Разработана комплексная система обучения имитации для управления скоростью автономных транспортных средств

Прочитано: 134 раз(а)
1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (Оценок пока нет)
Loading ... Loading ...


Исследователи из Valeo, технологической компании, специализирующейся на автомобильных инновациях, недавно разработали комплексную систему обучения имитации для управления скоростью автомобиля. Их подход, изложенный в статье, предварительно опубликованной на arXiv , использует нейронную сеть с длинной кратковременной памятью (LSTM), тип рекуррентной нейронной сети (RNN), которая может изучать долгосрочные зависимости.

Разработана комплексная система обучения имитации для управления скоростью автономных транспортных средств

Исследователи из Valeo, технологической компании, специализирующейся на автомобильных инновациях, недавно разработали комплексную систему обучения имитации для управления скоростью автомобиля. Их подход, изложенный в статье, предварительно опубликованной на arXiv , использует нейронную сеть с длинной кратковременной памятью (LSTM), тип рекуррентной нейронной сети (RNN), которая может изучать долгосрочные зависимости.

«Valeo является мировым лидером в области датчиков, ушей и глаз автономных автомобилей, и уже достиг нескольких первых мировых результатов, таких как недавние эксперименты с нашим автомобилем Valeo Drive4U, первым автономным автомобилем, продемонстрированным на улицах Парижа ». Эмили Вирбель, один из исследователей, проводивших исследование, рассказала TechXplore. «Моя команда и я работаем в одном из 56 научно-исследовательских центров компании, исследуя возможности глубокого обучения для достижения лучшего решения и контроля над автономными автомобилями. Цель этого исследования состояла в том, чтобы доказать, что можно справляться со сложными ситуациями с этим можно столкнуться в городских условиях , используя только камеры и изучая, что может сделать человек-водитель «.


Новая система, разработанная Вирбель и ее коллегами, использует искусственную нейронную сеть (ANN), основанную на методах глубокого обучения. Сеть питается демонстрациями человека, управляющего автомобилем, которые взяты с фронтальной камеры и, следовательно, очень похожи на то, что человек видел во время вождения.

Затем нейронная сеть обучается имитировать действия водителя, в частности, фокусируясь на воспроизведении текущей скорости автомобиля. Например, когда входное изображение содержит панель ограничения скорости 50 км / ч, сеть гарантирует, что автомобиль не будет двигаться быстрее 50 км / ч.

Автономные транспортные средства

«Когда перед нами другая машина, водитель-водитель соответственно замедлится, и сеть должна научиться делать то же самое», — объяснил Вирбель. «Наш подход пытается воспроизвести то, как человек учится и водит. Сеть получает информацию только с фронтальной камеры и не нуждается в явном восприятии, например, связанном со светофорами или полосами движения, так же, как у человека-водителя нет явная модель того, где именно находятся линии и какова их форма ».

После обучения своей нейронной сети Вирбель и ее коллеги протестировали ее в среде моделирования, а затем интегрировали в реальный автомобиль, оценивая ее производительность на сложной испытательной трассе. Они обнаружили, что их система эффективно реагировала на сложные ситуации, контролируя скорость автомобиля там, где это необходимо (например, замедление движения на конусах и крутых поворотах, остановка на барьерах и при приближении к предупредительным знакам и т.д.).

«Наше исследование доказывает, что сложные ситуации, такие как рабочие зоны, неожиданные препятствия и т. Д., Можно разрешить, просто наблюдая за тем, что будет делать человек, а затем воспроизводя его в новых, похожих ситуациях», — сказал Вирбель. «Это означает, что, пока у нас достаточно демонстрационных данных, мы можем обрабатывать случаи использования, с которыми разумно справятся водители-люди. Это может использоваться в сложных ситуациях взаимодействия в сочетании с более классическими подходами, чтобы транспортное средство могло реагировать последовательно и ловко. »

Система, разработанная Вирбель и ее коллегами, достигла многообещающих результатов и вскоре может быть применена к автономным транспортным средствам, что приведет к более эффективному контролю скорости и более интуитивному вождению. Исследователи планируют распространить свои доказательства концепции на более сложные ситуации, обучая свою систему обрабатывать более широкий спектр взаимодействий с другими транспортными средствами на дороге, а также добавляя более сложные маневры, такие как смена полос движения, поворот на перекрестках или навигационные карусели.

«Мы также хотели бы поработать над объяснимостью и совместимостью системы с существующими автономными транспортными средствами, предоставляя конечному пользователю объяснение того, как сеть воспринимает свою среду и почему она принимает свои решения», — добавил Вирбель. «План исследований очень широк, поэтому мы участвуем и участвуем в крупных научных конференциях, чтобы быть в курсе последних достижений в этой области. Наша роль в качестве команды R & D также заключается в том, чтобы предоставить остальной части Valeo право ключи и опыт, чтобы приблизить наши доказательства концепции к производству. »

дополненная реальность в автономном автомобиле



Новости партнеров

Загрузка...