خودروهای خودران به زودی خاطرات خاص خود را خواهند داشت
خودروهای خودران به زودی خاطرات خاص خود را خواهند داشت
هوشمند سازی ویلا
خودروهای خودران به زودی خاطرات خاص خود را خواهند داشت بسیاری از ما خاطرات خوبی از خودروهایی داریم که داشتهایم،
بل ایر سال 55 که دوران نامزدی موفقی داشت، وانت فولکس واگن سال 67 که شما و دوستانتان در یک سفر جادهای فراموش نشدنی در سراسر کشور رانندگی کردید،
تویوتا سینا اواخر دهه 90 که به سرعت انجام شد. یکی از اعضای خانواده وفادار شد خودروهای خودران اکنون می توانند خاطرات خاص خود را ایجاد کنند،
خاطراتی که می تواند به رانندگان کمک کند تا با خیال راحت در مسیرهای جدید در آب و هوای بد و محیط های ناآشنا حرکت کنند.
مشکل اصلی سیستمهای تشخیص مورد استفاده برای توسعه وسایل نقلیه خودران آینده این است که شبکههای عصبی آنها اطلاعاتی را که حسگرهای خودرو در طول هر سفر دریافت میکنند،
ذخیره نمیکنند، مهم نیست که وسیله نقلیه چند بار یک مسیر را طی میکند. به گفته محققان دانشگاه کرنل که اخیراً دو مقاله برای کمک به حل این مشکلات و سایر مشکلات نوشتند،
سیستم ها همچنین تمایل دارند هر صحنه را به عنوان یک ناشناخته در نظر بگیرند و اطلاعات بالقوه ارزشمندی را که می تواند تشخیص را بسیار دقیق تر کند، نادیده می گیرند.
کیلیان واینبرگر، نویسنده ارشد مقالات و استاد علوم کامپیوتر در کرنل، می گوید: «بیشتر اوقات سیستم ها به طور شگفت انگیزی خوب کار می کنند، به خصوص در شرایط خوب.
مسئله این است که اگر طراحی خودرو در طول زمان تغییر کند، یا اگر آب و هوا تغییر کند، یا اگر به مقصد دیگری بروید،
ناگهان همه چیز برای سیستم تشخیص خودرو متفاوت به نظر می رسد. اگر میخواهید ماشینهای خودران در همه جا داشته باشید، این روش افزایش نمییابد.
وسایل نقلیه خودمختار از ترکیبی از الگوریتمهای یادگیری ماشینی
هوشمند سازی ویلا
حسگرها، رادار و LiDAR استفاده میکنند که از پالسهای نور برای حس کردن صحنه اطراف با گرفتن موقعیت و شکل یک شی استفاده میکند.
به عنوان ابر نقطه سه بعدی نیز شناخته میشود، تا حرکت در اطراف خودرو را تشخیص دهد. ، از تصادف جلوگیری کنید،
علائم و چراغ های راهنمایی را بخوانید و اشیایی مانند درختان و عابران پیاده را شناسایی کنید.
سازندگان خودرو و توسعه دهندگان سیستم تشخیص معمولاً به مردم پول می دهند تا میلیون ها تصویر از مناطق مختلف را ضبط و «برچسب» کنند.
سپس دادههای این تصاویر کدگذاری شده به الگوریتمها اضافه میشوند تا به وسیله نقلیه کمک کنند تا اشیاء خاص را شناسایی و شناسایی کند و با خیال راحت در آنها حرکت کند.
با این حال، این سیستم ها در شناسایی دقیق اشیاء در برف و باران شدید، در جاده های پوشیده از برف و از راه دور مشکل دارند.
واینبرگر گفت که این سیستمها آنچه را که شناسایی میکنند «به خاطر نمیآورند» یا ثبت نمیکنند و اطلاعات را در متن قرار نمیدهند،
افزود که آنها همچنین اطلاعات جمعآوریشده توسط سایر وسایل نقلیه را بهطور همزمان به اشتراک نمیگذارند، دریافت نمیکنند و ذخیره نمیکنند.
