اختصاصی شبکه علمی ثریا- یک وسیله نقلیه خودران میتواند با شناسایی عابران پیاده، وسایل نقلیه دیگر و موانع احتمالی از طریق هوش مصنوعی در خیابانهای شهر و سایر محیطهای کمتر شلوغ حرکت کند. این امر با کمک شبکههای عصبی مصنوعی به دست میآید که برای «دیدن» محیط اطراف خودرو و تقلید از سیستم ادراک بصری انسان آموزش دیدهاند. اما برخلاف انسانها، ماشینهایی که از شبکههای عصبی مصنوعی استفاده میکنند، هیچ خاطرهای از گذشته ندارند و برای اولین بار در حالت ثابتی هستند که دنیا را میبینند.حتی مهم نیست قبلاً چند بار در یک جاده خاص رانندگی کردهاند. این امر به ویژه در شرایط آب و هوایی نامساعد مشکل ساز است، این همان زمانی است که خودرو نمی تواند با خیال راحت به سنسورهای خود تکیه کند.
بیشتر بخوانید: هوش مصنوعی گوگل و ترسهایی که زندگی ما را تهدید میکند
محققان کالج علوم محاسبات و اطلاعات Cornell Ann S.Bowers و کالج مهندسی سه مقاله تحقیقاتی همزمان با هدف غلبه بر این محدودیت با فراهم کردن حافظه خودرو برای رجوع به "خاطرات" و استفاده تجربیات قبلی در ناوبری آینده کمک بزرگی کردند سوال اساسی این است که آیا میتوانیم از رانندگیهای مکرر درس بگیریم؟ از فاصله دور نه، اما هنگامی که به اندازه کافی نزدیک شود، نوع شی مشخص خواهد شد. بنابراین بار دوم که از کنار همان شی رد میشوید، حتی در مه یا برف، باید امیدوار باشید که ماشین اکنون یاد گرفته باشد که آن را به درستی تشخیص دهد. کتی لو، یکی از نویسندگان این گروه، دانشجوی دکترا در این گروه تحقیقاتی، گفت: «در واقعیت، شما به ندرت برای اولین بار یک مسیر را رانندگی می کنید. یا خود شما یا شخص دیگری اخیراً در آن مسیر رانندگی کرده است، بنابراین جمع آوری تجربه و استفاده از آن کاملاً طبیعی به نظر می رسد. این گروه، مجموعه دادهای را با رانندگی ماشینی مجهز به حسگرهای LiDAR (تشخیص و تشخیص نور) به طور مکرر در امتداد یک حلقه 15 کیلومتری در داخل و اطراف یک شهر، 40 بار در یک دوره 18 ماهه، گردآوری کردند. رانندگی در محیطهای مختلف (بزرگراه، شهری، محوطه دانشگاه)، شرایط آب و هوایی (آفتابی، بارانی، برفی) و زمانهای روز را ضبط میکنند.
این به عمد یکی از چالشهای کلیدی در خودروهای خودران را نشان میدهد: شرایط آب و هوایی نامناسب! اگر خیابان پوشیده از برف باشد، انسانها میتوانند به خاطرات تکیه کنند، اما بدون خاطرات، شبکه عصبی به شدت آسیب میبیند.HINDSIGHT رویکردی است که از شبکههای عصبی برای محاسبه توصیفگرهای اجسام هنگام عبور خودرو از آنها استفاده میکند. سپس این توصیفها را که گروه تحقیقی آنها را ویژگیهای SQuaSH (Spatial-Quantized Sparse History) نامیدهاند فشرده میکند و آنها را روی یک نقشه مجازی ذخیره میکند، درست شبیه به یک «حافظه» ذخیرهشده در مغز انسان.
بیشتر بخوانید: هوش مصنوعی از اقیانوسها گذشت
دفعه بعد که خودروی خودران از همان مکان عبور کرد، میتواند از پایگاه داده محلی SQuaSH هر نقطه LiDAR در طول مسیر پرس و جو کند و آنچه را که آخرین بار آموخته است، به خاطر بیاورد. پایگاه داده به طور مداوم به روز می شود و در بین وسایل نقلیه به اشتراک گذاشته می شود، بنابراین اطلاعات موجود برای انجام شناسایی غنی می شود. "این اطلاعات را می توان به عنوان ویژگی به هر آشکارساز شی سه بعدی مبتنی بر LiDAR اضافه کرد.هم آشکارساز و هم نمایش SQuaSH را می توان بدون هیچ نظارت اضافی یا حاشیه نویسی انسانی که زمان و کار زیادی دارد، به طور مشترک آموزش داد." در حالی که HINDSIGHT هنوز هم فرض میکند که شبکه عصبی مصنوعی قبلاً برای شناسایی اشیا و تقویت آن با قابلیت ایجاد خاطره آموزش دیده است، MODEST (تشخیص اشیاء متحرک با زودگذر بودن و خودآموزی) - موضوع سومین مقاله - از این هم فراتر میرود.
در اینجا، نویسندگان به خودرو اجازه میدهند که کل خط لوله درک را از ابتدا یاد بگیرد. در ابتدا شبکه عصبی مصنوعی در وسیله نقلیه هرگز در معرض هیچ شی یا خیابانی قرار نگرفت. از طریق پیمایش های متعدد در یک مسیر، می تواند یاد بگیرد که چه قسمت هایی از محیط ثابت و کدام اجسام متحرک هستند. آهسته آهسته به خود می آموزد که چه چیزی دیگر شرکت کنندگان در ترافیک را تشکیل می دهد و چه چیزی را نادیده می گیرد. سپس الگوریتم می تواند این اشیاء را به طور قابل اعتماد تشخیص دهد - حتی در جاده هایی که بخشی از پیمایش های مکرر اولیه نیستند. محققان امیدوارند که هر دو روش بتوانند هزینه توسعه خودروهای خودران را به شدت کاهش دهند (که در حال حاضر هنوز به شدت به دادههای حاشیهنویسی گرانقیمت انسان متکی است) و با یادگیری جابهجایی در مکانهایی که در آنها بیشترین استفاده را دارند، چنین وسایل نقلیهای کارآمدتر شوند.
بیشتر بخوانید: تجهیز خودروهای هیوندای به فناوری کوانتومی lonQ
هر دو Ithaca365 و MODEST در مجموعه مقالات کنفرانس IEEE در زمینه بینایی کامپیوتری و تشخیص الگو (CVPR 2022) که در 19 تا 24 ژوئن در نیواورلئان برگزار می شود، ارائه خواهند شد. سایر مشارکت کنندگان عبارتند از مارک کمبل، استاد جان آ. ملووز در سال 60 در مهندسی مکانیک در دانشکده مهندسی مکانیک و هوافضا Sibley، استادیار Bharath Hariharan و Wen Sun، از علوم کامپیوتر در Bowers CIS. وی لون چائو، محقق سابق فوق دکترا، اکنون استادیار علوم کامپیوتر و مهندسی در ایالت اوهایو است. و دانشجویان دکترا چنگ پرنگ فو، شیانگیو چن و جونان چن.