مکاترونیک نیوز | هوش مصنوعی به خودروهای خودران کمک می‌کند تا از حافظه خود یاد بگیرند

یک خودرو خودران قادر است با استفاده از هوش مصنوعی برای شناسایی عابران پیاده، خودروهای دیگر و موانع احتمالی، در خیابان‌های شهر و سایر مناطق کمتر شلوغ حرکت کند.

برای انجام این کار از شبکه‌های عصبی مصنوعی آموزش دیده برای «دیدن» محیط اطراف خودرو و تقلید از سیستم ادراک بصری انسان استفاده می‌شود.

برخلاف انسان‌ها، خودروهای خودران که از شبکه‌های عصبی مصنوعی استفاده می‌کنند، هیچ خاطره‌ای از گذشته ندارند و به این صورت هستند که همیشه برای اولین بار در حالتی هستند که گویا نخستین بار دنیا را تجربه می‌کنند. بنابراین مهم نیست قبلاً چند بار مسیر خاصی را طی کرده‌اند. این امر به ویژه زمانی مشکل‌ساز می‌شود که خودرو نتواند با خیال راحت به سنسورهای خود در آب و هوای نامساعد تکیه کند.

کیلیان واینبرگر، نویسنده و استاد ارشد مطالعه، علوم کامپیوتر، کالج کامپیوتر و علوم اطلاعات بورز، دانشگاه کرنل می‌گوید:

«سوال اساسی این است که آیا می‌توانیم از پیمایش‌های مکرر درس بگیریم؟ برای مثال یک خودرو ممکن است در اولین باری که اسکنر لیزری آن را از دور تشخیص می‌دهد، درختی با شکل عجیب و غریب را با یک عابر پیاده اشتباه بگیرد، اما زمانی که به اندازه کافی نزدیک شود، دسته‌بندی اشیا مشخص می‌شود. بنابراین بار دوم که از کنار همان درخت رد می‌شوید، حتی در مه یا برف، امیدوارید که ماشین اکنون یاد گرفته باشد که آن را به درستی تشخیص دهد.»

در ادامه کیتی لو، دانشجوی دکترا در تیم تحقیقاتی و یکی از نویسندگان این مطالعه افزود: «در واقعیت، به ندرت برای اولین بار یک مسیر را رانندگی می‌کنید. یا خودتان یا شخص دیگری قبلاً اخیراً آن را رانندگی کرده‌اید، بنابراین جمع‌آوری آن تجربه و استفاده از آن کاملاً طبیعی به نظر می رسد.»

مجموعه داده‌ای با راندن خودرویی مجهز به حسگر (تشخیص نور و محدوده) به طور مکرر در یک حلقه 15 کیلومتری عمدتاً در اطراف ایتاکا، 40 بار در یک دوره 18 ماهه ایجاد شد. این کار توسط تیمی به سرپرستی دانشجوی دکترا کارلوس دیاز ـ روئیز انجام شد.

مجموعه داده حاصل که توسط این گروه شناخته می‌شود و تمرکز یکی از دو مطالعه دیگر است، بیش از 600.000 صحنه دارد.

کارلوس دیاز ـ روئیز، یکی از نویسندگان مطالعه و دانشجوی دکترا، دانشگاه کرنل می‌گوید:

«این فرایند یکی از چالش‌های کلیدی (مانند شرایط آب و هوایی بد) در خودروهای خودران را نشان می‌دهد. اگر خیابان پوشیده از برف باشد، انسان‌ها می‌توانند به خاطرات تکیه کنند؛ اما بدون خاطرات، یک شبکه عصبی به شدت آسیب می‌بیند.»

تاثیر هوش مصنوعی بر یادگیری خودروهای خودران

در این روش خودروهای خودران توصیف گرهای اشیا را زمانی که خودرو آنها را با استفاده از شبکه‌های عصبی ارسال می‌کند، آنها را محاسبه خواهد کرد. این توصیف‌ها که گروه آنها را ویژگی‌های «تاریخچه پراکنده فضایی کوانتیزه‌شده» نامیده‌اند، فشرده شده و بر روی یک نقشه دیجیتالی ذخیره می‌شوند، مانند مغز انسان که دارای «حافظه» است و عملکرد شبیه آن خواهد داشت.

ممکن است خودروی خودران با جستجو در پایگاه داده در نزدیکی تمام نقاط در طول مسیر، آنچه دفعه قبل در همان منطقه آموخته است، به خاطر بیاورد. پایگاه داده در بین خودروها به اشتراک گذاشته و به طور منظم به روز می‌شود و داده‌هایی را که ممکن است برای شناسایی استفاده شود، افزایش می‌دهد.

این اطلاعات را می توان به عنوان ویژگی به هر آشکارساز شیء سه بعدی اضافه کرد. هر دو آشکارساز و نمایش می توانند به طور مشترک بدون هیچ نظارت اضافی یا حاشیه نویسی انسانی که زمان و کار زیادی دارد آموزش ببینند.

تشخیص اشیای متحرک با زودگذر بودن و خودآموزی، حتی فراتر از است که همچنان فرض می‌کند که شبکه عصبی مصنوعی قبلاً برای تشخیص چیزها آموزش دیده است و آن را با ظرفیت ایجاد خاطرات تقویت می‌کند.

دانشمندان و محققان این حوزه در این مورد به خودرو اجازه دادند تا خط لوله ادراکی را به طور کامل از ابتدا یاد بگیرد. شبکه عصبی مصنوعی روی ماشین در ابتدا هرگز در معرض هیچ خیابان یا اشیای قرار نگرفت. بنابراین با پیمودن مکرر یک مسیر می‌تواند کشف کند که کدام عناصر محیط ساکن هستند و کدام یک در حال حرکت هستند. به تدریج می آموزد که سایر شرکت کنندگان در ترافیک چه هستند و ممکن است چه مواردی با خیال راحت نادیده گرفته شود.

همچنین حتی در جاده‌هایی که در اولین پیمایش‌های مکرر گنجانده نشده‌اند، سیستم می‌تواند این موارد را با اطمینان تشخیص دهد.

محققان بر این باورند که احتمال دارد این استراتژی‌ها هزینه‌های توسعه خودروهای خودران را به‌طور قابل‌توجهی کاهش دهد (هنوز هم عمدتاً به داده‌های گران‌قیمت مشروح‌شده توسط انسان متکی هستند) و کارایی چنین وسایل نقلیه‌ای را با آموزش مسیریابی در مناطقی که بیشتر از آنها استفاده می‌شود، افزایش می‌دهد.

کمک‌های مالی از بنیاد ملی علوم، دفتر تحقیقات دریایی و شرکت تحقیقاتی نیمه هادی به تأمین مالی این تحقیق برای هر سه مقاله کمک کردند.

خبرنگار: محمد آموت سر

منبع خبر: www.azorobotics.com