기술은 자율 주행 자동차가 자신의 '기억'에서 학습하도록 도와줍니다.

기술은 자율 주행 자동차가 자신의 '기억'에서 학습하도록 도와줍니다.
날짜:
2022년 6월 22일
원천:
코넬대학교
요약:
연구원들은 자율주행 차량이 이전 경험의 '기억'을 생성하고 이를 미래의 내비게이션, 특히 차량이 센서에 안전하게 의존할 수 없는 악천후 조건에서 사용할 수 있도록 돕는 방법을 개발했습니다.

코넬 대학의 연구원들은 자율주행 차량이 이전 경험에 대한 "기억"을 생성하고 이를 미래의 내비게이션에 사용할 수 있도록 돕는 방법을 개발했습니다. 특히 차량이 센서에 안전하게 의존할 수 없는 악천후 상황에서 더욱 그렇습니다.

인공 신경망을 사용하는 자동차는 과거에 대한 기억이 없고 특정 도로를 몇 번이나 운전해 가더라도 처음으로 세상을 보는 일정한 상태에 있습니다.

연구진은 이러한 한계를 극복하기 위해 3편의 동시 논문을 발표했다. 두 가지가 6월 19일부터 24일까지 뉴올리언스에서 개최되는 컴퓨터 비전 및 패턴 인식에 관한 IEEE 회의(CVPR 2022) 회의에서 발표되었습니다.

"기본적인 질문은 반복되는 탐색에서 배울 수 있습니까?" 수석 저자인 컴퓨터 과학 교수인 Kilian Weinberger는 말했습니다. "예를 들어, 자동차는 레이저 스캐너가 멀리서 처음 인식할 때 이상한 모양의 나무를 보행자로 오인할 수 있지만 충분히 가까워지면 물체 범주가 명확해질 것입니다. 따라서 두 번째로 지나갈 때 안개나 눈 속에서도 똑같은 나무라도 이제는 차가 올바르게 인식하는 법을 배웠기를 바랍니다."

박사 과정 학생인 Carlos Diaz-Ruiz가 이끄는 이 그룹은 LiDAR(Light Detection and Ranging) 센서가 장착된 자동차를 18개월 동안 Ithaca와 그 주변의 15km 루프를 따라 반복적으로 운전하여 데이터 세트를 컴파일했습니다. 횡단은 다양한 환경(고속도로, 도시, 캠퍼스), 기상 조건(화창, 비, 눈) 및 하루 중 시간을 캡처합니다. 이 결과 데이터 세트에는 600,000개 이상의 장면이 있습니다.

Diaz-Ruiz는 "자율주행 자동차의 주요 과제 중 하나인 열악한 기상 조건을 의도적으로 노출합니다."라고 말했습니다. "거리가 눈으로 뒤덮이면 인간은 기억에 의존할 수 있지만 기억이 없으면 신경망이 크게 불리합니다."

HINDSIGHT는 신경망을 사용하여 자동차가 객체를 지나갈 때 객체의 설명자를 계산하는 접근 방식입니다. 그런 다음 그룹이 SQuaSH?(Spatial-Quantized Sparse History) 기능이라고 명명한 이러한 설명을 압축하고 인간 두뇌에 저장된 "메모리"와 같은 가상 지도에 저장합니다.

다음에 자율 주행 자동차가 같은 위치를 횡단할 때 경로를 따라 있는 모든 LiDAR 지점의 로컬 SQuaSH 데이터베이스를 쿼리하고 지난 시간에 학습한 내용을 "기억"할 수 있습니다. 데이터베이스는 지속적으로 업데이트되고 차량 간에 공유되므로 인식을 수행하는 데 사용할 수 있는 정보가 풍부해집니다.

"이 정보는 모든 LiDAR 기반 3D 물체 감지기에 기능으로 추가할 수 있습니다." 박사 과정 학생 Yurong You가 말했습니다. "탐지기와 SQuaSH 표현은 시간과 노동 집약적인 추가 감독이나 사람의 주석 없이 공동으로 훈련할 수 있습니다."

HINDSIGHT는 팀이 수행하고 있는 추가 연구인 MODEST(임시 및 자가 훈련을 통한 모바일 객체 감지)의 선구자로, 자동차가 처음부터 전체 인식 파이프라인을 학습할 수 있도록 합니다.

HINDSIGHT는 여전히 인공 신경망이 이미 물체를 감지하고 기억을 생성할 수 있는 능력으로 증강되었다고 가정하지만, MODEST는 차량의 인공 신경망이 물체나 거리에 전혀 노출된 적이 없다고 가정합니다. 동일한 경로를 여러 번 순회함으로써 환경의 어떤 부분이 정지되어 있고 어떤 부분이 움직이는 물체인지 알 수 있습니다. 천천히 그것은 다른 트래픽 참가자를 구성하는 것과 무시해도 되는 것이 무엇인지 스스로 가르칩니다.

그런 다음 알고리즘은 이러한 객체를 안정적으로 감지할 수 있습니다. 초기 반복 탐색의 일부가 아닌 도로에서도 마찬가지입니다.

연구원들은 이러한 접근 방식이 (현재 여전히 값비싼 인간 주석 데이터에 크게 의존하고 있는) 자율 차량의 개발 비용을 크게 줄이고 가장 많이 사용되는 위치를 탐색하는 방법을 학습함으로써 그러한 차량을 보다 효율적으로 만들 수 있기를 바랍니다.