אם אתה רואה מכונית שנוהגת בעצמה בטבע, ייתכן שתבחין בגליל מסתובב ענק על גגו. זה לידר חיישןוזה עובד על ידי שליחת פולסים של אור אינפרא אדום ומדידת הזמן שלוקח להם להקפיץ עצמים. זה יוצר מפה של נקודות תלת מימד המשמשות תמונת מצב של סביבת המכונית.
חסרון אחד של לידר הוא שנתוני התלת מימד שלו עצומים ואינטנסיביים מבחינה חישובית. חיישן 3 ערוצים טיפוסי, למשל, מפיק יותר משני מיליון נקודות לשנייה. בשל המימד המרחבי הנוסף, המודלים התלת-ממדיים המשוכללים דורשים חישוב גדול פי 64 בזמן ההסקה בהשוואה לעמיתיהם בתמונת הדו-ממד. המשמעות היא שכדי לנווט ביעילות, מהנדסים בדרך כלל צריכים למוטט את הנתונים ל- 2D - תופעת הלוואי של זה היא שהיא מביאה לאובדן מידע משמעותי.
אך צוות מ- MIT עבד על מערכת נהיגה עצמית המשתמשת בלימוד מכונה כך שאין צורך בכוונון ידני. מסגרת הקצה לקצה החדשה שלהם יכולה לנווט באופן אוטונומי באמצעות נתוני ענן נקודת תלת-ממד גולמיים בלבד ומפות GPS ברזולוציה נמוכה, בדומה לאלה הקיימים היום בסמארטפונים.
למידה מקצה לקצה מנתוני לידר גולמיים היא תהליך אינטנסיבי מבחינה חישובית מכיוון שהוא כולל מתן מחשב כמויות אדירות של מידע חושי עשיר ללימוד כיצד לנווט. מסיבה זו, הצוות נאלץ לתכנן למעשה רכיבי למידה עמוקים חדשים אשר מינו את חומרת ה- GPU המודרנית בצורה יעילה יותר על מנת לשלוט ברכב בזמן אמת.
"מיטבנו את הפיתרון שלנו הן מבחינת האלגוריתם והן מבחינת המערכת, והשגנו מהירות מצטברת של בערך פי 9 בהשוואה לגישות 3D-lidar הקיימות", אומר דוקטורט. הסטודנט ג'יג'יאן ליו, שהיה המחבר המוביל במאמר זה לצד אלכסנדר אמיני.
במבחנים הראו החוקרים כי המערכת שלהם צמצמה את התדירות שבה נהג אנושי נאלץ להשתלט על המכונה, ואף יכולה לעמוד בתקלות קשות בחיישן.
לדוגמה, דמיין את עצמך נוהג דרך מנהרה ואז מגיח לאור השמש - לשבריר שנייה, סביר להניח שעיניך יתקשו לראות בגלל הסנוור. בעיה דומה מתעוררת במצלמות ברכבים עם נהיגה עצמית, כמו גם בחיישני הלידר של מערכות כאשר תנאי מזג האוויר גרועים.
כדי להתמודד עם זה, מערכת צוות ה- MIT יכולה להעריך עד כמה היא בטוחה בכל חיזוי נתון, ולכן יכולה לתת פחות או יותר משקל לתחזית זו בקבלת ההחלטות שלה. (במקרה של יציאה ממנהרה, זה למעשה מתעלם מכל תחזית שאין לסמוך עליה בגלל נתוני חיישנים לא מדויקים.)
הצוות מכנה את גישתם "מיזוג ראייתי היברידי", משום שהוא ממזג את תחזיות השליטה השונות יחד כדי להגיע לבחירותיו בתכנון התנועה.
"על ידי מיזוג תחזיות השליטה בהתאם לחוסר הוודאות של המודל, המערכת יכולה להסתגל לאירועים בלתי צפויים", אומרת פרופסור ה- MIT, דניאלה רוס, אחת הכותבות הבכירות בעיתון.
במובנים רבים, המערכת עצמה מהווה שילוב של שלושה פרויקטים קודמים של MIT:
- MapLite, מסגרת מכוונת ידנית לנהיגה ללא מפות תלת מימד בחדות גבוהה
- "ניווט מקצה לקצה וריאציוני", מערכת למידת מכונה המאומנת באמצעות נתוני נהיגה אנושיים כדי ללמוד כיצד לנווט מאפס.
- SPVNAS, יעיל 3D פתרון למידה עמוקה המייעל ארכיטקטורה עצבית וספריית היסק
"לקחנו את היתרונות של גישת נהיגה ללא מפה ושילבנו אותה עם למידת מכונה מקצה לקצה כדי שלא נצטרך מתכנתים מומחים בכדי לכוון את המערכת ביד", אומר אמיני.
כשלב הבא, הצוות מתכנן להמשיך ולגדול את המערכת שלהם לכמויות מורכבות הולכות וגדלות בעולם האמיתי, כולל תנאי מזג אוויר קשים ואינטראקציה דינמית עם כלי רכב אחרים.