MIT וטויוטה משחררים מערך נתונים שיסייע לבניית מודלים לאימון נהיגה אוטונומית

DriveSeg מכיל ייצוגים מדויקים ברמת הפיקסלים של עצמים נפוצים רבים המפוזרים בדרכים, כפי שהם נראים דרך העדשה של סצינת נהיגה רציפה בווידיאו 

דגימה של מסגרות מתוך מערך הווידיאו של MIT AgeLab. וטוויוטה באדיבות החוקרים לי דינג, ג'ק טרוויליגר, ריני שרוני, בריאן ריימר ולקס פרידמן, MIT
דגימה של מסגרות מתוך מערך הווידיאו של MIT AgeLab. וטוויוטה באדיבות החוקרים לי דינג, ג'ק טרוויליגר, ריני שרוני, בריאן ריימר ולקס פרידמן, MIT

MIT AgeLab והמעבדה למחקר שיתופי של יצרנית הרכב טויוטה הוציאו במשותף בסיס נתונים המכיל ייצוגים של עצמים נפוצים הפזורים בדרכים, כדי לשפר את יכולת האימון של מכוניות אוטונומיות.

“כיצד נוכל להכשיר רכבים הנוהגים בעצמי כך שתהיה להם מודעות עמוקה יותר לסביבתם? האם מחשבים יכולים ללמוד מחוויות העבר להכיר דפוסים עתידיים שיכולים לעזור להם לנווט בבטחה במצבים חדשים ובלתי צפויים? אלה כמה מהשאלות שחוקרים מ – AgeLab במרכז MIT לתחבורה ולוגיסטיקה ומרכז המחקר לבטיחות שיתופית של טויוטה (CSRC) מנסים לענות על ידי שיתוף מערך נתונים חדש ופתוח חדש בשם DriveSeg .

באמצעות DriveSeg פועלים המכון הטכנוללוגי של מסצ’וסטס וטויוטה לקידום מחקר במערכות נהיגה אוטונומיות, שבדומה לתפיסה האנושית, תופסים את סביבת הנהיגה כזרם מתמשך של מידע חזותי.

“בשיתוף מערך נתונים זה אנו מקווים לעודד את החוקרים, התעשייה ומפתחים אחרים לפתח תובנות וכיוונים חדשים למודלים זמניים של AI המאפשרים את הדור הבא של טכנולוגיות סיוע בנהיגה ” אומר ברין ריימר, החוקר הראשי. “יחסי העבודה הוותיקים שלנו עם טויוטה CSRC אפשרו למאמצי המחקר שלנו להשפיע על טכנולוגיות הבטיחות העתידיות.”

“יכולת הראיה היא חלק חשוב מהאינטליגנציה האנושית”, אומר ריני שרוני, המהנדס הראשי של טויוטה CSRC. “בכל פעם שאנחנו נוהגים, אנו תמיד עוקבים אחר תנועות הסביבה כדי לזהות סיכונים פוטנציאליים ולקבל החלטות בטוחות יותר. על ידי שיתוף מערך נתונים זה אנו מקווים להאיץ את המחקר על מערכות נהיגה אוטונומיות ותכונות בטיחות מתקדמות המותאמות יותר למורכבות הסביבה העוטפת אותן. ”

נכון להיום, נתונים על נהיגה עצמית שהועמדו לרשות קהילת המחקר כללו בעיקר ייצוגים של תמונות סטטיות בודדות שאפשר להשתמש בהן כדי לזהות ולעקוב אחר חפצים נפוצים שנמצאים בכביש ובסביבתו, כמו אופניים, הולכי רגל או רמזורים, באמצעות “תיבות גבול.” לעומת זאת, DriveSeg מכילה ייצוגים מדויקים יותר ברמת הפיקסלים של רבים מאותם חפצי דרך נפוצים, אך כפי שהם נראים דרך העדשה של סצינת נהיגה בווידיאו רציפה. פילוח מסוג זה יכול להיות מועיל במיוחד לזיהוי חפצים אמורפיים יותר – כמו כבישים הנמצאים בשלבי בניה וצמחייה – שלא תמיד יש להם צורות כה מוגדרות ואחידות.

על פי שרוני, תפיסת זירת הנהיגה מבוססת הווידיאו מספקת זרימת נתונים הדומה יותר למצבי נהיגה דינמיים בעולם האמיתי. היא גם תאפשר לחוקרים לחקור דפוסי נתונים בזמן שהם משחקים בסימולציה לאורך זמן, מה שעשוי להוביל להתקדמות בלימוד מכונות, הבנת סצנות וחיזוי התנהגותי.

DriveSeg זמין בחינם ויכול לשמש חוקרים למטרות לא מסחריות בקישור זה

עוד בנושא באתר הידען:

שיתוף ב print
שיתוף ב email
שיתוף ב whatsapp
שיתוף ב linkedin
שיתוף ב twitter
שיתוף ב facebook

תגובה אחת

  1. בסימולציה של נהיגה אוטונומית יש הרבה מורכבות. המאמר הזה לא הסביר מה מהמורכבות הזו הוא בא לתאר.
    אנסה להסביר:
    לרכב אוטונומי שורה של מכלולים המהוים את החושים שלו. דברים כגון, מצלמות במיקומים שונים, לידרים (שזה בעצם לייזר שמודד מרחק של נקודה מסויימת), מכמים ועוד.
    כל דבר ממשי בסביבת הנהיגה צריך להיות מסומלץ ברמה שהרכב הספציפי יקבל את המידעים שלו מכל אחד מחושיו. לדוגמא השתקפות משלולית מים בכביש, איך המצלמה רואה קופסת קרטון על הכביש וכו.
    בלי ייצוג של כל אלו אין סימולציה.
    אחרכך יש צורך לבנות סביבות מאתגרות לרכב. אין משמעות שהוא יסע כשסביבו תנועה רגילה, כי אז עד שיקרה משהו חשוב שמאתגר את הרכב יקח הרבה זמן.
    יש לבנות scenarios בהם קורים דברים מעניינים וזו אומנות בפני עצמה, שדברים כמו AI לא ממש מסוגלים לה כרגע.

כתיבת תגובה

האימייל לא יוצג באתר.

דילוג לתוכן