Dataset inovatif untuk mempercepat penelitian penggerak otonom
Auto

Dataset inovatif untuk mempercepat penelitian penggerak otonom


Contoh bingkai dari kumpulan data video beranotasi MIT AgeLab. Kredit: Li Ding, Jack Terwilliger, Rini Sherony, Bryan Reimer, dan Lex Fridman

Bagaimana kita bisa melatih kendaraan yang bisa mengemudi sendiri untuk memiliki kesadaran yang lebih dalam tentang dunia di sekitar mereka? Dapatkah komputer belajar dari pengalaman masa lalu untuk mengenali pola masa depan yang dapat membantu mereka dengan aman menavigasi situasi baru dan tak terduga?

Ini adalah beberapa pertanyaan yang coba dijawab oleh para peneliti dari AgeLab di MIT Center for Transportation and Logistics dan Toyota Collaborative Safety Research Center (CSRC) dengan membagikan kumpulan data terbuka baru yang inovatif yang disebut DriveSeg.

Melalui peluncuran DriveSeg, MIT dan Toyota bekerja untuk memajukan penelitian dalam sistem penggerak otonom yang, seperti persepsi manusia, memandang lingkungan mengemudi sebagai aliran informasi visual yang berkelanjutan.

“Dalam berbagi kumpulan data ini, kami berharap dapat mendorong para peneliti, industri, dan inovator lainnya untuk mengembangkan wawasan dan arah baru ke dalam pemodelan AI temporal yang memungkinkan generasi berikutnya dari teknologi keselamatan otomotif dan mengemudi yang dibantu,” kata Bryan Reimer, peneliti utama. “Hubungan kerja lama kami dengan Toyota CSRC telah memungkinkan upaya penelitian kami untuk memengaruhi teknologi keselamatan masa depan.”

“Kekuatan prediksi adalah bagian penting dari kecerdasan manusia,” kata Rini Sherony, insinyur senior CSRC Toyota. “Setiap kali kami mengemudi, kami selalu melacak pergerakan lingkungan di sekitar kami untuk mengidentifikasi potensi risiko dan membuat keputusan yang lebih aman. Dengan membagikan kumpulan data ini, kami berharap dapat mempercepat penelitian tentang sistem penggerak otonom dan fitur keselamatan canggih yang lebih selaras dengan kompleksitas lingkungan di sekitar mereka. “

Hingga saat ini, data mengemudi sendiri yang tersedia untuk komunitas penelitian terutama terdiri dari kumpulan gambar statis dan tunggal yang dapat digunakan untuk mengidentifikasi dan melacak objek umum yang ditemukan di dalam dan sekitar jalan, seperti sepeda, pejalan kaki, atau lampu lalu lintas, melalui penggunaan “kotak pembatas”. Sebaliknya, DriveSeg berisi representasi tingkat piksel yang lebih tepat dari banyak objek jalan umum yang sama ini, tetapi melalui lensa adegan berkendara video berkelanjutan. Jenis segmentasi pemandangan penuh ini dapat sangat membantu untuk mengidentifikasi objek yang lebih amorf — seperti konstruksi jalan dan vegetasi — yang tidak selalu memiliki bentuk yang jelas dan seragam.

Menurut Sherony, persepsi adegan mengemudi berbasis video memberikan aliran data yang lebih menyerupai situasi mengemudi dunia nyata yang dinamis. Ini juga memungkinkan para peneliti untuk mengeksplorasi pola data saat mereka bermain dari waktu ke waktu, yang dapat mengarah pada kemajuan dalam pembelajaran mesin, pemahaman adegan, dan prediksi perilaku.

DriveSeg tersedia secara gratis dan dapat digunakan oleh peneliti dan komunitas akademis untuk tujuan non-komersial di tautan di bawah ini. Data tersebut terdiri dari dua bagian. DriveSeg (manual) adalah video resolusi tinggi berdurasi 2 menit 47 detik yang diambil selama perjalanan siang hari di sekitar jalanan Cambridge, Massachusetts yang sibuk. 5.000 bingkai video dianotasi secara manual dengan label manusia per piksel dari 12 kelas objek jalan.

DriveSeg (Semi-auto) adalah 20.100 bingkai video (67 klip video 10 detik) yang diambil dari data Konsorsium MIT Advanced Vehicle Technologies (AVT). DriveSeg (Semi-otomatis) diberi label dengan anotasi semantik berdasarkan piksel yang sama dengan DriveSeg (manual), kecuali anotasi diselesaikan melalui pendekatan anotasi semi-otomatis baru yang dikembangkan oleh MIT. Pendekatan ini memanfaatkan upaya manual dan komputasi untuk membuat anotasi kasar pada data secara lebih efisien dengan biaya yang lebih rendah daripada anotasi manual. Kumpulan data ini dibuat untuk menilai kelayakan membuat anotasi berbagai skenario mengemudi di dunia nyata dan menilai potensi sistem persepsi kendaraan pelatihan pada label piksel yang dibuat melalui sistem pelabelan berbasis AI.

Untuk mempelajari lebih lanjut tentang spesifikasi teknis dan kasus penggunaan yang diizinkan untuk data tersebut, kunjungi halaman set data DriveSeg.


Metode baru membuat lebih banyak data tersedia untuk melatih mobil yang bisa mengemudi sendiri


Informasi lebih lanjut:
agelab.mit.edu/driveseg

Disediakan oleh Massachusetts Institute of Technology

Kisah ini diterbitkan ulang atas izin MIT News (web.mit.edu/newsoffice/), situs populer yang meliput berita tentang penelitian, inovasi, dan pengajaran MIT.

Kutipan: Dataset inovatif untuk mempercepat penelitian mengemudi otonom (2020, 19 Juni) diambil pada 28 November 2020 dari https://techxplore.com/news/2020-06-dataset-autonomous.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : https://totohk.co/