ビデオ: MIT の科学者が自動操縦をより人間らしくした

人間と同じような意思決定ができ​​る自動運転車を開発することは、Waymo、GM Cruise、Uber などの企業の長年の目標でした。 Intel Mobileye は、責任重視安全性 (RSS) 数学モデルを提供しています。これは、他の車に優先権を与えるなど、オートパイロットが「良い」方法で動作するようにプログラムすることを特徴とする「常識的な」アプローチであると同社は説明しています。 。 一方、NVIDIA は、車両センサーからのデータをリアルタイムで分析することで周囲の道路利用者の危険な行動を監視するシステムベースの意思決定テクノロジーである Safety Force Field の開発を積極的に行っています。 今回、マサチューセッツ工科大学（MIT）の科学者グループがこの研究に参加し、自動操縦装置が未知の場所でも航行できるように、GPSに似た地図と車に取り付けられたカメラから取得した視覚データの使用に基づく新しいアプローチを提案した。人と似た道。

人々は、これまで通ったことがない道路で車を運転するのが非常に得意です。 私たちは、周囲に見ているものと GPS デバイスで見ているものを単純に比較して、自分がどこにいるのか、どこに行く必要があるのか​​を判断します。 一方、自動運転車は、道路の未知のセクションを移動するのが非常に困難です。 新しい場所ごとに、自動操縦は新しいルートを注意深く分析する必要があり、自動制御システムは多くの場合、サプライヤーが事前に準備した複雑な 3D マップに依存します。

マサチューセッツ工科大学（MIT）の研究者らは、ロボティクスとオートメーションに関する国際会議で今週発表された論文の中で、人間のドライバーがデータのみを使用して小さな市街地の道路を移動する際の意思決定パターンを「学習」し、記憶する自動運転システムについて説明している。カメラとシンプルな GPS のような地図。 訓練された自動操縦士は、人間の運転をシミュレートしながら、まったく新しい場所で無人自動車を運転できるようになります。

人間と同じように、自動操縦装置も地図と道路の地物間の不一致を検出します。 これは、システムが道路上の位置、センサー、または地図が間違っているかどうかを判断し、車両の進路を修正するのに役立ちます。

最初にシステムをトレーニングするために、人間のオペレーターが複数のカメラと基本的な GPS ナビゲーション システムを備えた自動化されたトヨタ プリウスを運転し、さまざまな道路構造や障害物を含む地元の郊外の道路からデータを収集しました。 その後、システムは、自動運転車のテストを目的とした別の森林地帯で、事前に計画されたルートに沿って車を走行させることに成功しました。

「私たちのシステムを使えば、事前にすべての道路でトレーニングする必要はありません」と、研究著者でMIT大学院生のアレクサンダー・アミニ氏は言う。 「車に新しい地図をダウンロードして、これまで見たことのない道路をナビゲートできます。」

「私たちの目標は、新しい環境での運転に強い自律ナビゲーションを作成することです」と、共著者であるコンピューターサイエンス・人工知能研究所 (CSAIL) 所長のダニエラ・ラス氏は付け加えます。 「たとえば、ケンブリッジの街路などの都市環境で自動運転車を運転するように訓練する場合、そのシステムは、たとえそのような環境をこれまで見たことがなかったとしても、森林でもスムーズに運転できなければなりません。」

従来のナビゲーション システムは、位置特定、マッピング、物体検出、動作計画、ステアリングなどのタスク用に構成された複数のモジュールを通じてセンサー データを処理します。 ダニエラ氏のグループは長年にわたり、特別なモジュールを必要とせずにセンサー データを処理し、車を制御するエンドツーエンドのナビゲーション システムを開発してきました。 しかし、これまでこれらのモデルは、実際の目的はなく、道路を安全に移動するためにのみ使用されてきました。 新しい研究では、研究者らは、これまで知られていなかった環境での目標から目的地への移動のためのエンドツーエンドのシステムを改良しました。 これを実現するために、科学者たちは、運転中にいつでも可能なすべての制御コマンドの完全な確率分布を予測できるようにオートパイロットを訓練しました。

このシステムは、画像認識に一般的に使用される畳み込みニューラル ネットワーク (CNN) と呼ばれる機械学習モデルを使用します。 訓練中、システムは人間のドライバーの運転行動を観察します。 CNN は、ハンドルの回転と道路の曲率を相関させ、それをカメラと小さな地図で観察します。 その結果、システムは直線道路、四差路交差点や T 字路、分岐点、曲がり角など、さまざまな運転状況に対して最も可能性の高いステアリング コマンドを学習します。

「最初は、T 字路で車はさまざまな方向に曲がることができます」とラス氏は言います。 「モデルはこれらすべての方向を考えることから始まり、道路上の特定の状況で人々が何をしているかについてCNNがますます多くのデータを取得するにつれて、一部のドライバーは左折し、他のドライバーは右折するが、誰も直進しないことがわかります」 。 直進は可能な方向として除外されており、モデルは T 字路では左または右にしか移動できないと結論付けています。」

CNN は運転中にカメラから道路の視覚的な特徴も抽出し、ルート変更の可能性を予測できるようにします。 たとえば、赤の一時停止標識や道路脇の破線を、次の交差点の標識として識別します。 それぞれの瞬間において、制御コマンドの予測確率分布を使用して、最も正しいコマンドを選択します。

研究者らによると、自動操縦では保存と処理が非常に簡単な地図が使用されていることに注意することが重要です。 自律制御システムは通常、LIDAR マップを使用しますが、サンフランシスコ市だけを保存するには約 4000 GB のデータが必要になります。 新しい目的地ごとに、車は新しいマップを使用して作成する必要があり、それには大量のメモリが必要です。 一方、新しいオートパイロットで使用される地図は全世界をカバーし、占めるデータ量はわずか 40 ギガバイトです。

自動運転中、システムは視覚データと地図データを常に比較し、不一致がある場合はフラグを立てます。 これは、自動運転車が道路上のどこにいるかをより正確に判断するのに役立ちます。 これにより、たとえ相反する入力情報を受け取ったとしても、車が最も安全な経路を確実に走行できるようになります。たとえば、車が曲がり角のない直線道路を走行していて、GPS が車が右折すべきであることを示した場合、車は直進するか停止するかを知っています。

「現実の世界では、センサーが故障することがあります」とアミニ氏は言います。 「私たちは、オートパイロットがさまざまなセンサーの故障に強いことを確認し、あらゆるノイズ信号を受信しながら道路を正しくナビゲートできるシステムを構築したいと考えています。」

出所： 3dnews.ru