Med syftet att föra mer människoliknande resonemang till autonoma fordon, MIT-forskare har skapat ett system som endast använder enkla kartor och visuella data för att göra det möjligt för förarlösa bilar att navigera rutter i nya, komplexa miljöer.

Mänskliga förare är exceptionellt bra på att navigera på vägar de inte har kört på tidigare, med hjälp av observation och enkla verktyg. Vi matchar helt enkelt vad vi ser omkring oss med vad vi ser på våra GPS-enheter för att avgöra var vi är och vart vi behöver åka. Förarlösa bilar, dock, kämpa med detta grundläggande resonemang. I varje nytt område, bilarna måste först kartlägga och analysera alla nya vägar, vilket är väldigt tidskrävande. Systemen förlitar sig också på komplexa kartor – vanligtvis genererade av 3D-skanningar – som är beräkningsintensiva att generera och bearbeta i farten.

I ett dokument som presenteras vid denna veckas internationella konferens om robotik och automation, MIT-forskare beskriver ett autonomt kontrollsystem som "lär sig" styrmönster för mänskliga förare när de navigerar på vägar i ett litet område, använder endast data från videokameraflöden och en enkel GPS-liknande karta. Sedan, det utbildade systemet kan styra en förarlös bil längs en planerad rutt i ett helt nytt område, genom att imitera den mänskliga föraren.

På samma sätt som mänskliga förare, Systemet upptäcker även eventuella missmatchningar mellan kartan och vägens egenskaper. Detta hjälper systemet att avgöra om dess position, sensorer, eller kartläggningen är felaktig, för att korrigera bilens kurs.

För att först träna systemet, en mänsklig operatör kontrollerade en förarlös Toyota Prius – utrustad med flera kameror och ett grundläggande GPS-navigeringssystem – och samlade in data från lokala förortsgator inklusive olika vägstrukturer och hinder. När den distribueras autonomt, systemet lyckades navigera bilen längs en förplanerad väg i ett annat skogsområde, avsedda för autonoma fordonstester.

"Med vårt system, du behöver inte träna på alla vägar i förväg, " säger första författaren Alexander Amini, en MIT doktorand. "Du kan ladda ner en ny karta så att bilen kan navigera genom vägar som den aldrig har sett förut."

"Vårt mål är att uppnå autonom navigering som är robust för körning i nya miljöer, " tillägger medförfattaren Daniela Rus, direktör för datavetenskap och artificiell intelligens Laboratory (CSAIL) och Andrew och Erna Viterbi professor i elektroteknik och datavetenskap. "Till exempel, om vi tränar ett autonomt fordon att köra i en stadsmiljö som Cambridges gator, systemet ska också kunna köra smidigt i skogen, även om det är en miljö som den aldrig har sett förut."

Med Rus och Amini på tidningen är Guy Rosman, en forskare vid Toyota Research Institute, och Sertac Karaman, en docent i flygteknik och astronautik vid MIT.

Punkt-till-punkt-navigering

Traditionella navigationssystem bearbetar data från sensorer genom flera moduler anpassade för uppgifter som lokalisering, kartläggning, objektdetektering, rörelseplanering, och styrning. I åratal, Rus grupp har utvecklat "end-to-end" navigationssystem, som behandlar inmatade sensoriska data och matar ut styrkommandon, utan behov av några specialiserade moduler.

Tills nu, dock, dessa modeller var strikt utformade för att säkert följa vägen, utan någon egentlig destination i åtanke. I den nya tidningen, forskarna avancerade sitt heltäckande system för att köra från mål till destination, i en tidigare osynlig miljö. Att göra så, forskarna tränade sitt system att förutsäga en fullständig sannolikhetsfördelning över alla möjliga styrkommandon vid ett givet ögonblick under körning.

Systemet använder en maskininlärningsmodell som kallas ett konvolutionellt neuralt nätverk (CNN), används ofta för bildigenkänning. Under träning, systemet tittar på och lär sig att styra från en mänsklig förare. CNN korrelerar rattrotationer till vägkurvaturer som den observerar genom kameror och en inmatad karta. Så småningom, den lär sig det mest sannolika styrkommandot för olika körsituationer, som raka vägar, fyrvägs eller T-formade korsningar, gafflar, och rotarer.

"Initialt, vid en T-formad korsning, det finns många olika riktningar bilen kan svänga, " säger Rus. "Modellen börjar med att tänka på alla dessa riktningar, men eftersom den ser mer och mer information om vad människor gör, den kommer att se att vissa människor svänger vänster och andra svänger höger, men ingen går direkt. Rakt fram är uteslutet som en möjlig riktning, och modellen lär sig att, vid T-formade korsningar, den kan bara röra sig åt vänster eller höger."

Vad säger kartan?

Vid testning, forskarna matar in systemet med en karta med en slumpmässigt vald rutt. När du kör, systemet extraherar visuella funktioner från kameran, vilket gör det möjligt att förutsäga vägstrukturer. Till exempel, den identifierar en avlägsen stoppskylt eller linjebrott på sidan av vägen som tecken på en kommande korsning. I varje ögonblick, den använder sin förutsagda sannolikhetsfördelning av styrkommandon för att välja den mest sannolika att följa dess rutt.

Viktigt, forskarna säger, systemet använder kartor som är enkla att lagra och bearbeta. Autonoma kontrollsystem använder vanligtvis LIDAR-skanningar för att skapa massiva, komplexa kartor som tar ungefär 4, 000 gigabyte (4 terabyte) data för att lagra bara staden San Francisco. För varje ny destination, bilen måste skapa nya kartor, vilket uppgår till massor av databehandling. Kartor som används av forskarnas system, dock, fångar hela världen med bara 40 gigabyte data.

Under autonom körning, systemet matchar också kontinuerligt sina visuella data till kartdata och noterar eventuella felmatchningar. Att göra det hjälper det autonoma fordonet att bättre avgöra var det är placerat på vägen. Och det säkerställer att bilen stannar på den säkraste vägen om den matas med motsägelsefull indata:Om, säga, bilen cruisar på en rak väg utan svängar, och GPS:en indikerar att bilen måste svänga höger, bilen kommer att veta att fortsätta köra rakt eller stanna.

"I den verkliga världen, sensorer misslyckas, ", säger Amini. "Vi vill försäkra oss om att systemet är robust mot olika fel hos olika sensorer genom att bygga ett system som kan acceptera dessa bullriga insignaler och fortfarande navigera och lokalisera sig på rätt sätt på vägen."