Innovatie & Strategie

Software-ontwikkeling
Driverless car

Zelfsturende auto doet veel te moeilijk

Met alleen een doorsnee GPS-systeem en machine learning leert de auto te rijden als een mens.

© CC BY-SA 2.0 - Flickr.com Mike MacKenzie
29 mei 2019

Met alleen een doorsnee GPS-systeem en machine learning leert de auto te rijden als een mens.

De huidige systemen om auto's zonder bestuurder te laten rijden zijn veel te complex. Dat kan veel eenvoudiger, demonstreren onderzoekers van het Massachusetts Institute of Technology (MIT).

Om een auto helemaal zelf zijn weg te laten vinden zonder ongelukken te maken, hebben verschillende bedrijven zoals Google en Tesla, heel geavanceerde systemen ontwikkeld. Die maken gebruik van de input van een groot aantal sensoren. Een van de belangrijkste is de LIDAR ofwel LIght Detection And Ranging of Laser Imaging Detection And Ranging. De informatie die de LIDAR oppikt wordt vergeleken met complexe 3D-kaarten. Dat is een zeer rekenintensieve klus vanwege de hoeveelheid data die moet worden verwerkt. Een kaart van de stad San Francisco om maar een voorbeeld te noemen omvat 4 terabyte. Daarnaast neemt het systeem nog input mee van tal van andere modules zoals bijvoorbeeld object detectie. en positiebepaling. 

Goed om je heen kijken

Dat moet eenvoudiger kunnen als het systeem beter in staat is tot wat basaal redeneerwerk, was de aanname van de onderzoeksgroep van Daniela Rus, director van het Computer Science and Artificial Intelligence Laboratory (CSAIL) aan MIT. Menselijke bestuurders zijn uitzonderlijk goed in het rijden over wegen die ze nog nooit eerder hebben gereden. We nemen de informatie van een GPS-systeem en kijken goed om ons heen en we komen op de plek van bestemming. Daar valt wat van te leren, dachten ze bij de groep van Rus. Ze pakten de uitdaging aan samen met Guy Rosman, onderzoeker van het Toyota Research Institute en ze kregen hulp van Sertac Karaman, een bijzonder hoogleraar aeronautics and astronautics bij MIT.

Het plan was een Toyota Prius voorzien van alleen een eenvoudig GPS-navigatiesysteem en een aantal camera's in te zetten voor een machinelearning (ML)-experiment. Ze lieten een bestuurder op basis van het navigatiesysteem een traject afleggen en voeden het ML-systeem - in dit geval een convolutional neural network (CNN) dat vaak gebruikt wordt bij beeldherkenning - met de informatie van de camera's, het GPS-systeem en de voertuiginformatie. Het systeem leerde zo wat de meest waarschijnlijke stuurcommando's zijn onder verschillende omstandigheden.

Bij T-kruising niet rechtdoor

Bijvoorbeeld een blanco systeem kan bij een T-kruising alle kanten op. Doordat het leert dat bestuurders er soms rechts gaan en soms links, maar nooit rechtdoor, leert het systeem dat op een T-kruising alleen links of rechts kan worden gekozen. Zo leert het ook de mogelijke stuuropties voor talloze andere wegstructuren zoals rotondes, splitsingen en kruispunten.

Het systeem kan ook belangrijke eigenschappen van de weg afleiden uit de camerabeelden. Zo herkent het een naderende kruising op basis van verkeersborden en veranderingen in de belijning en kan op basis daarvan de stuurcommando's berekenen die het best zijn om de route te vervolgen. Zo kunnen ook fouten in het GPS-systeem worden opgevangen, bijvoorbeeld als het navigatiesysteem op de snelweg opeens de opdracht geeft 'sla hier rechtsaf' terwijl er geen afslag is. "In de reële wereld geven sensoren soms foute informatie", Alexander Amini, een MIT-student die meewerkte aan het project. "Ons doel was het systeem zo robuust te maken dat het met verschillende storingen in verschillende sensoren kan omgaan, door het te leren omgaan met 'noisy inputs' en dan toch de correcte navigatie en positie op de weg te volgen."

Minder dataverwerking

Volgens het team is het voordeel van zo'n systeem dat heeft leren rijden van mensen, dat het ook prima functioneert op volstrekt nieuwe plekken. Een systeem getraind in een drukke stadse omgeving, werkt net zo goed op een landelijke buitenweg. Een nieuwe GPS-kaart laden en rijden maar. En in plaats van 4 terabyte aan kaartinformatie voor een enkele stad die de huidige zelfsturende systemen nodig hebben beslaan alle kaarten van de hele wereld die het systeem van MIT gebruikt hooguit 40 gigabyte.

De onderzoekers hebben hun resultaten vorige week gepresenteerd op de IEEE International Conference on Robotics and Automation in het Canadese Montreal.

Reactie toevoegen
De inhoud van dit veld is privé en zal niet openbaar worden gemaakt.