211service.com
Robotbilar kan lära sig att köra utan att lämna garaget
Datorerna som styr självkörande bilar får värdefull kunskap om den verkliga världen på några överraskande sätt – inklusive genom att surfa på kartor online och spela videospel.
Forskare vid Princeton University utvecklade nyligen ett datorseende och kartsystem som samlade in användbar information om vägarnas fysiska egenskaper genom att studera Google Gatuvy och jämföra scenerna med informationen som tillhandahålls i kartdata med öppen källkod. Detta gjorde det möjligt för den att till exempel lära sig var kanterna på en korsning ska baseras på bilder som tagits av Googles kartläggningsbilar.
I separat arbete avslöjade onsdag, forskare vid OpenAI , en ideell organisation fokuserad på grundläggande AI-forskning, skapade ett sätt att låta programvaruagenter lära sig körstrategi genom att experimentera i videospelet Grand Theft Auto V, genom en plattform som kallas Universe. Vissa videospel är nu så visuellt realistiska att de kan låta en datorseende lära sig om den verkliga världen (se Självkörande bilar kan lära sig mycket genom att spela Grand Theft Auto ).
Nya metoder för att träna självkörande bilar kan hjälpa till att demokratisera tekniken och göra den mer pålitlig. Självkörande bilar fanns överallt på årets Consumer Electronics Show i Las Vegas, och tekniken står i centrum på North American Auto Show i Detroit, som startade denna vecka. Men alla har inte resurserna från Ford, Google eller Uber, och automatiserade fordon kämpar fortfarande i många situationer (se Vad du ska veta innan du sätter dig i en självkörande bil). Så vissa forskare kommer på kreativa sätt att samla in data och tågkörningssystem. Det finns till och med försök att öppna källkod den teknik som krävs för automatiserad körning.
Princeton-forskarna bröt Google Street View och OpenStreetMap för sina uppgifter. Vägfunktioner i Google Street View-bilder blockeras ibland av ett fordon, någon som korsar vägen eller något annat, så systemet måste lära sig att känna igen och sedan kassera sådana artefakter. Forskarna testade sitt system på nya bilder och fann att det kunde urskilja vägegenskaper ganska exakt. De säger att det kan erbjuda ett sätt att bootstrap ett självkörande system med en del av de grundläggande kunskaper som krävs för att navigera på vanliga vägar. Forskarna tränade sitt system med hjälp av 150 000 Street View-panorama.
Dess noggrannhet bör förbättras när träningsdatauppsättningen växer, säger Ari Seff , en doktorand vid Princeton som utvecklade systemet med Jianxiong Xiao , en professor som nyligen lämnade universitetet för att grunda en bilstartup som heter AutoX.ai.
Att manuellt skapa högupplösta 3D-kartor för autonom körning är tråkigt och dyrt, säger John Leonard, professor vid MIT:s CSAIL, som specialiserat sig på kartläggning och automatiserad körning. Om denna process kan automatiseras med hjälp av djupa nätverk som fungerar på stora offentliga databaser, skulle detta vara en stor vinst för självkörande teknik.
Tillvägagångssättet erbjuder också ett sätt att träna ett system att känna igen situationer som en riktig självkörande bil bara kan stöta på sällan, som en mycket komplex korsning. Dessa modeller skulle potentiellt kunna användas som en del av ett backupsystem i autonoma fordon, vilket bekräftar informationen från förskannade 3D-kartor. Ännu har vi dock inte testat detta i ett riktigt fordon, säger Seff.
Forskarna föreslår också att deras system kan ge en varning om väginfrastruktur – till exempel om systemet drar slutsatsen att en gata ser ut som om den är enkelriktad när den inte är det, då kan skyltningen behöva uppdateras. Begränsningarna är att systemet inte kan identifiera objekt som inte är identifierade på en karta, som fotgängare eller andra fordon, och det är inte tillräckligt exakt för att lokalisera en bil mycket exakt.
Att lära sig detta från Google Street View är en bra idé, säger Craig Quiter, ingenjör på Otto, ett företag som tillverkar självkörande lastbilar och som förvärvades av Uber förra året. Utgångarna innehåller inte tillräckligt för att köra bil med, men är definitivt användbara tillsammans med andra uppfattningar som input till en planerare.
Quiter utvecklade Grand Theft Auto V när han arbetade som entreprenör för OpenAI förra året. Spelet kan träna programvara för att känna igen delar av den verkliga världen.
GTA V ger forskare tillgång till en rik, mångfaldig värld för att testa och utveckla AI, skriver Quiter i ett blogginlägg publicerat av OpenAI. Dess öinställning är nästan en femtedel av storleken på Los Angeles, vilket ger tillgång till ett brett utbud av scenarier för att testa system. Lägg till det de 257 olika fordonen, sju typer av cyklar och 14 vädertyper, så är det möjligt att utforska ett stort antal permutationer med en enda simulator.
Genom Universe kan en agent också utveckla en drivande strategi genom att experimentera i spelet och förfina sitt eget beteende när det uppnår vissa mål, ett tillvägagångssätt som kallas förstärkningsinlärning (se Ett nytt verktyg låter AI lära sig att göra nästan vad som helst på en dator ).
Quiter tillade i ett e-postmeddelande att genom att släppa den teknik som krävs för automatiserad körning kan forskare och företag demokratisera det. Jag tror att det har blivit mycket lättare att testa självkörande bil-AI, säger han.