Er is misschien een betere manier voor autonome voertuigen om zelf te leren rijden:door naar mensen te kijken. Met behulp van een verbeterd zichtcorrectiesysteem, zelfrijdende auto's zouden kunnen leren door te observeren dat menselijke operators dezelfde taak uitvoeren.

Onderzoekers van de Deakin University in Australië publiceerden hun resultaten in: IEEE/CAA Journal of Automatica Sinica , een gezamenlijke publicatie van het Institute of Electrical and Electronics Engineers (IEEE) en de Chinese Association of Automation.

Het team implementeerde imitatieleren, ook wel leren van demonstratie genoemd. Een menselijke operator bestuurt een voertuig dat is uitgerust met drie camera's, observeren van de omgeving vanaf de voorkant en elke kant van de auto. De gegevens worden vervolgens verwerkt via een neuraal netwerk - een computersysteem dat is gebaseerd op hoe de neuronen van de hersenen op elkaar inwerken om informatie te verwerken - waarmee de voertuigen beslissingen kunnen nemen op basis van wat het heeft geleerd door te kijken hoe de mens vergelijkbare beslissingen neemt.

"De verwachting van dit proces is om een ​​model te genereren uitsluitend op basis van de beelden die door de camera's zijn gemaakt, " zei papierauteur Saeid Nahavandi, Alfred Deakin-professor, pro vice-kanselier, voorzitter van engineering en directeur van het Institute for Intelligent Systems Research and Innovation aan de Deakin University. "Het gegenereerde model zal dan naar verwachting autonoom rijden."

Het verwerkingssysteem is specifiek een convolutief neuraal netwerk, die wordt weerspiegeld op de visuele cortex van de hersenen. Het netwerk heeft een invoerlaag, een uitvoerlaag en een willekeurig aantal verwerkingslagen daartussen. De invoer vertaalt visuele informatie in punten, die vervolgens continu worden vergeleken naarmate er meer visuele informatie binnenkomt. Door de visuele informatie te verminderen, het netwerk kan veranderingen in de omgeving snel verwerken:een verschuiving van stippen die voor de deur verschijnen, kan wijzen op een obstakel op de weg. Dit, gecombineerd met de kennis die is opgedaan door het observeren van de menselijke operator, betekent dat het algoritme weet dat een plotseling obstakel op de weg ervoor moet zorgen dat het voertuig volledig stopt om een ​​ongeval te voorkomen.

"Het hebben van een betrouwbare en robuuste visie is een verplichte vereiste in autonome voertuigen, en convolutionele neurale netwerken zijn een van de meest succesvolle diepe neurale netwerken voor beeldverwerkingstoepassingen, ' zei Nahavandi.

Hij merkte een paar nadelen op, echter. Een daarvan is dat imitatieleren het trainingsproces versnelt en tegelijkertijd de hoeveelheid trainingsgegevens vermindert die nodig zijn om een ​​goed model te produceren. In tegenstelling tot, convolutionele neurale netwerken vereisen een aanzienlijke hoeveelheid trainingsgegevens om een ​​optimale configuratie van lagen en filters te vinden, die kunnen helpen bij het organiseren van gegevens, en produceert een correct gegenereerd model dat in staat is om een ​​autonoom voertuig te besturen.

"Bijvoorbeeld, we ontdekten dat het verhogen van het aantal filters niet noodzakelijkerwijs leidt tot betere prestaties, " zei Nahavandi. "De optimale selectie van parameters van het netwerk en de trainingsprocedure is nog steeds een open vraag die onderzoekers wereldwijd actief onderzoeken." de onderzoekers zijn van plan om intelligentere en efficiëntere technieken te bestuderen, inclusief genetische en evolutionaire algoritmen om de optimale set parameters te verkrijgen om een ​​beter zelflerend proces te produceren, zelfrijdend voertuig.