Potrebbe esserci un modo migliore per i veicoli autonomi per imparare a guidare da soli:osservando gli umani. Con l'aiuto di un sistema di correzione della vista migliorato, le auto a guida autonoma potrebbero imparare semplicemente osservando gli operatori umani che completano lo stesso compito.
I ricercatori della Deakin University in Australia hanno pubblicato i loro risultati in IEEE/CAA Journal of Automatica Sinica , una pubblicazione congiunta dell'Institute of Electrical and Electronics Engineers (IEEE) e dell'Associazione cinese di automazione.
Il team ha implementato l'apprendimento per imitazione, chiamato anche apprendimento dalla dimostrazione. Un operatore umano guida un veicolo dotato di tre telecamere, osservando l'ambiente dalla parte anteriore e da ciascun lato dell'auto. I dati vengono quindi elaborati attraverso una rete neurale, un sistema informatico basato su come i neuroni del cervello interagiscono per elaborare le informazioni, che consente ai veicoli di prendere decisioni in base a ciò che hanno appreso osservando l'essere umano prendere decisioni simili.
"L'aspettativa di questo processo è di generare un modello esclusivamente dalle immagini riprese dalle telecamere, " ha detto l'autore della carta Saeid Nahavandi, Professore Alfred Deakin, pro vicerettore, presidente di ingegneria e direttore dell'Istituto per la ricerca e l'innovazione sui sistemi intelligenti presso la Deakin University. "Il modello generato dovrebbe quindi guidare l'auto autonomamente".
Il sistema di elaborazione è specificamente una rete neurale convoluzionale, che si riflette sulla corteccia visiva del cervello. La rete ha un livello di input, un livello di output e qualsiasi numero di livelli di elaborazione tra di loro. L'input traduce le informazioni visive in punti, che vengono poi confrontati continuamente man mano che arrivano più informazioni visive. Riducendo le informazioni visive, la rete può elaborare rapidamente i cambiamenti nell'ambiente:uno spostamento di punti che appaiono davanti potrebbe indicare un ostacolo sulla strada. Questo, combinato con la conoscenza acquisita dall'osservazione dell'operatore umano, significa che l'algoritmo sa che un ostacolo improvviso sulla strada dovrebbe indurre il veicolo a fermarsi completamente per evitare un incidente.
"Avere una visione affidabile e robusta è un requisito obbligatorio nei veicoli autonomi, e le reti neurali convoluzionali sono una delle reti neurali profonde di maggior successo per le applicazioni di elaborazione delle immagini, " Ha detto Nahavandi.
Ha notato un paio di inconvenienti, però. Uno è che l'apprendimento per imitazione accelera il processo di addestramento riducendo la quantità di dati di addestramento necessari per produrre un buon modello. In contrasto, le reti neurali convoluzionali richiedono una quantità significativa di dati di addestramento per trovare una configurazione ottimale di livelli e filtri, che può aiutare a organizzare i dati, e produce un modello opportunamente generato in grado di guidare un veicolo autonomo.
"Per esempio, abbiamo scoperto che l'aumento del numero di filtri non si traduce necessariamente in prestazioni migliori, " Ha detto Nahavandi. "La selezione ottimale dei parametri della rete e della procedura di formazione è ancora una questione aperta che i ricercatori stanno attivamente studiando in tutto il mondo". i ricercatori intendono studiare tecniche più intelligenti ed efficienti, inclusi algoritmi genetici ed evolutivi per ottenere il set ottimale di parametri per produrre al meglio un autoapprendimento, veicolo a guida autonoma.
