Sistem melatih mobil tanpa pengemudi dalam simulasi sebelum mereka menabrak jalan
Auto

Sistem melatih mobil tanpa pengemudi dalam simulasi sebelum mereka menabrak jalan


Sistem simulasi yang ditemukan di MIT untuk melatih mobil tanpa pengemudi menciptakan dunia fotorealistik dengan kemungkinan pengemudian yang tak terbatas, membantu mobil belajar menavigasi sejumlah skenario yang lebih buruk sebelum meluncur di jalanan yang sebenarnya. Kredit: Institut Teknologi Massachusetts

Sistem simulasi yang ditemukan di MIT untuk melatih mobil tanpa pengemudi menciptakan dunia fotorealistik dengan kemungkinan pengemudian yang tak terbatas, membantu mobil belajar menavigasi sejumlah skenario yang lebih buruk sebelum meluncur di jalanan yang sebenarnya.

Sistem kontrol, atau “pengontrol,” untuk kendaraan otonom sebagian besar bergantung pada kumpulan data dunia nyata dari lintasan mengemudi dari pengemudi manusia. Dari data ini, mereka belajar bagaimana meniru kontrol kemudi yang aman dalam berbagai situasi. Namun data dunia nyata dari “kasus tepi” yang berbahaya, seperti hampir menabrak atau dipaksa keluar dari jalan raya atau ke jalur lain, untungnya — jarang terjadi.

Beberapa program komputer, yang disebut “mesin simulasi”, bertujuan untuk meniru situasi ini dengan membuat jalan virtual terperinci untuk membantu melatih pengendali agar pulih. Tetapi kontrol yang dipelajari dari simulasi tidak pernah terbukti ditransfer ke kenyataan pada kendaraan skala penuh.

Para peneliti MIT mengatasi masalah tersebut dengan simulator fotorealistik mereka, yang disebut Virtual Image Synthesis and Transformation for Autonomy (VISTA). Ini hanya menggunakan kumpulan data kecil, yang ditangkap oleh manusia yang mengemudi di jalan, untuk mensintesiskan sudut pandang baru yang praktis tak terbatas dari lintasan yang dapat diambil kendaraan di dunia nyata. Pengontrol diberi penghargaan untuk jarak yang ditempuh tanpa menabrak, jadi ia harus belajar sendiri bagaimana mencapai tujuan dengan aman. Dengan melakukan itu, kendaraan belajar untuk menavigasi dengan aman situasi apa pun yang dihadapinya, termasuk mendapatkan kembali kendali setelah berbelok di antara jalur atau pulih dari hampir tabrakan.

Dalam pengujian, pengontrol yang dilatih dalam simulator VISTA dengan aman dapat ditempatkan dengan aman ke mobil tanpa pengemudi skala penuh dan untuk menavigasi melalui jalan yang sebelumnya tidak terlihat. Dalam memposisikan mobil pada orientasi off-road yang meniru berbagai situasi nyaris tabrakan, pengontrol juga berhasil mengembalikan mobil ke lintasan berkendara yang aman dalam beberapa detik. Makalah yang menjelaskan sistem telah diterbitkan di IEEE Robotics and Automation Letters dan akan dipresentasikan pada konferensi ICRA mendatang pada bulan Mei.

“Sulit untuk mengumpulkan data dalam kasus-kasus tepi yang tidak dialami manusia di jalan,” kata penulis pertama Alexander Amini, Ph.D. mahasiswa di Laboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL). “Dalam simulasi kami, bagaimanapun, sistem kontrol dapat mengalami situasi tersebut, belajar sendiri untuk pulih darinya, dan tetap kuat saat digunakan pada kendaraan di dunia nyata.”

Pekerjaan itu dilakukan bekerja sama dengan Toyota Research Institute. Bergabung dengan Amini di atas kertas adalah Igor Gilitschenski, seorang postdoc di CSAIL; Jacob Phillips, Julia Moseyko, dan Rohan Banerjee, semuanya sarjana di CSAIL dan Departemen Teknik Elektro dan Ilmu Komputer; Sertac Karaman, seorang profesor aeronautika dan astronautika; dan Daniela Rus, direktur CSAIL dan Profesor Teknik Elektro dan Ilmu Komputer Andrew dan Erna Viterbi.

Simulasi berbasis data

Secara historis, membangun mesin simulasi untuk melatih dan menguji kendaraan otonom sebagian besar merupakan tugas manual. Perusahaan dan universitas sering mempekerjakan tim seniman dan insinyur untuk membuat sketsa lingkungan virtual, dengan marka jalan yang akurat, jalur, dan bahkan detail dedaunan di pohon. Beberapa mesin juga dapat menggabungkan fisika interaksi mobil dengan lingkungannya, berdasarkan model matematika yang kompleks.

Tetapi karena ada begitu banyak hal berbeda yang perlu dipertimbangkan dalam lingkungan dunia nyata yang kompleks, praktis tidak mungkin untuk memasukkan semuanya ke dalam simulator. Oleh karena itu, biasanya ada ketidakcocokan antara apa yang dipelajari pengontrol dalam simulasi dan bagaimana mereka beroperasi di dunia nyata.

Sebagai gantinya, para peneliti MIT menciptakan apa yang mereka sebut mesin simulasi “berbasis data” yang mensintesis, dari data nyata, lintasan baru yang konsisten dengan tampilan jalan, serta jarak dan gerakan semua objek di tempat kejadian.

