未标记的数据辅助自驾车

自动驾驶汽车必须准确地跟踪行人，自行车和其他车辆的运动。

通过考虑到安全措施，培训这些跟踪系统现在可能更有效，因为现在正在开发中的新方法。一般来说，可用于训练跟踪系统的道路和交通数据越多，结果越好。Carnegie Mellon University（CMU）的研究人员已经找到了一种为此目的解锁自动驾驶数据山的方法。

“我们的方法比以前的方法更强大，因为我们可以在更大的数据集上训练，”Himangi Mittal表示，与David举行的CMU机器人学院助理教授一起工作。

大多数自治车辆主要导航，主要基于称为LIDAR的传感器，这是一种激光器设备，该激光装置产生关于汽车周围的世界的3D信息。这个3D信息不是图像，而是一云点。车辆使得这种数据的一种方式是通过使用称为场景流的技术。这涉及计算每个3D点的速度和轨迹。移动组的一组通过场景流作为车辆，行人或其他移动物体来解释。

过去，用于培训这种系统的最先进方法需要使用标记的数据集 - 传感器数据，以跟踪每个3D点随着时间的推移。手动标记这些数据集是费力且昂贵的，因此，毫不奇怪，存在很少标记的数据。结果，通常使用模拟数据执行场景流程训练，模拟数据不太有效，然后用少量标记的现实世界数据进行微调。

米特，举行和机器人博士。学生Brian Okorn采用了不同的方法，使用未标记的数据进行场景流动训练。由于未标记的数据通过在汽车上安装一个LIDAR并驾驶时，因此没有缺乏它。

他们的方法的关键是为系统开发一种方法，以检测现场流动的错误。在每个瞬间，系统尝试预测每个3D点的位置以及它移动的速度有多快。在下一个即时，它测量点的预测位置与最近的点的实际位置之间的距离。该距离形成要最小化的一种类型的误差。

然后，系统反转该过程，从预测点位置开始，然后向后工作以映射到源自该点的位置。此时，它测量预测位置和实际发射点之间的距离，并且所得到的距离形成第二类型的误差。

然后系统可以纠正这些错误。

“事实证明，为了消除这两个错误，系统实际上需要学会做正确的事，而不会被告知正确的事情是，”说道。

像那样搞砸一样，okorn发现它运作良好。

研究人员使用培训合成数据集计算场景流量精度仅为25％。当合成数据用少量现实标记数据进行微调时，精度增加到31％。当他们添加了大量的未标记数据来使用它们的方法训练系统时，场景流动精度跃升到46％。

此内容最初出现在isssource.com.。isssource.是CFE媒体内容合作伙伴。