Robotaxis får nye læringsstrategier til at møde “kanten”

Skrevet af Greg Nichols, bidragyder Greg Nichols Bidragyder

Greg Nichols dækker robotteknologi, AI og AR/VR for ZDNet.

Fuld biografi Udgivet i Robotics den 19. januar 2022 | Emne: Robotics

Motionelle

Taxaer er fremragende kandidater til at blive den foretrukne tidlige brug for selvkørende biler i naturen. Men for at nå dertil står udviklere af autonome køretøjer over for en skræmmende udfordring: at udstyre deres biler til at møde en række scenarier, end man ikke helt kan forudse.

AI og deep learning-værktøjer har været den hemmelige sovs til selvkørende bilprogrammer, der giver køretøjer tilpasningsevnen til at møde nye udfordringer og lære af dem. De sværeste af disse udfordringer er, hvad udvikler Motion kalder “kantsituationer”, og når målet er at bygge en sikker robotakse, er det et teknologisk krav at identificere og løse disse outliers. For at gøre dette har Motional udviklet sit eget Continuous Learning Framework, eller CLF, der hjælper sine køretøjer med at blive klogere for hver kilometer, de kører.

Mens Motionals nye IONIQ 5 robotaxi kører på elektricitet, har en talsmand for nylig udtalt, at CLF er drevet af data: terabytes af data indsamles hver dag af Motionals køretøjer, der kortlægger byer i hele USA. CLF fungerer som et lukket-sløjfe svinghjul: Hvert trin i processen er vigtig, og at fuldføre et trin fremmer det næste trin fremad. Efterhånden som tilstrømningen af ​​data, der kommer fra virksomhedens køretøjer, vokser, forventes svinghjulet at dreje hurtigere, hvilket gør det nemmere at accelerere læringstempoet, løse edge cases, kortlægge nye ODD'er og ekspandere til nye markeder. Dette maskinlæringsbaserede system giver Motion mulighed for automatisk at forbedre ydeevnen, efterhånden som de indsamler flere data, og det gør det ved specifikt at målrette mod de sjældne tilfælde.

For et dybere dyk ind i, hvordan denne CLF-proces og data hjælper Motion med at forbedre præstation, har jeg for nylig kontaktet Sammy Omari, VP of Engineering & Hovedautonomi.

GN: Fortæl os mere om Continuous Learning Framework (CLF) og hvorfor Motional udviklede det?

Sammy Omari:Hos Motion udvikler vi niveau 4 robotakse – autonome køretøjer, der ikke kræver en fører ved rattet. Vi vil implementere vores robotakse på større markeder gennem vores partnerskaber med ride-hailing-netværk. For at opnå omfattende niveau 4-implementeringer skal vores køretøjer være i stand til at genkende og sikkert navigere i de mange uforudsigelige og usædvanlige vejscenarier, som menneskelige bilister også står over for.

For at nå dette sofistikerede niveau har vi udviklet et Continuous Learning Framework (CLF), som bruger maskinlæringsprincipper til at gøre vores AV'er mere erfarne og sikrere for hver kilometer, de kører. Motionals CLF er et revolutionerende maskinlæringsbaseret system, der giver teamet mulighed for automatisk at forbedre ydeevnen, efterhånden som vi indsamler flere data – og det gør det specifikt ved de sjældne situationer, som vores køretøjer kan komme ud for. CLF'en fungerer som et lukket-sløjfe svinghjul: hvert trin i processen er vigtigt, og at fuldføre et trin fremmer det næste trin fremad. Hele systemet er drevet af data fra den virkelige verden indsamlet af vores køretøjer.

GN: Hvilken type sjældne tilfælde eller afvigelser målretter Motional gennem CLF?

Sammy Omari: Langt det meste af tiden er kørsel fra et punkt til et andet begivenhedsløst og relativt banalt. Men af ​​og til sker der noget usædvanligt eller “spændende”, som involverer en bred vifte af sjældne og unikke køreoplevelser – kaldet kantsager. Disse kanttilfælde, som bevægelsesmål gennem CLF kan omfatte køretøjer, der kører over rødt lys eller krænker kørselsretten, fodgængere, der suser ud i trafikken, cyklister, der bærer surfbrætter på ryggen, racertrikes og andre typer trafikanter eller adfærd, som vi ikke støder på. hver dag.

GN: Hvordan udnytter Motion data indsamlet til at hjælpe med at forbedre køretøjets ydeevne?

Sammy Omari: Gennem CLF er vi i stand til at finde de sjældne kantsager i store datamængder, skabe træningsdata gennem automatisk og manuel dataannotering, bevare vores maskinlæringsmodeller ved hjælp af disse data og derefter evaluere de opdaterede modeller.

Motionals Scenario Search Engine giver udviklere mulighed for hurtigt at søge i Motionals enorme drivelog-database, så de kan introspektere og visualisere resultaterne på få sekunder. Denne scenarieforespørgsel kan køre hver gang vores autonome køretøjer er på vejen og indsamler data. Når vi indsamler et tilstrækkeligt antal prøver og udvider vores træningsdata, kan vi omskole maskinlæringsmodellerne.

Vi har bygget dette maskinlæringsbaserede svinghjul, der giver os mulighed for automatisk at forbedre ydeevnen, efterhånden som vi indsamler flere data – og det gør det ved specifikt at målrette mod de sjældne kantsager. Efterhånden som tilstrømningen af ​​data, der kommer fra vores køretøjer, vokser, vil svinghjulet dreje hurtigere, hvilket gør det nemmere at accelerere læringstempoet, løse edge cases, kortlægge nye ODD'er og ekspandere til nye markeder.

< strong>GN: Hvad betyder dette for Motionals fremtidige vækst?

Sammy Omari: Vores innovative tilgang til maskinlæring hjælper os med at skabe smartere, sikrere autonome køretøjer, der kan navigere i en bred vifte af komplekse miljøer. Dette giver os mulighed for hurtigere at implementere vores køretøjer på nye markeder, hvilket i sidste ende vil forbedre trafiksikkerheden mere bredt.

Hardware | CXO | Innovation | Kunstig intelligens