Det kan finnas ett bättre sätt för autonoma fordon att lära sig att köra själva:genom att titta på människor. Med hjälp av ett förbättrat synkorrigerande system, självkörande bilar kan lära sig bara genom att observera att mänskliga operatörer genomför samma uppgift.
Forskare från Deakin University i Australien publicerade sina resultat i IEEE/CAA Journal of Automatica Sinica , en gemensam publikation av Institute of Electrical and Electronics Engineers (IEEE) och Chinese Association of Automation.
Teamet implementerade imitation lärande, kallas också lära av demonstration. En mänsklig operatör kör ett fordon utrustat med tre kameror, observera miljön från framsidan och varje sida av bilen. Uppgifterna bearbetas sedan via ett neuralt nätverk - ett datorsystem baserat på hur hjärnans neuroner interagerar för att behandla information - som gör det möjligt för fordonen att fatta beslut baserat på vad de lärt sig genom att se hur människan tar liknande beslut.
"Förväntningen för denna process är att generera en modell enbart från bilderna som tagits av kamerorna, "sa pappersförfattaren Saeid Nahavandi, Alfred Deakin professor, pro rektor, ordförande för teknik och direktör för Institute for Intelligent Systems Research and Innovation vid Deakin University. "Den genererade modellen förväntas sedan köra bilen självständigt."
Behandlingssystemet är specifikt ett konvolutionellt neuralt nätverk, som speglas på hjärnans visuella cortex. Nätverket har ett ingångsskikt, ett utmatningsskikt och valfritt antal bearbetningsskikt mellan dem. Ingången översätter visuell information till prickar, som sedan kontinuerligt jämförs när mer visuell information kommer in. Genom att minska den visuella informationen, nätverket kan snabbt bearbeta förändringar i miljön:en förskjutning av prickar framåt kan tyda på ett hinder på vägen. Detta, kombinerat med den kunskap som erhållits från att observera den mänskliga operatören, betyder att algoritmen vet att ett plötsligt hinder på vägen bör få bilen att stanna helt för att undvika en olycka.
"Att ha en pålitlig och robust vision är ett obligatoriskt krav i autonoma fordon, och konvolutionella neurala nätverk är ett av de mest framgångsrika djupa neurala nätverken för bildbehandlingsapplikationer, "Sa Nahavandi.
Han noterade ett par nackdelar, dock. Det ena är att imiteringsinlärning påskyndar träningsprocessen samtidigt som den minskar mängden träningsdata som krävs för att få fram en bra modell. I kontrast, konvolutionella neurala nätverk kräver en betydande mängd utbildningsdata för att hitta en optimal konfiguration av lager och filter, som kan hjälpa till att organisera data, och producerar en korrekt genererad modell som kan köra ett autonomt fordon.
"Till exempel, vi fann att att öka antalet filter inte nödvändigtvis leder till bättre prestanda, "Nahavandi sa." Det optimala valet av parametrar för nätverket och utbildningsproceduren är fortfarande en öppen fråga som forskare aktivt undersöker över hela världen. "Därefter, forskarna planerar att studera mer intelligenta och effektiva tekniker, inklusive genetiska och evolutionära algoritmer för att få den optimala uppsättningen parametrar för att bättre producera ett självlärande, självkörande fordon.
