211service.com
Los coches robot pueden aprender a conducir sin salir del garaje
Las computadoras que controlan los autos sin conductor están adquiriendo conocimientos valiosos sobre el mundo real de maneras sorprendentes, como navegar por mapas en línea y jugar videojuegos.
Investigadores de la Universidad de Princeton desarrollaron recientemente un sistema de mapeo y visión por computadora que reunió información útil sobre las propiedades físicas de las carreteras mediante el estudio Google Street View y comparar las escenas con la información proporcionada en los datos de mapeo de fuente abierta. Esto le permitió, por ejemplo, aprender dónde deberían estar los bordes de una intersección en función de las imágenes capturadas por los autos de mapeo de Google.
En un trabajo separado revelado el miércoles, investigadores de IA abierta , una organización sin fines de lucro enfocada en la investigación fundamental de IA, creó una forma de que los agentes de software aprendan estrategias de manejo al experimentar en el videojuego Grand Theft Auto V, a través de una plataforma conocida como Universe. Algunos videojuegos ahora son tan realistas visualmente que pueden permitir que una visión de computadora aprenda sobre el mundo real (consulte Los autos sin conductor pueden aprender mucho jugando Grand Theft Auto).
Los nuevos enfoques para entrenar automóviles autónomos pueden ayudar a democratizar la tecnología y hacerla más confiable. Los automóviles autónomos estuvieron en todas partes en el Consumer Electronics Show de este año en Las Vegas, y la tecnología está al frente en el centro del North American Auto Show en Detroit, que comenzó esta semana. Pero no todo el mundo tiene los recursos de Ford, Google o Uber, y los vehículos automatizados todavía tienen dificultades en muchas situaciones (consulte Lo que debe saber antes de subirse a un automóvil autónomo). Entonces, algunos investigadores están ideando formas creativas de recopilar datos y entrenar sistemas de conducción. Incluso hay esfuerzos para abrir el código fuente de la tecnología necesaria para la conducción automatizada.
Los investigadores de Princeton minaron Google Street View y OpenStreetMap por sus datos. Las características de la carretera en las imágenes de Google Street View a veces están ocluidas por un vehículo, alguien que cruza la carretera u otra cosa, por lo que el sistema tuvo que aprender a reconocer y luego descartar tales artefactos. Los investigadores probaron su sistema en nuevas imágenes y descubrieron que podía discernir las características de la carretera con bastante precisión. Dicen que podría ofrecer una forma de arrancar un sistema de conducción autónoma con algunos de los conocimientos básicos necesarios para navegar por carreteras normales. Los investigadores entrenaron su sistema usando 150,000 panoramas de Street View.
Su precisión debería mejorar a medida que crece el conjunto de datos de entrenamiento, dice Ari Seff , un estudiante graduado en Princeton que desarrolló el sistema con Jian Xiong Xiao , un profesor que recientemente dejó la universidad para fundar una startup automotriz llamada AutoX.ai.
La creación manual de mapas 3D de alta definición para la conducción autónoma es tediosa y costosa, dice John Leonard, profesor de CSAIL del MIT, que se especializa en mapeo y conducción automatizada. Si este proceso se puede automatizar utilizando redes profundas que operan en grandes bases de datos públicas, sería una gran victoria para la tecnología autónoma.
El enfoque también ofrece una forma de entrenar un sistema para que reconozca situaciones que un automóvil autónomo real solo puede encontrar en raras ocasiones, como una intersección muy compleja. Estos modelos podrían potencialmente usarse como parte de un sistema de respaldo en vehículos autónomos, corroborando la información proporcionada por mapas 3-D pre-escaneados. Sin embargo, aún no hemos probado esto en un vehículo real, dice Seff.
Los investigadores también sugieren que su sistema podría proporcionar una advertencia sobre la infraestructura vial; por ejemplo, si el sistema concluye que una calle parece ser de un solo sentido cuando no lo es, es posible que sea necesario actualizar la señalización. Las limitaciones son que el sistema no puede identificar objetos que no están identificados en un mapa, como peatones u otros vehículos, y no es lo suficientemente preciso para localizar un automóvil con mucha precisión.
Aprender esto de Google Street View es una buena idea, dice Craig Quiter, ingeniero de Otto, una empresa que fabrica camiones autónomos y que fue adquirida por Uber el año pasado. Los resultados no contienen lo suficiente para conducir un automóvil, pero definitivamente son útiles junto con otras percepciones como entrada para un planificador.
Quiter desarrolló Grand Theft Auto V mientras trabajaba como contratista para OpenAI el año pasado. El juego puede entrenar software para reconocer elementos del mundo real.
GTA V brinda a los investigadores acceso a un mundo rico y diverso para probar y desarrollar IA, escribe Quiter en una publicación de blog publicada por OpenAI. Su entorno isleño es casi una quinta parte del tamaño de Los Ángeles, lo que brinda acceso a una amplia gama de escenarios para probar los sistemas. Agregue a eso los 257 vehículos diferentes, los siete tipos de bicicletas y los 14 tipos de clima, y es posible explorar una gran cantidad de permutaciones usando un solo simulador.
A través de Universe, un agente también puede desarrollar una estrategia de conducción al experimentar dentro del juego y refinar su propio comportamiento a medida que logra ciertos objetivos, un enfoque conocido como aprendizaje por refuerzo (consulte Una nueva herramienta permite que la IA aprenda a hacer casi cualquier cosa en una computadora).
Quiter agregó en un correo electrónico que al liberar la tecnología requerida para la conducción automatizada, los investigadores y las empresas pueden democratizarla. Creo que ahora es mucho más fácil probar la IA de los automóviles autónomos, dice.