Forskare vid Laboratório de Computação de Alto Desempenho (LCAD) från Universidade Federal do Espírito Santo (UFES), i Brasilien, har utarbetat en ny strategi för att korrigera brister i beläggningsrutnätskartor genom att korrigera ogiltiga beläggningssannolikheter för kartceller som inte kan observeras av sensorer. Denna nya teknik, kallas kartförfall, är inspirerad av aktuell empirisk kunskap om den mänskliga hjärnans minnesarkitektur.

"Det långsiktiga målet för vårt forskarteam vid LCAD är att förstå hur den mänskliga hjärnan fungerar, " Alberto Ferreira De Souza, en av forskarna som genomförde studien, berättade TechXplore. "Det är ett mycket ambitiöst mål, Jag vet, så för att ta itu med det, vi gjorde det som är vanligt inom vetenskapen. Det är, vi tänkte oss att förstå hjärnan som en serie milstolpar och började med den första. I vårat fall, det var att försöka förstå visuell kognition, vår förmåga att förstå världen och idéer om världen med hjälp av vår känsla för vision."

Detta ambitiösa forskningsprojekt startade för cirka 15 år sedan, först med användning av statiska bilder och sedan med dynamiska bilder tagna av kameror placerade på mobila robotar. Senare, forskarna började studera självkörande bilar och byggde så småningom sina egna, kallad IARA (Intelligent Autonomous Robotic Automobile).

"I det här arbetet, vi sökte inspiration i hjärnan för att föreslå förbättringar av befintliga algoritmer involverade i karthanteringen av självkörande bilar, " De Souza sade. "Hjärnan och dess funktioner analyserades från kognitiv psykologi synvinkel; särskilt, kognitiva processer relaterade till minnet på dess olika nivåer:sensoriskt minne, korttidsminne (eller arbetsminne), och långtidsminne."

Människor kan lagra information i sitt minne och återkalla den vid behov. Denna grundläggande förmåga möjliggör utförande av fysiska procedurer och strävan efter långsiktiga mål. Lika viktigt som att komma ihåg saker från det förflutna, dock, är förmågan att glömma irrelevant information, fokuserar uppmärksamheten på vad som kan bidra till att lösa nuvarande uppgifter eller problem.

"Vi analyserade likheterna mellan den visuella minnesarkitekturen som tros existera i den mänskliga hjärnan och processen att bygga kartor i självkörande bilar, "De Souza sa." Inspirerad av dessa likheter, vi föreslog en ny strategi för att ta bort onlinebrus från kartor över beläggningsnät, som vi kallade kartförfall."

Kartförfall fungerar genom att sammanfoga sensorisk information som erhållits under körning (dvs. när ett system är online) med tidigare data från en högprecisionskarta konstruerad offline. Online- eller offlinedata betonas beroende på om kartceller observeras av sensorer eller inte.

"Celler som observeras av sensorer uppdateras med traditionella tekniker för kartläggning av beläggningsnät, "De Souza förklarade." Celler som inte observeras justeras så att deras beläggningssannolikhet tenderar till de värden som finns på offline -kartan. Effekten av denna justering är en uppenbar blekning, eller förfall, av onlineinformation i oobserverbara områden på kartan, medan offlineinformation med hög precision bevaras. "

Tanken bakom denna strategi är att den mest exakta tillgängliga informationen om en oobserverbar kartcell är värdet som finns i offlinekartan med hög precision. UFES har applicerat kartförfall på sitt autonoma IARA-fordon och inledande tester gav mycket lovande resultat.

"Kartförfall tar bort brister från onlinekartor för beläggningsnät, " sa de Souza. "Dessa brister har flera orsaker. Till exempel, när ett dynamiskt objekt korsar cellerna på en karta, deras beläggningssannolikheter höjs. På grund av den självkörande bilrörelsen, dessa celler kanske inte längre kan observeras, vilket leder till ett spår på kartan som inte raderas. "

Souza förklarade att samma problem också kan uppstå när ett falskt hinder upptäcks, på grund av ett naturligt sensorfel. Om celler inte observeras igen, oavsett om roboten rör sig eller för att dessa celler är belägna inom en sensoriell död vinkel, beläggningssannolikheten kommer inte att korrigeras.

Kartförfall tar effektivt bort dessa brister, använda strategier som speglar mänskliga minnesprocesser. Precis som den mänskliga hjärnan, den släpper information som inte längre är nödvändig och ger mening med ofullständig sensorisk data genom att fylla den med långsiktig kunskap, som lagras i den exakta offline -kartan.

"Vi försöker alltid implementera en toppmodern lösning på ett problem och sedan försöka implementera det igen med hjälp av neurala nätverk, vårt föredragna paradigm för att efterlikna hjärnan, " De Souza sa. "Som framtida arbete, vi kommer att studera hur man implementerar hela kartläggningsprocessen, inklusive kartförfall, använder djupa neurala nätverk."

© 2018 Tech Xplore