Dotar a los autos de “memoria” basada en IA puede ayudar a navegar en condiciones desfavorables
22 de junio de 2022| Historia original de Cornell University
Investigadores de la Universidad de Cornell han desarrollado una forma de ayudar a los vehículos autónomos a crear "recuerdos" de experiencias anteriores y usarlos en la navegación futura, especialmente durante condiciones climáticas adversas cuando el automóvil no puede confiar de manera segura en sus sensores.
Los automóviles que usan redes neuronales artificiales no tienen memoria del pasado y están en un estado constante de ver el mundo por primera vez, sin importar cuántas veces hayan conducido por una carretera en particular antes.
Los investigadores han producido tres artículos simultáneos con el objetivo de superar esta limitación. Dos se presentarán en las Actas de la Conferencia IEEE sobre Visión por Computadora y Reconocimiento de Patrones (CVPR 2022), que se celebró entre el 19 al 24 de junio en Nueva Orleans.
“La pregunta fundamental es, ¿podemos aprender de las travesías repetitivas?”, plantea el autor principal Kilian Weinberger, profesor de ciencias de la computación. “Por ejemplo, un automóvil puede confundir un árbol de forma extraña con un peatón la primera vez que su escáner láser lo percibe desde la distancia, pero una vez que esté lo suficientemente cerca, la categoría de objeto se aclarará. Por lo tanto, la segunda vez que pases por el mismo árbol, incluso en la niebla o la nieve, esperarías que el automóvil haya aprendido a reconocerlo correctamente”.
--------------------
Investigadores de Cornell, dirigidos por Kilian Weinberger, profesor de ciencias de la computación, han producido tres artículos recientes sobre la capacidad de los vehículos autónomos para usar travesías pasadas para "aprender el camino" a destinos familiares. Crédito: Ryan Young/Cornell University.
-------------------------
Encabezado por el estudiante de doctorado Carlos Díaz-Ruiz, el grupo compiló un conjunto de datos conduciendo un automóvil equipado con sensores LiDAR (Light Detection and Ranging) repetidamente a lo largo de un bucle de 15 kilómetros dentro y alrededor de Ithaca, 40 veces durante un período de 18 meses. Las travesías capturan diferentes entornos (de carretera, urbano, campus), condiciones climáticas (soleado, lluvioso, nevado) y momentos del día. Este conjunto de datos resultante tiene más de 600.000 escenas.
“Este estudio expone deliberadamente uno de los desafíos clave en los automóviles autónomos: las malas condiciones climáticas”, explica Díaz-Ruiz. “Si la calle está cubierta de nieve, los humanos pueden confiar en los recuerdos, pero sin recuerdos, una red neuronal está en gran desventaja”.
HINDSIGHT es un enfoque que utiliza redes neuronales para calcular descriptores de objetos a medida que el automóvil los pasa. Luego comprime estos descriptores, que el grupo ha denominado características SQuaSH (Spatial-Quantized Sparse History), y las almacena en un mapa virtual, como una "memoria" almacenada en un cerebro humano.
La próxima vez que el automóvil autónomo atraviese la misma ubicación, puede consultar la base de datos local SQuaSH de cada punto LiDAR a lo largo de la ruta y “recordar” lo que aprendió la última vez. La base de datos se actualiza y comparte continuamente entre los vehículos, enriqueciendo así la información disponible para realizar el reconocimiento.
“Esta información se puede agregar como características a cualquier detector de objetos 3D basado en LiDAR”, explicó el estudiante de doctorado Yurong You. “Tanto el detector como la representación SQuaSH se pueden entrenar conjuntamente sin ninguna supervisión adicional o anotación humana, lo que requiere mucho tiempo y mano de obra”.
HINDSIGHT es un precursor de la investigación adicional que el equipo está llevando a cabo, MODEST (Mobile Object Detection with Ephemerality and Self-Training), iría aún más lejos, permitiendo que el automóvil aprenda toda la trayectoria de percepción desde cero.
Mientras que HINDSIGHT todavía asume que la red neuronal artificial ya está entrenada para detectar objetos y la aumenta con la capacidad de crear recuerdos, MODEST asume que la red neuronal artificial en el vehículo nunca ha estado expuesta a ningún objeto o calle en absoluto. A través de múltiples travesías de la misma ruta, puede aprender qué partes del entorno son estacionarias y cuáles son objetos en movimiento. Poco a poco se enseña a sí misma lo que constituye otros participantes del tráfico y lo que es seguro ignorar.
El algoritmo puede detectar estos objetos de manera confiable, incluso en carreteras que no formaban parte de las travesías repetidas iniciales.
Los investigadores esperan que los enfoques puedan reducir drásticamente el costo de desarrollo de los vehículos autónomos (que actualmente todavía depende en gran medida de los costosos datos anotados por humanos) y hacer que dichos vehículos sean más eficientes al aprender a navegar por los lugares en los que más se utilizan.
Referencia
You Y.; Luo KZ Chen, X et al. Hindsight Is 20/20: Leveraging Past Traversals to Aid 3D Perception. arXiv preprint arXiv:2022;2203 (11405) https://arxiv.org/abs/2203.11405
Este artículo ha sido republicado a partir de los siguientes materiales. Este artículo se basa en los hallazgos de la investigación que aún no han sido revisados por pares. Por lo tanto, los resultados se consideran preliminares y deben interpretarse como tales.Nota: el material puede haber sido editado por su longitud y contenido. Para obtener más información, ver la fuente citada.
