Roboterautos können fahren lernen, ohne die Garage zu verlassen



Die Computer, die selbstfahrende Autos steuern, gewinnen auf überraschende Weise wertvolles Wissen über die reale Welt – unter anderem durch das Durchsuchen von Online-Karten und das Spielen von Videospielen.

Forscher der Princeton University haben kürzlich ein Computer-Vision- und Kartierungssystem entwickelt, das durch Studien nützliche Informationen über die physikalischen Eigenschaften von Straßen sammelte Google Street View und Vergleichen der Szenen mit den Informationen, die in Open-Source-Mapping-Daten bereitgestellt werden. Auf diese Weise konnte es beispielsweise anhand von Bildern, die von Googles Kartierungsautos aufgenommen wurden, lernen, wo die Ränder einer Kreuzung liegen sollten.





In einer separaten Arbeit enthüllten die Forscher am Mittwoch OpenAI , eine gemeinnützige Organisation, die sich auf grundlegende KI-Forschung konzentriert, hat eine Möglichkeit entwickelt, Software-Agenten das Erlernen von Fahrstrategien zu ermöglichen, indem sie im Videospiel Grand Theft Auto V über eine Plattform namens Universe experimentieren. Einige Videospiele sind jetzt visuell so realistisch, dass sie eine Computervision etwas über die reale Welt lernen lassen können (siehe Selbstfahrende Autos können viel lernen, indem sie Grand Theft Auto spielen).

Neue Ansätze für das Training selbstfahrender Autos können dazu beitragen, die Technologie zu demokratisieren und zuverlässiger zu machen. Selbstfahrende Autos waren allgegenwärtig auf der diesjährigen Consumer Electronics Show in Las Vegas, und die Technologie steht im Mittelpunkt der North American Auto Show in Detroit, die diese Woche begann. Aber nicht jeder hat die Ressourcen von Ford, Google oder Uber, und automatisierte Fahrzeuge haben in vielen Situationen immer noch Probleme (siehe Was Sie wissen sollten, bevor Sie in ein selbstfahrendes Auto steigen ). Daher entwickeln einige Forscher kreative Wege, um die Daten zu sammeln und Fahrsysteme zu trainieren. Es gibt sogar Bestrebungen, die für das automatisierte Fahren erforderliche Technologie als Open Source bereitzustellen.

Die Princeton-Forscher haben Google Street View abgebaut und OpenStreetMap für ihre Daten. Straßenmerkmale in Google Street View-Bildern werden manchmal von einem Fahrzeug, jemandem, der die Straße überquert, oder etwas anderem verdeckt, sodass das System lernen musste, solche Artefakte zu erkennen und dann zu verwerfen. Die Forscher testeten ihr System mit neuen Bildern und stellten fest, dass es Straßenmerkmale ziemlich genau erkennen konnte. Sie sagen, dass es eine Möglichkeit bieten könnte, ein selbstfahrendes System mit einigen Grundkenntnissen zu versehen, die zum Navigieren auf normalen Straßen erforderlich sind. Die Forscher trainierten ihr System anhand von 150.000 Street View-Panoramen.



Seine Genauigkeit sollte sich verbessern, wenn der Trainingsdatensatz wächst, sagt er Ari Seff , ein Doktorand in Princeton, der das System mit entwickelt hat Jianxiong Xiao , ein Professor, der kürzlich die Universität verlassen hat, um ein Automobil-Startup namens AutoX.ai zu gründen.

Die manuelle Erstellung von hochauflösenden 3-D-Karten für autonomes Fahren ist mühsam und teuer, sagt John Leonard, Professor am CSAIL des MIT, der sich auf Kartierung und automatisiertes Fahren spezialisiert hat. Wenn dieser Prozess mithilfe von tiefen Netzwerken automatisiert werden kann, die auf großen öffentlichen Datenbanken arbeiten, wäre dies ein großer Gewinn für die selbstfahrende Technologie.

