Pode haver uma maneira melhor para os veículos autônomos aprenderem a dirigir a si mesmos:observando os humanos. Com a ajuda de um sistema de correção visual aprimorado, carros autônomos poderiam aprender apenas observando operadores humanos completando a mesma tarefa.
Pesquisadores da Deakin University na Austrália publicaram seus resultados em IEEE / CAA Journal of Automatica Sinica , uma publicação conjunta do Instituto de Engenheiros Elétricos e Eletrônicos (IEEE) e da Associação Chinesa de Automação.
A equipe implementou o aprendizado de imitação, também chamado de aprendizado por demonstração. Um operador humano dirige um veículo equipado com três câmeras, observando o ambiente de frente e de cada lado do carro. Os dados são então processados por meio de uma rede neural - um sistema de computador baseado em como os neurônios do cérebro interagem para processar informações - que permite que os veículos tomem decisões com base no que aprenderam ao observar o humano tomar decisões semelhantes.
“A expectativa desse processo é gerar um modelo apenas a partir das imagens captadas pelas câmeras, "disse o autor do artigo Saeid Nahavandi, Professor Alfred Deakin, Vice-chanceler, presidente de engenharia e diretor do Instituto de Pesquisa e Inovação de Sistemas Inteligentes da Deakin University. "Espera-se então que o modelo gerado conduza o carro de forma autônoma."
O sistema de processamento é especificamente uma rede neural convolucional, que é espelhado no córtex visual do cérebro. A rede tem uma camada de entrada, uma camada de saída e qualquer número de camadas de processamento entre elas. A entrada traduz as informações visuais em pontos, que são comparados continuamente à medida que mais informações visuais chegam. Ao reduzir as informações visuais, a rede pode processar rapidamente mudanças no ambiente:uma mudança de pontos aparecendo à frente pode indicar um obstáculo na estrada. Esse, combinado com o conhecimento adquirido com a observação do operador humano, significa que o algoritmo sabe que um obstáculo repentino na estrada deve fazer com que o veículo pare totalmente para evitar um acidente.
“Ter uma visão confiável e robusta é um requisito obrigatório em veículos autônomos, e as redes neurais convolucionais são uma das redes neurais profundas de maior sucesso para aplicações de processamento de imagens, "Nahavandi disse.
Ele notou algumas desvantagens, Contudo. Uma delas é que o aprendizado por imitação acelera o processo de treinamento enquanto reduz a quantidade de dados de treinamento necessários para produzir um bom modelo. Em contraste, redes neurais convolucionais requerem uma quantidade significativa de dados de treinamento para encontrar uma configuração ideal de camadas e filtros, que pode ajudar a organizar os dados, e produz um modelo gerado adequadamente, capaz de conduzir um veículo autônomo.
"Por exemplo, descobrimos que aumentar o número de filtros não resulta necessariamente em um melhor desempenho, "Nahavandi disse." A seleção ideal de parâmetros da rede e procedimento de treinamento ainda é uma questão em aberto que os pesquisadores estão investigando ativamente em todo o mundo. " os pesquisadores pretendem estudar técnicas mais inteligentes e eficientes, incluindo algoritmos genéticos e evolutivos para obter o conjunto ideal de parâmetros para melhor produzir uma autoaprendizagem, veículo autônomo.
