Confronto dell'output del sistema di mappatura online con e senza decadimento della mappa in una situazione di sorpasso. Le immagini nelle figure (a) e (b) mostrano una visualizzazione 3D del sorpasso. In queste immagini, i punti blu rappresentano i punti delle letture Velodyne e le caselle rosse rappresentano le celle con alta probabilità di occupazione. Le restanti immagini (figure da (c) a (h)) mostrano la mappa online di IARA nella stessa situazione (diversa da (a) e (b), le regioni blu nella mappa sono celle non toccate dai sensori). Se non viene utilizzato il decadimento della mappa, le celle a sinistra dell'auto (rettangolo rosso) sono contrassegnate come ostacoli e non vengono liberate nuovamente perché cadono in un punto cieco del sensore (vedi figure (c), (e) e (g)). Se viene impiegato il decadimento della mappa, le celle contrassegnate come ostacoli svaniscono lentamente mentre decadono ai valori della mappa offline (vedi figure (d), (F), e (h)). Credito:De Souza et al.
Ricercatori del Laboratório de Computação de Alto Desempenho (LCAD) dell'Universidade Federal do Espírito Santo (UFES), in Brasile, hanno ideato una nuova strategia per correggere le imperfezioni nelle mappe della griglia di occupazione correggendo le probabilità di occupazione non valide delle celle della mappa che non sono osservabili dai sensori. Questa nuova tecnica, chiamato decadimento della mappa, si ispira all'attuale conoscenza empirica dell'architettura della memoria del cervello umano.
"L'obiettivo a lungo termine del nostro team di ricerca al LCAD è capire come funziona il cervello umano, "Alberto Ferreira De Souza, uno dei ricercatori che ha condotto lo studio, ha detto a TechXplore. "E' un obiettivo molto ambizioso, Lo so, quindi per affrontarlo, abbiamo fatto ciò che è normale nella scienza. Questo è, abbiamo immaginato di comprendere il cervello come una serie di pietre miliari e abbiamo iniziato con il primo. Nel nostro caso, era cercare di capire la cognizione visiva, la nostra capacità di comprendere il mondo e le idee sul mondo usando il nostro senso della visione".
Questo ambizioso progetto di ricerca è iniziato circa 15 anni fa, inizialmente con l'utilizzo di immagini statiche e poi con quelle dinamiche riprese da telecamere posizionate su robot mobili. Dopo, i ricercatori hanno iniziato a studiare le auto a guida autonoma e alla fine hanno costruito le proprie, denominata IARA (Automobile Robotica Intelligente).
"In questo lavoro, abbiamo cercato ispirazione nel cervello per proporre miglioramenti negli algoritmi esistenti coinvolti nella gestione delle mappe delle auto a guida autonoma, Ha detto De Souza. “Il cervello e le sue funzioni sono state analizzate dal punto di vista della psicologia cognitiva; in particolare, i processi cognitivi legati alla memoria nei suoi diversi livelli:memoria sensoriale, memoria a breve termine (o memoria di lavoro), e la memoria a lungo termine".
Gli esseri umani sono in grado di immagazzinare informazioni nella loro memoria e di richiamarle nei momenti di bisogno. Questa capacità fondamentale consente l'esecuzione di procedure fisiche e il perseguimento di obiettivi a lungo termine. Importante quanto ricordare le cose del passato, però, è la capacità di dimenticare informazioni irrilevanti, focalizzare l'attenzione su ciò che può contribuire alla risoluzione di compiti o problemi presenti.
"Abbiamo analizzato le somiglianze tra l'architettura della memoria visiva che si ritiene esista nel cervello umano e il processo di creazione di mappe nelle auto a guida autonoma, " Ha detto De Souza. "Ispirato da queste somiglianze, abbiamo proposto una nuova strategia per rimuovere il rumore online dalle mappe della griglia di occupazione, che abbiamo chiamato decadimento della mappa."
Il decadimento della mappa funziona fondendo le informazioni sensoriali ottenute durante il runtime (cioè quando un sistema è online) con i dati precedenti di una mappa ad alta precisione costruita offline. I dati online o offline vengono enfatizzati a seconda che le celle della mappa siano osservate o meno dai sensori.
"Le celle osservate dai sensori vengono aggiornate utilizzando le tradizionali tecniche di mappatura della griglia di occupazione, " Ha spiegato De Souza. "Le celle che non vengono osservate vengono regolate in modo che le loro probabilità di occupazione tendano ai valori trovati nella mappa offline. L'effetto di questa regolazione è un apparente sbiadimento, o decadenza, di informazioni online in regioni non osservabili della mappa, mentre le informazioni offline ad alta precisione vengono conservate."
L'idea alla base di questa strategia è che l'informazione più precisa disponibile su una cella di mappa non osservabile è il valore trovato nella mappa offline ad alta precisione. L'UFES ha applicato il decadimento delle mappe al suo veicolo autonomo IARA e i test iniziali hanno prodotto risultati molto promettenti.
"Il decadimento della mappa rimuove le imperfezioni dalle mappe della griglia di occupazione online, " De Souza ha detto. "Queste imperfezioni hanno diverse cause. Per esempio, quando un oggetto dinamico attraversa le celle di una mappa, le loro probabilità di occupazione sono aumentate. A causa del movimento dell'auto a guida autonoma, queste cellule non possono più essere osservate, portando a una traccia nella mappa che non viene cancellata."
Souza ha spiegato che lo stesso problema può verificarsi anche quando viene rilevato un falso ostacolo, a causa di un errore naturale del sensore. Se le cellule non vengono più osservate, sia perché il robot è in movimento o perché queste cellule si trovano all'interno di un punto cieco sensoriale, la probabilità di occupazione non sarà corretta.
Il decadimento della mappa rimuove efficacemente queste imperfezioni, utilizzando strategie che rispecchiano i processi della memoria umana. Proprio come il cervello umano, rilascia informazioni non più necessarie e dà senso a dati sensoriali incompleti riempiendoli di conoscenze a lungo termine, che è memorizzato nella mappa offline precisa.
"Cerchiamo sempre di implementare una soluzione all'avanguardia a un problema e poi di re-implementarla utilizzando le reti neurali, il nostro paradigma preferito per emulare il cervello, " De Souza ha detto. "Come lavoro futuro, studieremo come implementare l'intero processo di mappatura, compreso il decadimento della mappa, utilizzando reti neurali profonde".
© 2018 Tech Xplore