Onderzoekers van het Laboratório de Computação de Alto Desempenho (LCAD) van de Universidade Federal do Espírito Santo (UFES), in Brazilië, hebben een nieuwe strategie bedacht voor het corrigeren van onvolkomenheden in bezettingsrasterkaarten door ongeldige bezettingskansen van kaartcellen te corrigeren die niet waarneembaar zijn door sensoren. Deze nieuwe techniek, kaartverval genoemd, is geïnspireerd op de huidige empirische kennis van de geheugenarchitectuur van het menselijk brein.

"Het langetermijndoel van ons onderzoeksteam bij LCAD is om te begrijpen hoe het menselijk brein werkt, "Alberto Ferreira de Souza, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Het is een zeer ambitieus doel, Weet ik, dus om het aan te pakken, we deden wat gebruikelijk is in de wetenschap. Dat is, we stelden ons voor om de hersenen te begrijpen als een reeks mijlpalen en begonnen met de eerste. In ons geval, het was om te proberen visuele cognitie te begrijpen, ons vermogen om de wereld en ideeën over de wereld te begrijpen met behulp van ons gezichtsvermogen."

Dit ambitieuze onderzoeksproject begon ongeveer 15 jaar geleden, aanvankelijk met behulp van statische beelden en daarna met dynamische beelden van camera's die op mobiele robots zijn geplaatst. Later, de onderzoekers begonnen met het bestuderen van zelfrijdende auto's en bouwden uiteindelijk hun eigen, genaamd IARA (Intelligent Autonomous Robotic Automobile).

"In dit werk, we zochten inspiratie in de hersenen om verbeteringen voor te stellen in bestaande algoritmen die betrokken zijn bij de kaartverwerking van zelfrijdende auto's, " De Souza zei. "De hersenen en zijn functies werden geanalyseerd vanuit het oogpunt van cognitieve psychologie; vooral, de cognitieve processen die verband houden met het geheugen in zijn verschillende niveaus:sensorisch geheugen, kortetermijngeheugen (of werkgeheugen), en langetermijngeheugen."

Mensen zijn in staat om informatie in hun geheugen op te slaan en terug te roepen wanneer dat nodig is. Dit fundamentele vermogen maakt de uitvoering van fysieke procedures en het nastreven van langetermijndoelen mogelijk. Net zo belangrijk als het onthouden van dingen uit het verleden, echter, is het vermogen om irrelevante informatie te vergeten, aandacht vestigen op wat kan bijdragen aan het oplossen van huidige taken of problemen.

"We analyseerden de overeenkomsten tussen de visuele geheugenarchitectuur waarvan wordt aangenomen dat deze in het menselijk brein bestaat en het proces van het maken van kaarten in zelfrijdende auto's, " zei De Souza. "Geïnspireerd door deze overeenkomsten, we hebben een nieuwe strategie voorgesteld om online ruis uit bezettingsrasterkaarten te verwijderen, die we kaartverval noemden."

Kaartverval werkt door zintuiglijke informatie die tijdens runtime is verkregen (d.w.z. wanneer een systeem online is) samen te voegen met eerdere gegevens van een uiterst nauwkeurige kaart die offline is gemaakt. Online of offline gegevens worden benadrukt, afhankelijk van het feit of kaartcellen worden waargenomen door sensoren of niet.

"Cellen die door sensoren worden waargenomen, worden bijgewerkt met behulp van traditionele technieken voor het in kaart brengen van bezettingsrasters, "De Souza legt uit. "Cellen die niet worden waargenomen, worden aangepast zodat hun bezettingskansen neigen naar de waarden die op de offline kaart worden gevonden. Het effect van deze aanpassing is een schijnbare vervaging, of verval, van online informatie in niet-waarneembare delen van de kaart, terwijl offline informatie met hoge precisie behouden blijft."

Het idee achter deze strategie is dat de meest nauwkeurige beschikbare informatie over een niet-waarneembare kaartcel de waarde is die wordt gevonden in de uiterst nauwkeurige offline kaart. UFES heeft kaartverval toegepast op zijn IARA autonome voertuig en de eerste tests leverden veelbelovende resultaten op.

"Kaartverval verwijdert onvolkomenheden van online bezettingsrasterkaarten, " zei de Souza. "Deze onvolkomenheden hebben verschillende oorzaken. Bijvoorbeeld, wanneer een dynamisch object de cellen van een kaart kruist, hun bezettingskansen worden verhoogd. Door de zelfrijdende autobeweging, deze cellen kunnen niet meer worden waargenomen, wat leidt tot een spoor op de kaart dat niet wordt gewist."

Souza legde uit dat hetzelfde probleem zich ook kan voordoen wanneer een vals obstakel wordt gedetecteerd, door een natuurlijke sensorfout. Als cellen niet opnieuw worden waargenomen, hetzij omdat de robot beweegt of omdat deze cellen zich in een zintuiglijke dode hoek bevinden, de bezettingskans wordt niet gecorrigeerd.

Kaartverval verwijdert effectief deze onvolkomenheden, met behulp van strategieën die menselijke geheugenprocessen weerspiegelen. Net als het menselijk brein, het geeft informatie vrij die niet langer nodig is en geeft zin aan onvolledige sensorische gegevens door deze te vullen met langetermijnkennis, die is opgeslagen in de precieze offline kaart.

"We proberen altijd een state-of-the-art oplossing voor een probleem te implementeren en proberen het vervolgens opnieuw te implementeren met behulp van neurale netwerken, ons voorkeursparadigma voor het nabootsen van de hersenen, " zei De Souza. "Als toekomstig werk, we zullen bestuderen hoe we het hele mappingproces kunnen implementeren, inclusief kaartverval, met behulp van diepe neurale netwerken."

© 2018 Tech Xplore