eerder de weg op te gaan.
Onderzoekers van de Universiteit van Oxford hebben de gedetailleerde dataset vrijgegeven, die enkele van de meest uitdagende problemen belicht waarmee zelfrijdende auto's te maken zullen krijgen. De data bestaat uit duizenden uren aan data van hetzelfde 10 kilometer lange stuk weg in de loop van een jaar. En het laat zien hoe het weer, de verlichting en zelfs de kenmerken van wegen zelf in relatief korte tijd enorm kunnen variëren.
De onderzoekers volgden het soort variatie dat zelfrijdende auto's nodig hebben om het hoofd te bieden aan dagelijkse bewegende voertuigen, auto's die op verschillende manieren geparkeerd staan en variaties in verlichting. Dan zijn er veranderingen op langere termijn, zegt Will Madern , een senior onderzoeker in de Mobile Robotics Group aan de Universiteit van Oxford. Bouwwerkzaamheden, wegwerkzaamheden, seizoensveranderingen in de vegetatie, enz.
Toen Google-onderzoekers begonnen met het testen van autonome auto's, ontdekten ze dat de voertuigen gemakkelijk van slag konden raken door drukke draaimolens. De voertuigen, geprogrammeerd om voorzichtig te zijn, reden minutenlang rond voordat ze bedachten hoe ze konden ontsnappen. Het team van Oxford ontdekte een ander soort probleem: in de loop van een jaar werd één draaimolen drie keer verplaatst door de stad.
Lasergegevens verzameld door een team van de Universiteit van Oxford laten zien hoe zelfrijdende auto's zich moeten aanpassen aan de manier waarop de vegetatie gedurende het jaar verandert.
Systemen die afhankelijk zijn van nauwkeurige kaarten, waaronder de voertuigen van Google, zullen moeite hebben met dergelijke veranderingen. Het is een heel open probleem, zegt Maddern. Een van de redenen waarom we deze gegevens hebben verzameld, was om erachter te komen waar de systemen die we aan het bouwen zijn kapot zouden gaan.
Sommige bedrijven, zoals Tesla, gebruiken geen gedetailleerde kaarten, maar vertrouwen op de vooruitgang in beeld- en sensorverwerking om obstakels te detecteren en te vermijden. Maar deze systemen zouden ook in de war raken door het soort functies dat door het Oxford-team is geïdentificeerd. Google en Tesla lopen voorop wat betreft de hoeveelheid verzamelde rijgegevens, maar ze zullen niet zoveel gegevens hebben als Oxford die variatie op een enkele route laat zien.
Deze dataset is een prachtige bijdrage aan het veld, zegt John Leonard , een professor aan het MIT die hielp bij het ontwikkelen van enkele van de belangrijkste algoritmen voor zelfrijdende auto's, en die werkt aan een onderzoeksinspanning die wordt gecoördineerd door Toyota. Grootschalige en langdurige datasets kunnen een enorme boost geven aan de voortgang.
Leonard voegt eraan toe dat als de bedrijven die zelfrijdende auto's ontwikkelen hun gegevens zouden delen, dit de komst van de levensreddende technologie zou kunnen bespoedigen. Meer in het algemeen denk ik dat het geweldig zou zijn als meer groepen die aan zelfrijdende auto's werken, datasets zouden kunnen delen, en ook om meer van de tools als open source beschikbaar te stellen, zegt hij.
Anderen in de industrie herhalen zijn sentiment. Tijdens een conferentie vorige week zei Gill Pratt, de CEO van het Toyota Research Institute in Californië, dat autobedrijven, gezien de veiligheidsimplicaties, ook zouden kunnen overwegen om samen te werken, waaronder het delen van enkele van de gegevens die ze verzamelen.
Het is belangrijk om te onthouden dat we niet altijd alleen hoeven te werken, zei Pratt. Onze grote hoop is op constructieve concurrentie en ook op samenwerking tussen alle autofabrikanten, IT-bedrijven, verschillende overheden en ook hardwarefabrikanten.