Criar carros autônomos que possam tomar decisões semelhantes às humanas tem sido um objetivo de longa data de empresas como Waymo, GM Cruise, Uber e outras. A Intel Mobileye oferece um modelo matemático de Segurança Sensível à Responsabilidade (RSS), que a empresa descreve como uma abordagem de "senso comum" que se caracteriza por programar o piloto automático para se comportar de uma maneira "boa", como dar prioridade a outros carros . Por outro lado, a NVIDIA está desenvolvendo ativamente o Safety Force Field, uma tecnologia de tomada de decisão baseada em sistema que monitora ações inseguras dos usuários da estrada ao redor, analisando dados de sensores de veículos em tempo real. Agora, um grupo de cientistas do Instituto de Tecnologia de Massachusetts (MIT) se juntou a essa pesquisa e propôs uma nova abordagem baseada no uso de mapas semelhantes ao GPS e dados visuais obtidos de câmeras instaladas no carro para que o piloto automático possa navegar em locais desconhecidos. estradas semelhantes a uma pessoa.
As pessoas são excepcionalmente boas em dirigir carros em estradas onde nunca estiveram antes. Simplesmente comparamos o que vemos ao nosso redor com o que vemos nos nossos dispositivos GPS para determinar onde estamos e para onde precisamos ir. Os carros autônomos, por outro lado, acham extremamente difícil navegar em trechos desconhecidos da estrada. Para cada novo local, o piloto automático precisa analisar cuidadosamente a nova rota e, muitas vezes, os sistemas de controle automático dependem de mapas 3D complexos que os fornecedores preparam antecipadamente.
Num artigo apresentado esta semana na Conferência Internacional sobre Robótica e Automação, investigadores do MIT descrevem um sistema de condução autónoma que “aprende” e lembra os padrões de tomada de decisão de um condutor humano enquanto este navega pelas estradas numa pequena área urbana, utilizando apenas dados de vídeo. câmeras e um mapa simples semelhante a GPS. O piloto automático treinado pode então dirigir o carro sem motorista em um local completamente novo, simulando a direção humana.
Assim como um ser humano, o piloto automático também detecta quaisquer discrepâncias entre o mapa e as características da estrada. Isso ajuda o sistema a determinar se sua posição na estrada, sensores ou mapa estão incorretos, para que possa corrigir o curso do veículo.
Para treinar inicialmente o sistema, um operador humano dirigiu um Toyota Prius automatizado equipado com múltiplas câmeras e um sistema básico de navegação GPS para coletar dados de ruas suburbanas locais, incluindo várias estruturas rodoviárias e obstáculos. O sistema então conduziu o carro com sucesso ao longo de uma rota pré-planejada em outra área florestal destinada ao teste de veículos autônomos.
“Com nosso sistema, você não precisa treinar antecipadamente em todas as estradas”, afirma o autor do estudo, Alexander Amini, estudante de pós-graduação do MIT. "Você pode baixar um novo mapa para o seu carro navegar por estradas que nunca viu antes."
“Nosso objetivo é criar uma navegação autônoma que seja resiliente à condução em novos ambientes”, acrescenta a coautora Daniela Rus, diretora do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL). “Por exemplo, se treinarmos um veículo autónomo para conduzir num ambiente urbano como as ruas de Cambridge, o sistema também deverá ser capaz de conduzir suavemente numa floresta, mesmo que nunca tenha visto tal ambiente antes.”
Os sistemas de navegação tradicionais processam dados de sensores através de vários módulos configurados para tarefas como localização, mapeamento, detecção de objetos, planejamento de movimento e direção. Há anos, o grupo de Daniela desenvolve sistemas de navegação ponta a ponta que processam dados de sensores e controlam o carro sem a necessidade de módulos especializados. Até agora, porém, estes modelos têm sido utilizados estritamente para viagens seguras na estrada, sem qualquer propósito real. No novo trabalho, os pesquisadores refinaram seu sistema ponta a ponta para movimento de meta a destino em um ambiente até então desconhecido. Para fazer isso, os cientistas treinaram seu piloto automático para prever a distribuição de probabilidade completa para todos os comandos de controle possíveis a qualquer momento durante a condução.
O sistema usa um modelo de aprendizado de máquina denominado rede neural convolucional (CNN), comumente usado para reconhecimento de imagens. Durante o treinamento, o sistema observa o comportamento de direção de um motorista humano. A CNN correlaciona as curvas do volante com a curvatura da estrada, que observa através de câmeras e em seu pequeno mapa. Como resultado, o sistema aprende os comandos de direção mais prováveis para diversas situações de condução, como estradas retas, cruzamentos de quatro vias ou entroncamentos, bifurcações e curvas.
“Inicialmente, em um cruzamento em T, há muitas direções diferentes que um carro pode virar”, diz Rus. “O modelo começa pensando em todas essas direções e, à medida que a CNN obtém cada vez mais dados sobre o que as pessoas estão fazendo em determinadas situações na estrada, verá que alguns motoristas viram à esquerda e outros à direita, mas ninguém vai diretamente. . Seguir em frente é descartado como uma direção possível, e o modelo conclui que nos entroncamentos ele só pode se mover para a esquerda ou para a direita.”
Durante a condução, a CNN também extrai características visuais da estrada das câmeras, permitindo prever possíveis mudanças de rota. Por exemplo, ele identifica um sinal de parada vermelho ou uma linha tracejada na lateral da estrada como sinais de um próximo cruzamento. A cada momento, utiliza a distribuição de probabilidade prevista dos comandos de controle para selecionar o comando mais correto.
É importante ressaltar que, segundo os pesquisadores, o piloto automático utiliza mapas extremamente fáceis de armazenar e processar. Os sistemas de controle autônomo normalmente usam mapas lidar, que ocupam aproximadamente 4000 GB de dados para armazenar apenas a cidade de São Francisco. Para cada novo destino, o carro deve utilizar e criar novos mapas, o que exige uma enorme quantidade de memória. Por outro lado, o mapa utilizado pelo novo Autopilot cobre o mundo inteiro, ocupando apenas 40 gigabytes de dados.
Durante a condução autónoma, o sistema também compara constantemente os seus dados visuais com os dados do mapa e sinaliza quaisquer discrepâncias. Isso ajuda o veículo autônomo a determinar melhor onde está na estrada. E isso garante que o carro permaneça no caminho mais seguro, mesmo que receba informações de entrada conflitantes: se, digamos, o carro estiver viajando em uma estrada reta sem curvas, e o GPS indicar que o carro deve virar à direita, o carro irá saiba seguir em frente ou parar.
“No mundo real, os sensores falham”, diz Amini. “Queremos ter certeza de que nosso piloto automático é resiliente a várias falhas de sensores, criando um sistema que possa receber quaisquer sinais de ruído e ainda navegar corretamente na estrada.”
Fonte: 3dnews.ru