Kereta memandu sendiri dikuasakan oleh algoritma pembelajaran mesin yang memerlukan sejumlah besar data pemanduan agar dapat berfungsi dengan selamat. Tetapi jika kereta memandu sendiri dapat belajar memandu dengan cara yang sama seperti bayi belajar berjalan — dengan menonton dan meniru orang lain di sekeliling mereka — mereka akan memerlukan data pemanduan yang lebih kurang dikumpulkan. Idea itu mendorong jurutera Universiti Boston Eshed Ohn-Bar untuk mengembangkan cara yang sama sekali baru bagi kenderaan autonomi untuk mempelajari teknik pemanduan yang selamat — dengan menonton kereta lain di jalan raya, meramalkan bagaimana mereka akan bertindak balas terhadap persekitaran mereka, dan menggunakan maklumat tersebut untuk membuat keputusan memandu sendiri.
Ohn-Bar, penolong profesor kejuruteraan elektrik dan komputer BU College of Engineering dan rakan fakulti junior di BU's Rafik B. Hariri Institute for Computing and Computational Science & Engineering, dan Jimuyang Zhang, seorang pelajar BU PhD dalam bidang kejuruteraan elektrik dan komputer, baru-baru ini membentangkan penyelidikan mereka di Persidangan 2021 mengenai Penglihatan Komputer dan Pengecaman Corak. Idea mereka untuk paradigma latihan datang dari keinginan untuk meningkatkan perkongsian data dan kerjasama di antara para penyelidik di bidangnya — pada masa ini, kenderaan autonomi memerlukan data pemanduan berjam-jam untuk belajar bagaimana memandu dengan selamat, tetapi beberapa syarikat kereta terbesar di dunia tetap luas jumlah data peribadi untuk mengelakkan persaingan.
"Setiap syarikat melalui proses yang sama dengan mengambil kereta, meletakkan sensor pada mereka, membayar pemandu untuk memandu kenderaan, mengumpulkan data, dan mengajar kereta untuk memandu," kata Ohn-Bar. Berkongsi bahawa data pemanduan dapat membantu syarikat membuat kenderaan autonomi yang selamat dengan lebih cepat, yang memungkinkan semua orang dalam masyarakat mendapat manfaat daripada kerjasama tersebut. Sistem pemanduan buatan secara artifisial memerlukan begitu banyak data untuk berfungsi dengan baik, kata Ohn-Bar, bahawa tidak ada satu pun syarikat yang dapat menyelesaikan masalah ini sendiri.
"Berjuta-juta batu [data yang dikumpulkan di jalan] hanyalah penurunan di lautan peristiwa dan kepelbagaian dunia nyata," kata Ohn-Bar. "Namun, sampel data yang hilang dapat menyebabkan tingkah laku yang tidak selamat dan kemungkinan berlakunya kemalangan."
Algoritma pembelajaran mesin yang dicadangkan oleh penyelidik berfungsi dengan menganggarkan sudut pandangan dan titik buta kereta berdekatan yang lain untuk membuat peta pandangan-mata dari persekitaran di sekitarnya. Peta ini membantu kereta memandu sendiri mengesan rintangan, seperti kereta atau pejalan kaki lain, dan untuk memahami bagaimana kereta lain berpusing, berunding, dan menghasilkan tanpa menabrak apa-apa.
Melalui kaedah ini, kereta memandu sendiri belajar dengan menerjemahkan tindakan kenderaan di sekitarnya ke dalam kerangka rujukan mereka sendiri - rangkaian neural algoritma pembelajaran mesin mereka. Kereta lain ini mungkin kenderaan yang digerakkan manusia tanpa sensor, atau kenderaan automatik syarikat lain. Oleh kerana pemerhatian dari semua kereta di sekitar tempat kejadian merupakan pusat latihan algoritma, paradigma "belajar dengan menonton" ini mendorong perkongsian data, dan seterusnya kenderaan autonomi yang lebih selamat.
Ohn-Bar dan Zhang menguji algoritma "tonton dan belajar" mereka dengan mempunyai kereta autonomi yang dipandu olehnya menavigasi dua bandar maya - satu dengan belokan dan rintangan langsung yang serupa dengan persekitaran latihan mereka, dan satu lagi dengan kelainan yang tidak dijangka, seperti persimpangan lima arah. Dalam kedua-dua senario tersebut, para penyelidik mendapati bahawa rangkaian saraf memandu sendiri mengalami sedikit kemalangan. Dengan hanya satu jam data pemanduan untuk melatih algoritma pembelajaran mesin, kenderaan autonomi tiba dengan selamat di destinasi mereka 92 peratus masa.
"Walaupun kaedah terbaik sebelumnya memerlukan berjam-jam, kami terkejut kerana kaedah kami dapat belajar memandu dengan selamat dengan hanya 10 minit data pemanduan," kata Ohn-Bar.
Hasil ini menjanjikan, katanya, tetapi masih ada beberapa cabaran terbuka dalam menangani persekitaran bandar yang rumit. "Mengira perspektif yang berbeza secara drastik di antara kenderaan yang diperhatikan, kebisingan dan penyumbatan dalam pengukuran sensor, dan pelbagai pemandu sangat sukar," katanya.
Ke depan, pasukan mengatakan kaedah mereka untuk mengajar kenderaan autonomi untuk memandu sendiri boleh digunakan dalam teknologi lain juga. "Penghantaran robot atau bahkan drone dapat belajar dengan menonton sistem AI lain di persekitaran mereka, ”kata Ohn-Bar.
