Robotaxis får nya inlärningsstrategier för att möta “kanten”

Skriven av Greg Nichols, bidragsgivare Greg Nichols Bidragsgivare

Greg Nichols täcker robotik, AI och AR/VR för ZDNet.

Fullständig biografi Publicerad i Robotics den 19 januari 2022 | Ämne: Robotik

Motionell

Taxibilar är utmärkta kandidater för att bli det första användningsfallet för självkörande bilar i naturen. Men för att nå dit står utvecklare av autonoma fordon inför en skrämmande utmaning: att utrusta sina bilar för att möta en rad scenarier än man inte helt kan förutse.

AI och verktyg för djupinlärning har varit den hemliga såsen för självkörande bilprogram, vilket ger fordon anpassningsförmågan att möta nya utmaningar och lära av dem. De svåraste av dessa utmaningar är vad utvecklaren Motion kallar “kantsituationer”, och när målet är att bygga en säker robotaxel är det ett tekniskt krav att identifiera och lösa dessa extremvärden. För att göra detta har Motional utvecklat sitt eget Continuous Learning Framework, eller CLF, som hjälper dess fordon att bli smartare för varje mil de kör.

Medan Motionals nya IONIQ 5 robotaxi går på el, sa en talesman nyligen att CLF drivs av data: terabyte data samlas in varje dag av Motionals fordon som kartlägger städer i hela USA. CLF fungerar som ett svänghjul med slutet slinga: varje steg i Processen är viktig, och att slutföra ett steg tar nästa steg framåt. I takt med att inflödet av data som kommer från företagets fordon växer förväntas svänghjulet svänga snabbare, vilket gör det lättare att accelerera inlärningstakten, lösa spetsfall, kartlägga nya ODDs och expandera till nya marknader. Detta maskininlärningsbaserade system tillåter Motion att automatiskt förbättra prestandan när de samlar in mer data, och det gör detta genom att specifikt rikta in sig på de sällsynta fallen.

För en djupare dykning i hur denna CLF-process och data hjälper Motion att förbättra prestanda har jag nyligen kontaktat Sammy Omari, VP of Engineering & Huvudautonomi.

GN: Berätta mer om Continuous Learning Framework (CLF) och varför Motion utvecklade det?

Sammy Omari:På Motion utvecklar vi robotaxel på nivå 4 – autonoma fordon som inte kräver en förare vid ratten. Vi kommer att distribuera vår robotaxel på stora marknader genom våra partnerskap med nätverk för färdtjänst. För att uppnå storskaliga nivå 4-utbyggnader måste våra fordon kunna känna igen och säkert navigera i de många oförutsägbara och ovanliga vägscenarier som mänskliga förare också möter.

För att nå denna nivå av sofistikering har vi utvecklat ett Continuous Learning Framework (CLF), som använder maskininlärningsprinciper för att göra våra AV:er mer erfarna och säkrare för varje mil de kör. Motionals CLF är ett revolutionerande maskininlärningsbaserat system som gör att teamet automatiskt kan förbättra prestandan när vi samlar in mer data – och det gör detta med tanke på de sällsynta situationer som våra fordon kan stöta på. CLF fungerar som ett svänghjul med sluten slinga: varje steg i processen är viktigt, och att slutföra ett steg förflyttar nästa steg framåt. Hela systemet drivs av verklig data som samlas in av våra fordon.

GN: Vilken typ av sällsynta fall eller extremvärden riktar sig Motionellt genom CLF?

Sammy Omari: Den stora majoriteten av tiden är att köra från en punkt till en annan händelselös och relativt vardaglig. Men ibland händer något ovanligt eller “spännande” som involverar ett brett utbud av sällsynta och unika körupplevelser – så kallade kantfall. Dessa kantfall som rörliga mål genom CLF kan inkludera fordon som kör rött ljus eller bryter mot rätten till förkörning, fotgängare som kastar sig in i trafiken, cyklister som bär surfbrädor på ryggen, racingtrikes och andra typer av trafikanter eller beteende som vi inte stöter på. varje dag.

GN: Hur använder Motion data som samlats in för att förbättra fordonets prestanda?

Sammy Omari: Genom CLF kan vi hitta de sällsynta kantfallen i stora datamängder, skapa träningsdata genom automatisk och manuell datakommentar, behålla våra maskininlärningsmodeller med hjälp av dessa data och utvärdera sedan de uppdaterade modellerna.

Motionals Scenario Search Engine gör det möjligt för utvecklare att snabbt söka i Motionals enorma drivloggdatabas så att de kan introspektera och visualisera resultaten på några sekunder. Den här scenariofrågan kan köras varje gång våra autonoma fordon är på väg och samlar in data. När vi samlar in ett tillräckligt antal prover och utökar vår träningsdata kan vi sedan träna om maskininlärningsmodellerna.

Vi har byggt detta maskininlärningsbaserade svänghjul som gör att vi automatiskt kan förbättra prestandan när vi samlar in mer data – och det gör det genom att specifikt rikta in oss på de sällsynta kantfallen. När inflödet av data som kommer från våra fordon växer, kommer svänghjulet att svänga snabbare, vilket gör det lättare att accelerera inlärningstakten, lösa spetsfall, kartlägga nya ODDs och expandera till nya marknader.

< strong>GN: Vad betyder detta för Motionals framtida tillväxt?

Sammy Omari: Vår innovativa metod för maskininlärning hjälper oss att skapa smartare, säkrare autonoma fordon som kan navigera i ett brett utbud av komplexa miljöer. Detta gör att vi kan distribuera våra fordon på nya marknader snabbare, vilket i slutändan kommer att förbättra trafiksäkerheten mer allmänt.

Hårdvara | CXO | Innovation | Artificiell intelligens