211service.com
Robotauto's kunnen leren rijden zonder de garage te verlaten
De computers die zelfrijdende auto's besturen, verwerven op verrassende manieren waardevolle kennis over de echte wereld, waaronder het bladeren door online kaarten en het spelen van videogames.
Onderzoekers van Princeton University hebben onlangs een computervisie- en kaartsysteem ontwikkeld dat nuttige informatie verzamelde over de fysieke eigenschappen van wegen door te studeren Google StreetView en het vergelijken van de scènes met de informatie in open-source kaartgegevens. Hierdoor kon het bijvoorbeeld leren waar de randen van een kruispunt zouden moeten zijn op basis van afbeeldingen die zijn vastgelegd door de kaartauto's van Google.
In afzonderlijk werk onthulde woensdag, onderzoekers van OpenAI , een non-profitorganisatie die zich richt op fundamenteel AI-onderzoek, creëerde een manier om softwareagenten rijstrategieën te laten leren door te experimenteren in de videogame Grand Theft Auto V, via een platform dat bekend staat als Universe. Sommige videogames zijn nu zo visueel realistisch dat ze een computervisie over de echte wereld kunnen laten leren (zie Zelfrijdende auto's kunnen veel leren door Grand Theft Auto te spelen).
Nieuwe benaderingen voor het trainen van zelfrijdende auto's kunnen helpen de technologie te democratiseren en betrouwbaarder te maken. Zelfrijdende auto's waren dit jaar overal aanwezig op de Consumer Electronics Show in Las Vegas, en de technologie staat centraal op de North American Auto Show in Detroit, die deze week van start ging. Maar niet iedereen beschikt over de middelen van Ford, Google of Uber, en geautomatiseerde voertuigen worstelen nog steeds in veel situaties (zie Wat u moet weten voordat u in een zelfrijdende auto stapt). Dus sommige onderzoekers bedenken creatieve manieren om de gegevens te verzamelen en rijsystemen te trainen. Er worden zelfs pogingen ondernomen om de technologie die nodig is voor automatisch rijden open source te maken.
De Princeton-onderzoekers hebben Google Street View gedolven en OpenStraatkaart voor hun gegevens. Wegkenmerken in Google Street View-afbeeldingen worden soms afgesloten door een voertuig, iemand die de weg oversteekt of iets anders, dus het systeem moest dergelijke artefacten leren herkennen en vervolgens weggooien. De onderzoekers testten hun systeem op nieuwe beelden en ontdekten dat het wegkenmerken vrij nauwkeurig kon onderscheiden. Ze zeggen dat het een manier zou kunnen zijn om een zelfrijdend systeem op te starten met een deel van de basiskennis die nodig is om op gewone wegen te navigeren. De onderzoekers trainden hun systeem met 150.000 Street View-panorama's.
De nauwkeurigheid zou moeten verbeteren naarmate de trainingsgegevensset groeit, zegt Ari Seff , een afgestudeerde student aan Princeton die het systeem heeft ontwikkeld met Jianxiong Xiao , een professor die onlangs de universiteit verliet om een auto-startup op te richten met de naam AutoX.ai.
Het handmatig maken van high-definition 3D-kaarten voor autonoom rijden is vervelend en duur, zegt John Leonard, een professor aan MIT's CSAIL, die gespecialiseerd is in kaarten en geautomatiseerd rijden. Als dit proces kan worden geautomatiseerd met behulp van diepe netwerken die werken op grote openbare databases, zou dit een grote overwinning zijn voor zelfrijdende technologie.
De aanpak biedt ook een manier om een systeem te trainen om situaties te herkennen die een echte zelfrijdende auto maar zelden tegenkomt, zoals een zeer complex kruispunt. Deze modellen kunnen mogelijk worden gebruikt als onderdeel van een back-upsysteem in autonome voertuigen, wat de informatie van vooraf gescande 3D-kaarten bevestigt. Dit hebben we echter nog niet getest in een echt voertuig, zegt Seff.
De onderzoekers suggereren ook dat hun systeem een waarschuwing zou kunnen geven over wegeninfrastructuur. Als het systeem bijvoorbeeld concludeert dat een straat eruitziet alsof het eenrichtingsverkeer is, terwijl dat niet het geval is, moet de bewegwijzering mogelijk worden bijgewerkt. De beperkingen zijn dat het systeem geen objecten kan identificeren die niet op een kaart staan, zoals voetgangers of andere voertuigen, en het is niet nauwkeurig genoeg om een auto heel precies te lokaliseren.
Dat leren van Google Street View is een goed idee, zegt Craig Quietr, ingenieur bij Otto, een bedrijf dat zelfrijdende vrachtwagens maakt en vorig jaar werd overgenomen door Uber. De outputs bevatten niet genoeg om een auto mee te besturen, maar zijn zeker nuttig samen met andere percepties als input voor een planner.
Quietr ontwikkelde de Grand Theft Auto V vorig jaar toen hij als aannemer voor OpenAI werkte. De game kan software trainen om elementen van de echte wereld te herkennen.
GTA V geeft onderzoekers toegang tot een rijke, diverse wereld voor het testen en ontwikkelen van AI, schrijft Quiter in een blogpost gepubliceerd door OpenAI. Het eiland is bijna een vijfde van de grootte van Los Angeles en biedt toegang tot een breed scala aan scenario's om systemen te testen. Voeg daarbij de 257 verschillende voertuigen, zeven soorten fietsen en 14 weertypes, en het is mogelijk om een enorm aantal permutaties te verkennen met één enkele simulator.
Via Universe kan een agent ook een rijstrategie ontwikkelen door in het spel te experimenteren en zijn eigen gedrag te verfijnen terwijl het bepaalde doelen bereikt, een benadering die bekend staat als versterkingsleren (zie Een nieuwe tool laat AI bijna alles leren op een computer).
Quietr voegde in een e-mail toe dat onderzoekers en bedrijven deze technologie kunnen democratiseren door de technologie vrij te geven die nodig is voor geautomatiseerd rijden. Ik denk dat het een stuk eenvoudiger is geworden om zelfrijdende auto-AI te testen, zegt hij.