Marie Leroy Des chercheurs de l’Université Cornell ont mis au stage un moyen d’aider les véhicules autonomes à créer des “souvenirs” d’expériences antérieures et à les utiliser dans la navigation potential.
Les voitures utilisant des réseaux de neurones artificiels n’ont aucun memento du passé et sont dans un état regular de voir le monde pour la première fois – peu importe le nombre de fois qu’elles ont parcouru une route particulière auparavant.
Les chercheurs ont produit trois posts simultanés dans le but de surmonter cette limitation. Deux sont présentés lors des actes de la conférence IEEE sur la eyesight par ordinateur et la reconnaissance de formes (CVPR 2022), qui se tiendra du 19 au 24 juin à la Nouvelle-Orléans.
“La issue fondamentale est,?” a déclaré l’auteur principal Kilian Weinberger, professeur d’informatique. “Par exemple, une voiture peut confondre un arbre aux formes étranges avec un piéton la première fois que son scanner laser le perçoit à length, mais une fois qu’il est suffisamment proche, la catégorie d’objet deviendra claire. Ainsi, la deuxième fois que vous passez devant le même arbre, même dans le brouillard ou la neige.”
Dirigé par le doctorant Carlos Diaz-Ruiz. 40 fois sur une période de 18 mois. urbain, campus), des conditions météorologiques (ensoleillé, pluvieux, neigeux) et des moments de la journée. Cet ensemble de données résultant contient furthermore de 600 000 scènes.
“Cela expose délibérément l’un des principaux défis des voitures autonomes : les mauvaises disorders météorologiques”, a déclaré Diaz-Ruiz. “Si la rue est recouverte de neige, les humains peuvent compter sur des souvenirs, mais sans souvenirs, un réseau de neurones est fortement désavantagé.”
Il compresse ensuite ces descriptions, que le groupe a surnommées SQuaSH? (Spatial-Quantized Sparse History), et les stocke sur une carte virtuelle, comme une “mémoire” stockée dans un cerveau humain.
La prochaine fois que la voiture autonome traversera le même endroit. La foundation de données est continuellement mise à jour et partagée entre les véhicules, enrichissant ainsi les informations disponibles pour effectuer la reconnaissance.
“Ces informations peuvent être ajoutées en tant que fonctionnalités à n’importe quel détecteur d’objets 3D basé sur LiDAR ” a déclaré le doctorant Yurong You. “Le détecteur et la représentation SQuaSH peuvent être formés conjointement sans aucune supervision supplémentaire ni annotation humaine, ce qui demande beaucoup de temps et de principal-d’œuvre.”
HINDSIGHT est un précurseur des recherches supplémentaires menées par l’équipe, MODEST (Cell Item Detection with Ephemerality and Self-Instruction), qui iraient encore as well as loin.
MODEST suppose que le réseau de neurones artificiels dans le véhicule n’a jamais été exposé à des objets ou à des rues. Grâce à plusieurs traversées du même itinéraire. Lentement.
L’algorithme peut alors détecter ces objets de manière fiable, même sur des routes qui ne faisaient pas partie des traversées répétées initiales.
