Com o objetivo de trazer um raciocínio mais humano aos veículos autônomos, Os pesquisadores do MIT criaram um sistema que usa apenas mapas simples e dados visuais para permitir que carros sem motorista naveguem em novas rotas, ambientes complexos.

Os motoristas humanos são excepcionalmente bons em percorrer estradas nas quais não dirigiram antes, usando observação e ferramentas simples. Simplesmente combinamos o que vemos ao nosso redor com o que vemos em nossos dispositivos GPS para determinar onde estamos e para onde precisamos ir. Carros sem motorista, Contudo, luta com este raciocínio básico. Em cada nova área, os carros devem primeiro mapear e analisar todas as novas estradas, o que consome muito tempo. Os sistemas também dependem de mapas complexos - geralmente gerados por varreduras 3-D - cuja geração e processamento são intensos em termos de computação.

Em um artigo apresentado na Conferência Internacional sobre Robótica e Automação desta semana, Os pesquisadores do MIT descrevem um sistema de controle autônomo que "aprende" os padrões de direção de motoristas humanos enquanto eles navegam em estradas em uma pequena área, usando apenas dados de feeds de câmeras de vídeo e um mapa simples como um GPS. Então, o sistema treinado pode controlar um carro sem motorista ao longo de uma rota planejada em uma área totalmente nova, imitando o motorista humano.

Da mesma forma que os motoristas humanos, o sistema também detecta qualquer incompatibilidade entre seu mapa e as características da estrada. Isso ajuda o sistema a determinar se sua posição, sensores, ou o mapeamento está incorreto, para corrigir o curso do carro.

Para treinar o sistema inicialmente, um operador humano controlava um Toyota Prius sem motorista - equipado com várias câmeras e um sistema de navegação GPS básico - coletando dados de ruas suburbanas locais, incluindo várias estruturas rodoviárias e obstáculos. Quando implantado de forma autônoma, o sistema navegou com sucesso o carro ao longo de um caminho pré-planejado em uma área de floresta diferente, designado para testes de veículos autônomos.

"Com nosso sistema, você não precisa treinar em todas as estradas de antemão, "diz o primeiro autor Alexander Amini, um estudante de pós-graduação do MIT. "Você pode baixar um novo mapa para o carro navegar por estradas que nunca viu antes."

“Nosso objetivo é alcançar uma navegação autônoma robusta para dirigir em novos ambientes, "acrescenta a co-autora Daniela Rus, diretor do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) e os Professores Andrew e Erna Viterbi de Engenharia Elétrica e Ciência da Computação. "Por exemplo, se treinarmos um veículo autônomo para dirigir em um ambiente urbano, como as ruas de Cambridge, o sistema também deve ser capaz de operar suavemente na floresta, mesmo que seja um ambiente que nunca viu antes. "

Juntando-se a Rus e Amini no papel estão Guy Rosman, um pesquisador do Toyota Research Institute, e Sertac Karaman, professor associado de aeronáutica e astronáutica no MIT.

Navegação ponto a ponto

Os sistemas de navegação tradicionais processam dados de sensores por meio de vários módulos personalizados para tarefas como localização, mapeamento, detecção de objetos, planejamento de movimento, e controle de direção. Por anos, O grupo de Rus tem desenvolvido sistemas de navegação "ponta a ponta", que processa dados sensoriais inseridos e comandos de direção de saída, sem a necessidade de quaisquer módulos especializados.

Até agora, Contudo, esses modelos foram estritamente projetados para seguir a estrada com segurança, sem nenhum destino real em mente. No novo jornal, os pesquisadores desenvolveram seu sistema de ponta a ponta para conduzir da meta ao destino, em um ambiente nunca antes visto. Para fazer isso, os pesquisadores treinaram seu sistema para prever uma distribuição de probabilidade completa sobre todos os comandos de direção possíveis a qualquer momento durante a condução.

O sistema usa um modelo de aprendizado de máquina chamado rede neural convolucional (CNN), comumente usado para reconhecimento de imagem. Durante o treinamento, o sistema observa e aprende a dirigir com um motorista humano. A CNN correlaciona as rotações do volante com as curvaturas da estrada que observa por meio de câmeras e um mapa inserido. Eventualmente, aprende o comando de direção mais provável para várias situações de direção, como estradas retas, interseções de quatro vias ou em forma de T, garfos, e rotativos.

"Inicialmente, em uma interseção em forma de T, há muitas direções diferentes em que o carro pode virar, "Rus diz." O modelo começa pensando em todas essas direções, mas à medida que vê mais e mais dados sobre o que as pessoas fazem, verá que algumas pessoas virarão à esquerda e outras à direita, mas ninguém vai direto. Em frente é descartada como uma direção possível, e o modelo aprende isso, em cruzamentos em forma de T, ele só pode se mover para a esquerda ou direita. "

O que o mapa diz?

Em teste, os pesquisadores inserem o sistema com um mapa com uma rota escolhida aleatoriamente. Ao dirigir, o sistema extrai recursos visuais da câmera, o que permite prever estruturas rodoviárias. Por exemplo, identifica um sinal de pare distante ou quebras de linha na lateral da estrada como sinais de um cruzamento próximo. A cada momento, ele usa sua distribuição de probabilidade prevista de comandos de direção para escolher o mais provável para seguir sua rota.

Mais importante, os pesquisadores dizem, o sistema usa mapas fáceis de armazenar e processar. Os sistemas de controle autônomo normalmente usam varreduras LIDAR para criar mapas complexos que levam cerca de 4, 000 gigabytes (4 terabytes) de dados para armazenar apenas a cidade de São Francisco. Para cada novo destino, o carro deve criar novos mapas, o que equivale a toneladas de processamento de dados. Mapas usados ​​pelo sistema dos pesquisadores, Contudo, captura o mundo inteiro usando apenas 40 gigabytes de dados.

Durante a direção autônoma, o sistema também combina continuamente seus dados visuais com os dados do mapa e observa qualquer incompatibilidade. Isso ajuda o veículo autônomo a determinar melhor onde está localizado na estrada. E garante que o carro permaneça no caminho mais seguro se estiver sendo alimentado por informações de entrada contraditórias:Se, dizer, o carro está rodando em uma estrada reta, sem curvas, e o GPS indica que o carro deve virar à direita, o carro saberá seguir em frente ou parar.

"No mundo real, sensores falham, "Amini diz." Queremos ter certeza de que o sistema é robusto para diferentes falhas de diferentes sensores, construindo um sistema que pode aceitar essas entradas ruidosas e ainda navegar e localizar-se corretamente na estrada. "