تحقیق جدید
هوشمند سازی ویلا
ترکیبی از دو چارچوب جدید که توسط تیم کورنل توسعه یافته است برای بهبود این محدودیت ها طراحی شده است.
اولین مقاله محققان بر HINDSIGHT متمرکز است، یک چارچوب آموزش پذیر که اطلاعات غنی و متنی را از سفرهای گذشته جمع آوری می کند.
سیستم های فعلی اغلب نادیده می گیرند. اطلاعات به مجموعه داده ای اضافه می شود که سیستم به راحتی می تواند پرس و جو کند.
مقاله دوم بر روی MODEST تمرکز دارد، چارچوبی که HINDSIGHT را با شناسایی،
جمعآوری و اشتراکگذاری اطلاعات LiDAR بدون برچسب جمعآوریشده از وسایل نقلیهای که همان مسیر را طی میکنند،
بهبود میبخشد. این وسیله نقلیه همچنین از اطلاعات MODEST برای بهبود دقت تشخیص خود در هنگام پارک یا آفلاین استفاده می کند.
برای آزمایش HINDSIGHT
هوشمند سازی ویلا
محققان به سرپرستی دانشجوی دکترا کارلوس آندرس دیاز، خودرویی مجهز به حسگرهای LiDAR را 40 بار در طول 18 ماه در اطراف یک حلقه 9 مایلی در ایتاکا،
نیویورک، راندند و مجموعهای از بیش از 600000 تصویر را در انواع مختلف گردآوری کردند. محیط و شرایط آب و هوایی محققان نوشتند که در چالش برانگیزترین سناریوها،
به ویژه هنگام تشخیص اشیاء در فاصله دور، HINDSIGHT دقت سیستم تشخیص موجود را بیش از 300 درصد بهبود بخشید. MODEST آزمایش های مشابهی را انجام داد.
این چارچوب ها بدون هزینه اضافی با اکثر سیستم های تشخیص سه بعدی مدرن سازگار هستند و به تجهیزات اضافی نسبت به آنچه معمولاً در وسایل نقلیه مدرن یافت می شود نیاز ندارند.
کد HINDSIGHT در https://github.com/YurongYou/Hindsight موجود است. محققان در حال کار بر روی مقاله سوم با هدف بهبود بیشتر هر دو چارچوب هستند.
حجم زیادی از اطلاعات دقیق HINDSIGHT جمعآوریشده به محققان نشان داد که سیستمهای تشخیص موجود تا چه اندازه از دادههایی که اساسا رایگان هستند، کم استفاده میکنند.
با توجه به اینکه تعداد زیادی از مردم مسیرهای مشابهی را بارها و بارها رانندگی می کنند، محققان شروع به فکر کردن در مورد نحوه اشتراک گذاری داده ها بین وسایل نقلیه،
بهبود دقت آن و بهینه سازی نحوه استفاده سیستم تشخیص آترینا کردند. آنها چارچوب MODEST را ارائه کردند.
MODEST، HINDSIGHT
هوشمند سازی ویلا
را با حذف هرگونه اتکا به داده های مشروح شده انسانی به سطح بعدی می برد. با راندن مکرر برخی از مسیرها، بدون توجه به اینکه ماشین کجا رانده می شود،
اشیا را تشخیص می دهد. سپس خودرو از دادههایی که جمعآوری میکند استفاده میکند تا در زمانی که در حال استفاده نیست،
بهطور مستقل خود را دوباره آموزش دهد. محققان آن را “رویا دیدن” می نامند.
این سیستم با تشخیص بهترین یا “مطمئن” اجسام مجاور کار می کند و وضعیت آنها مانند مکان، اندازه و سرعت حرکت را تخمین می زند.
سپس اطلاعات را با دادههای گذشته جمعآوریشده در آن مسیر مقایسه میکند تا موقعیتهای چالش برانگیزی را که ممکن است،
سیستم تشخیص اشتباه خوانده یا اشتباه خوانده باشد، کشف و پیشبینی کند.
در حالی که ماشین بیکار داده ها را پخش می کند، سیستم به طور مستقل فریم هایی را که از دست رفته اند برچسب گذاری می کند.