Der Ansatz bietet auch eine Möglichkeit, ein System darauf zu trainieren, Situationen zu erkennen, die ein echtes selbstfahrendes Auto möglicherweise nur selten antrifft, wie z. B. eine sehr komplexe Kreuzung. Diese Modelle könnten möglicherweise als Teil eines Backup-Systems in autonomen Fahrzeugen verwendet werden und die Informationen bestätigen, die von vorgescannten 3-D-Karten bereitgestellt werden. In einem realen Fahrzeug haben wir das allerdings noch nicht getestet, sagt Seff.

Die Forscher schlagen auch vor, dass ihr System eine Warnung über die Straßeninfrastruktur ausgeben könnte – wenn das System beispielsweise zu dem Schluss kommt, dass eine Straße wie eine Einbahnstraße aussieht, obwohl dies nicht der Fall ist, muss die Beschilderung möglicherweise aktualisiert werden. Die Einschränkungen bestehen darin, dass das System keine Objekte identifizieren kann, die nicht auf einer Karte identifiziert sind, wie Fußgänger oder andere Fahrzeuge, und dass es nicht genau genug ist, um ein Auto sehr genau zu lokalisieren.

Dies aus Google Street View zu lernen, ist eine gute Idee, sagt Craig Quiter, Ingenieur bei Otto, einem Unternehmen, das selbstfahrende Lastwagen herstellt und letztes Jahr von Uber übernommen wurde. Die Ergebnisse enthalten nicht genug, um damit ein Auto zu fahren, sind aber zusammen mit anderen Wahrnehmungen als Eingabe für einen Planer definitiv hilfreich.

Quiter entwickelte Grand Theft Auto V, während er letztes Jahr als Auftragnehmer für OpenAI arbeitete. Das Spiel kann Software trainieren, um Elemente der realen Welt zu erkennen.

ray ban kontaktiere uns

GTA V gibt Forschern Zugang zu einer reichhaltigen, vielfältigen Welt zum Testen und Entwickeln von KI, schreibt Quiter in einem von OpenAI veröffentlichten Blogbeitrag. Seine Insellage ist fast ein Fünftel der Größe von Los Angeles und bietet Zugang zu einer breiten Palette von Szenarien für Testsysteme. Hinzu kommen die 257 verschiedenen Fahrzeuge, sieben Fahrradtypen und 14 Wettertypen, und es ist möglich, eine große Anzahl von Permutationen mit einem einzigen Simulator zu erkunden.

Durch Universe kann ein Agent auch eine Fahrstrategie entwickeln, indem er innerhalb des Spiels experimentiert und sein eigenes Verhalten verfeinert, wenn es bestimmte Ziele erreicht, ein Ansatz, der als Reinforcement Learning bekannt ist (siehe Ein neues Tool lässt KI lernen, fast alles auf einem Computer zu tun).

Quiter fügte in einer E-Mail hinzu, dass Forscher und Unternehmen durch die Veröffentlichung der für das automatisierte Fahren erforderlichen Technologie diese demokratisieren können. Ich denke, es ist jetzt viel einfacher geworden, selbstfahrende Auto-KI zu testen, sagt er.

verbergen

Tatsächliche Technologien

Kategorie

Unkategorisiert

Technologie

Biotechnologie

Technologierichtlinie

Klimawandel

Mensch Und Technik

Silicon Valley

Computer

Mit News Magazine

Künstliche Intelligenz

Platz

Intelligente Städte

Blockchain

Reportage

Alumni-Profil

Alumni-Verbindung

Mit News Feature

1865

Meine Sicht

77 Mass Avenue

Treffen Sie Den Autor

Profile In Großzügigkeit

Auf Dem Campus Gesehen

Lerne Den Autor Kennen

Alumni-Briefe

Nicht Kategorisiert

77 Massenallee

Rechnen

Tech-Richtlinie

Lernen Sie Den Autor Kennen

Nachrichten

Wahl 2020

Mit Index

Unter Der Kuppel

Feuerwehrschlauch

Unendliche Geschichten

Pandemie-Technologieprojekt

Vom Präsidenten

Titelstory

Fotogallerie

Empfohlen