Виртуальная автошкола научит автономные машины не путать сигналы светофора
Учёные из Центра компьютерного зрения в Барселоне (Centre Visió per Computador) хотят исправить ситуацию с помощью Синтии (Synthia) – виртуального города-симулятора. Он поможет обучить вождению автономные машины, чтобы те смогли распознавать всевозможные препятствия и имели возможность сориентироваться в любой дорожной ситуации, даже в ливень или серьёзный снегопад.
Герман Рос (German Ros) и его коллеги из испанского центра использовали популярный игровой движок Unity, чтобы создать реалистичный симулятор не только города, но и его окрестностей. В "комплект" входят пешеходы, велосипедисты, и даже автобусы, припаркованные не по правилам, а также сложные погодные условия – дождь, снег и другие сезонные катаклизмы. Одним словом Синтия "знает" всё, чем богата настоящая жизнь.
Исследователи затем внедрили в симулятор виртуальный автомобиль, выбрали определённое положение и ориентацию камеры автопилота машины и позволили ей колесить по виртуальному миру.
Программное обеспечение автономного автомобиля, которое проходит такую "проверку боем", получает огромную коллекцию фотографий и видео различных ситуаций, которые характерны для настоящей жизни. И именно эту базу изображений испанские инженеры и назвали "Синтией", или SYNThetic collection of Imagery and Annotations of urban scenario. Название системы можно перевести на русский язык как "коллекция искусственных изображений и маркеров городских ситуаций".
Причём здесь маркеры? Дело в том, что искусственный интеллект не может распознавать общую картину как человеческий мозг. Ему нужны некие привязки.
Поясним. В настоящей время ключевым элементом управления автономных автомобилей являются нейронные сети. Они "тренируются" на огромных базах данных реальных изображений и видео, чтобы научиться безошибочно распознавать различные классы объектов – автомобили, пешеходов, дорожные знаки и так далее.
Программное обеспечение в дальнейшем в реальных обстоятельствах, используя картинку с камер и различных датчиков, "вспоминает" прошлый опыт и решает, какова дорожная ситуация: стоит ли ехать дальше, нужно ли включить указатель поворота и перестроиться или же и вовсе притормозить.
Автономные автомобили сегодня собирают множество данных о распространённых ситуациях, например, о движении на шоссе (относительно лёгкое с точки зрения самоуправляемых машин). С бóльшим трудом программное обеспечение справляется с "из ряда вон выходящими ситуациями". Такие события случаются редко, скажем, при ДТП, но тогда очень важно быстро просчитать ситуацию на десять шагов вперёд (перебрать все возможные варианты из "опыта"), принять решение и соответственно отреагировать.
Такие ситуации очень опасны не только для неопытного водителя-человека, но и для автономных машин. Им сложно их предвидеть, а значит, сориентироваться, если они всё же случатся.
По этой причине изображения, используемые для обучения нейронных сетей, должны быть снабжены комментариями опытных водителей-людей. Соответственно, проставить их может только человек и только вручную. Иными словами, оператор должен тщательно изучить каждую конкретную ситуацию на дороге и промаркировать различные её элементы. Необходимо отделить дорогу от тротуара, пешехода от другого объекта, для того чтобы программное обеспечение "поняло" реальную ситуацию и собрало необходимые для принятия решения данные.
Именно так действовали специалисты автоконцерна Daimler, работавшие в связке с проектом CityScapes: их сотрудники вручную промаркировали более 20 тысяч изображений и разделили встречающиеся на них предметы на более чем 30 различных категорий.
Сотрудники другой компании Mobileye, которая предоставляет программное обеспечение, используемое автопилотной системой Tesla, в настоящее время также вручную маркируют изображения, снабжая их комментариями. В работе участвуют более 600 человек.
Очевидно, это довольно дорогой способ решения проблемы. Но, что ещё хуже, даже такой подход не поможет в некоторых редких случаях (автономный автомобиль, в отличие от человека, не имеет права на ошибку).
Но испанские учёные, кажется, нашли более простой способ грамотно маркировать изображения, а главное научить автономные машины правильному передвижению даже в непредвиденных обстоятельствах. Для этого, по их мнению, нужно задействовать их виртуальную автошколу, в которой может случиться всякое.
Полученные в ходе обучения данные помогут программному обеспечению тратить меньше времени на распознавание некоторых ситуаций и объектов на дороге.
"Автономные машины уже неплохо различают некоторые объекты – пешеходов или транспортные средства. Однако границы тротуаров и распознавание сигналов светофора даётся им всё ещё с трудом", — говорит Рос. По его словам, благодаря "Синтии" другие учёные, работающие над обучением беспилотных автомобилей, смогут создать достаточное количество непредвиденных ситуаций, чтобы минимизировать риски попадания машин такого рода в ДТП в реальной жизни.
Отмечается, что испанские исследователи собрали более 231 тысячи виртуальных изображений и видео и стремятся обучить нейронные сети безопасному вождению на сочетании реальных (полученных при реальных обстоятельствах), а также виртуальных изображений (собранных в виртуальной автошколе). По их мнению, это позволит улучшить возможности распознавания в дальнейшем.
Учёные выпускают все данные, собранные "Синтией", под общественной лицензией для некоммерческого использования. Они хотят получить обратную связь от коллег со всего мира, чтобы продолжить совершенствовать свою платформу.
Добавим, что ранее "Вести.Наука" рассказывали о том, что скоро автономные автомобили смогут даже поболтать с пассажирами во время поездки.