Pertama-tama mereka mengumpulkan data video dari seorang manusia yang mengemudi di beberapa jalan dan memasukkannya ke dalam mesin. Untuk setiap bingkai, mesin memproyeksikan setiap piksel ke dalam jenis awan titik 3-D. Kemudian, mereka menempatkan kendaraan virtual di dalam dunia itu. Saat kendaraan membuat perintah kemudi, mesin mensintesis lintasan baru melalui point cloud, berdasarkan kurva kemudi serta orientasi dan kecepatan kendaraan.

Kemudian, mesin menggunakan lintasan baru itu untuk membuat pemandangan fotorealistik. Untuk melakukannya, ini menggunakan jaringan saraf konvolusional — biasanya digunakan untuk tugas pemrosesan gambar — untuk memperkirakan peta kedalaman, yang berisi informasi yang berkaitan dengan jarak objek dari sudut pandang pengontrol. Ini kemudian menggabungkan peta kedalaman dengan teknik yang memperkirakan orientasi kamera dalam pemandangan 3-D. Itu semua membantu menentukan lokasi kendaraan dan jarak relatif dari segala sesuatu di dalam simulator virtual.

Berdasarkan informasi tersebut, ia mereorientasi piksel asli untuk menciptakan representasi 3-D dunia dari sudut pandang baru kendaraan. Ini juga melacak gerakan piksel untuk menangkap pergerakan mobil dan orang, dan objek bergerak lainnya, di tempat kejadian. “Ini setara dengan menyediakan kendaraan dengan kemungkinan lintasan yang tak terbatas,” kata Rus. “Karena saat kami mengumpulkan data fisik, kami mendapatkan data dari lintasan tertentu yang akan dilalui mobil. Tapi kami dapat memodifikasi lintasan itu untuk mencakup semua kemungkinan cara dan lingkungan mengemudi. Itu benar-benar hebat.”

Pembelajaran penguatan dari awal

Secara tradisional, para peneliti telah melatih kendaraan otonom dengan mengikuti aturan mengemudi yang ditentukan manusia atau dengan mencoba meniru pengemudi manusia. Tetapi para peneliti membuat pengontrol mereka belajar sepenuhnya dari awal di bawah kerangka “ujung ke ujung”, yang berarti hanya diperlukan sebagai masukan data sensor mentah — seperti pengamatan visual jalan — dan, dari data itu, memprediksi perintah kemudi pada keluaran .

“Pada dasarnya kami mengatakan, ‘Inilah lingkungannya. Anda dapat melakukan apa pun yang Anda inginkan. Hanya saja, jangan menabrak kendaraan, dan tetap berada di dalam jalur,'” kata Amini.

Ini membutuhkan “pembelajaran penguatan” (RL), teknik pembelajaran mesin coba-coba yang memberikan sinyal umpan balik setiap kali mobil membuat kesalahan. Di mesin simulasi peneliti, pengontrol dimulai dengan tidak mengetahui apa pun tentang cara mengemudi, apa itu penanda jalur, atau bahkan tampilan kendaraan lain, sehingga ia mulai menjalankan sudut kemudi acak. Itu mendapat sinyal umpan balik hanya ketika macet. Pada saat itu, ia akan diteleportasi ke lokasi simulasi baru dan harus melakukan serangkaian sudut kemudi yang lebih baik untuk menghindari tabrakan lagi. Lebih dari 10 hingga 15 jam pelatihan, ia menggunakan sinyal umpan balik yang jarang ini untuk belajar menempuh jarak yang semakin jauh tanpa menabrak.

Setelah berhasil mengemudikan 10.000 kilometer dalam simulasi, penulis menerapkan pengontrol yang dipelajari tersebut ke kendaraan otonom skala penuh mereka di dunia nyata. Para peneliti mengatakan ini adalah pertama kalinya pengontrol yang dilatih menggunakan pembelajaran penguatan ujung-ke-ujung dalam simulasi berhasil diterapkan ke mobil otonom skala penuh. “Itu mengejutkan kami. Pengontrol ini tidak hanya belum pernah ada di mobil sungguhan, tetapi juga belum pernah melihat jalan sebelumnya dan tidak memiliki pengetahuan sebelumnya tentang cara manusia mengemudi,” kata Amini.

Memaksa pengontrol untuk menjalankan semua jenis skenario mengemudi memungkinkannya untuk mendapatkan kembali kendali dari posisi yang disorientasi — seperti setengah dari jalan atau ke jalur lain — dan menyetir kembali ke jalur yang benar dalam beberapa detik. “Dan pengontrol canggih lainnya semuanya secara tragis gagal dalam hal itu, karena mereka tidak pernah melihat data seperti ini dalam pelatihan,” kata Amini.

Selanjutnya, para peneliti berharap dapat mensimulasikan semua jenis kondisi jalan dari satu lintasan berkendara, seperti siang dan malam, serta cuaca cerah dan hujan. Mereka juga berharap dapat mensimulasikan interaksi yang lebih kompleks dengan kendaraan lain di jalan. “Bagaimana jika mobil lain mulai bergerak dan melompat di depan kendaraan?” Kata Rus. “Itu adalah interaksi dunia nyata yang kompleks yang ingin kami uji.”


Membawa penalaran seperti manusia ke navigasi mobil tanpa pengemudi


Informasi lebih lanjut:
Alexander Amini dkk. Mempelajari Kebijakan Kontrol Kuat untuk Mengemudi Otonom End-to-End Dari Simulasi Berdasarkan Data, IEEE Robotics and Automation Letters (2020). DOI: 10.1109 / LRA.2020.2966414

Disediakan oleh Massachusetts Institute of Technology

Kutipan: Sistem melatih mobil tanpa pengemudi dalam simulasi sebelum mereka berangkat (2020, 24 Maret) diambil 28 November 2020 dari https://techxplore.com/news/2020-03-driverless-cars-simulation-road.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/