Onderzoekers van het Chinese multinationale technologiebedrijf Baidu hebben onlangs een datagestuurd autotuning-raamwerk voor zelfrijdende voertuigen ontwikkeld op basis van het Apollo-platform voor autonoom rijden. Het frame, gepresenteerd in een paper dat vooraf is gepubliceerd op arXiv, bestaat uit een nieuw versterkend leeralgoritme en een offline trainingsstrategie, evenals een automatische methode voor het verzamelen en labelen van gegevens.

Een bewegingsplanner voor autonoom rijden is een systeem dat is ontworpen om een ​​veilig en comfortabel traject te genereren om een ​​gewenste bestemming te bereiken. Het ontwerpen en afstemmen van deze systemen om ervoor te zorgen dat ze onder verschillende rijomstandigheden goed presteren, is een moeilijke taak die verschillende bedrijven en onderzoekers wereldwijd momenteel proberen aan te pakken.

"Motion planning voor autonoom rijdende auto's heeft veel uitdagende problemen, " Fan Haoyang, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Een grote uitdaging is dat het te maken heeft met duizenden verschillende scenario's. we definiëren een beloning/kosten-functionele afstemming die die verschillen in scenario's kan aanpassen. Echter, we vinden het een moeilijke taak."

Typisch, beloning-kosten functionele afstemming vereist uitgebreid werk namens onderzoekers, evenals middelen en tijd besteed aan zowel simulaties als tests op de weg. In aanvulling, de omgeving kan in de loop van de tijd drastisch veranderen en naarmate de rijomstandigheden ingewikkelder worden, het afstemmen van de performance van de motion planner wordt steeds moeilijker.

"Om dit probleem systematisch op te lossen, we hebben een datagestuurd autotuning-framework ontwikkeld op basis van het Apollo-framework voor autonoom rijden, " Fan zei. "Het idee van auto-tuning is om parameters te leren van door mensen aangetoonde rijgegevens. Bijvoorbeeld, uit data willen we graag begrijpen hoe menselijke bestuurders snelheid en rijgemak in evenwicht houden met obstakelafstanden. Maar in meer gecompliceerde scenario's, bijvoorbeeld, een drukke stad, wat kunnen we leren van menselijke chauffeurs?"

Het door Baidu ontwikkelde auto-tuning-framework bevat een nieuw leeralgoritme voor versterking, die kan leren van gegevens en de prestaties ervan in de loop van de tijd kan verbeteren. In vergelijking met de meeste leeralgoritmen voor inverse versterking, het kan effectief worden toegepast op verschillende rijscenario's.

Het raamwerk omvat ook een offline trainingsstrategie, een veilige manier voor onderzoekers om parameters aan te passen voordat een autonoom voertuig op de openbare weg wordt getest. Het verzamelt ook gegevens van deskundige chauffeurs en informatie over het milieu, deze automatisch te labelen, zodat ze kunnen worden geanalyseerd door het leeralgoritme voor versterking.

"Ik denk dat we een veilige pijplijn hebben ontwikkeld om een ​​schaalbaar systeem voor machinaal leren te maken door menselijke demonstratiegegevens te gebruiken, " Fan zei. "De open lus menselijke demogegevens worden verzameld en hebben geen extra etikettering nodig. Omdat het trainingsproces ook offline is, onze methode is geschikt voor autonoom rijdende bewegingsplanning, veiligheid op de openbare weg houden."

De onderzoekers evalueerden een bewegingsplanner die was afgestemd met behulp van hun raamwerk, zowel voor simulaties als voor testen op de openbare weg. In vergelijking met bestaande benaderingen, hun datagestuurde methode was beter in staat om zich aan te passen aan verschillende rijscenario's, constant goed presteren onder verschillende omstandigheden.

"Ons onderzoek is gebaseerd op het Baidu Apollo Open Source Autonomous Driving-platform, " Fan zei. "We hopen dat steeds meer mensen uit de academische wereld en de industrie via Apollo kunnen bijdragen aan het autonoom rijdende ecosysteem. In de toekomst, we zijn van plan het huidige raamwerk van Baidu Apollo te verbeteren tot een schaalbaar systeem voor machinaal leren dat de scenariodekking van autonoom rijdende auto's systematisch kan verbeteren."

© 2018 Tech Xplore