synthia press

Несмотря на многочисленные разговоры о преимуществах самоуправляемых автомобилей, многие из них всё ещё довольно "безграмотны" во многих вопросах, с которыми люди справляются с лёгкостью. Например, такие машины не всегда способны распознать, где заканчивается проезжая часть и начинается тротуар, или понять сигналы светофора. Не так давно даже произошло первое ДТП по вине "гугломобиля".

Учёные из Центра компьютерного зрения в Барселоне (Centre VisiЈ 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 бЈльшим 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.

Источник: vk.com

Комментарии: