联系我们

自动驾驶汽车

新的培训方法提高了无人驾驶汽车的安全性

更新

 on

自动驾驶汽车最重要的任务之一是跟踪行人,物体以及其他车辆或自行车。为此,无人驾驶汽车依靠跟踪系统。卡内基梅隆大学(CMU)研究人员开发的新方法可以使这些系统更加有效。 

与以前相比,新方法已解锁了更多的自动驾驶数据,例如对于训练跟踪系统至关重要的道路和交通数据。数据越多,自动驾驶汽车就可以越成功。 

这项工作是在虚拟的 计算机视觉 和模式识别(CVPR) conference between June 14-19. 

Himangi Mittal是一名研究实习生,与CMU机器人学院的助理教授David Held一起工作。 

米塔尔说:“我们的方法比以前的方法更加健壮,因为我们可以在更大的数据集上进行训练。” 

激光雷达和场景流

当今大多数自动驾驶汽车都以激光雷达为主要导航系统。激光雷达是一种激光设备,可观察车辆周围的事物并从中生成3D信息。

3D信息以点云的形式出现,并且车辆使用一种称为“场景流”的技术来处理数据。场景流涉及要计算的每个3D点的速度和轨迹。因此,只要有其他车辆,行人或移动物体,它们就会作为一组点一起移动到系统中。 

用于训练这些系统的传统方法通常需要标记的数据集,该数据集已被标注为随时间推移跟踪3D点的传感器数据。因为需要手动标记这些数据集并且价格昂贵,所以存在非常少量的数据。为了解决这个问题,在场景流训练中使用了模拟数据,尽管模拟数据的有效性不如其他方法,但仍使用少量的实际数据对其进行了改进。 

被任命的研究人员,以及博士学位。学生Brian Okorn在场景流训练中使用未标记的数据开发了新方法。这种类型的数据更容易收集,只需要在汽车行驶时将激光雷达放在汽车顶部即可。 

检测错误

为了使它起作用,研究人员必须找到一种方法以使系统检测场景流中的自身错误。新系统尝试对每个3D点的终点以及行进速度进行预测,然后测量该点的预测位置与实际位置之间的距离。这是形成要最小化的一种错误的原因。

在该过程之后,系统然后从预测的点位置反转并向后工作,以映射该点的原始位置。通过测量预测位置和原点之间的距离,第二种类型的误差由结果距离形成。

在检测到这些错误之后,系统将进行纠正。

“事实证明,要消除这两个错误,系统实际上需要学习做正确的事,而无需知道什么是正确的事,” Held said.

结果表明,使用一组训练时,场景流精度为25% 综合数据,当使用少量实际数据进行改进时,该数字增加到31%。当添加大量未标记的数据来训练系统时,该数字甚至提高到46%。