Comparación de la salida del sistema de mapas en línea con y sin deterioro del mapa en una situación de adelantamiento. Las imágenes de las figuras (a) y (b) muestran una visualización en 3D del adelantamiento. En estas imágenes, los puntos azules representan los puntos de las lecturas de Velodyne y los recuadros rojos representan las celdas con alta probabilidad de ocupación. Las imágenes restantes (figuras (c) a (h)) muestran el mapa en línea de IARA en la misma situación (diferente de (a) y (b), las regiones azules en el mapa son celdas no tocadas por los sensores). Si no se emplea la descomposición del mapa, Las celdas a la izquierda del automóvil (rectángulo rojo) están marcadas como obstáculos y no se vuelven a liberar porque caen en un punto ciego del sensor (ver figuras (c), (e) y (g)). Si se emplea el decaimiento del mapa, las celdas marcadas como obstáculos se desvanecen lentamente a medida que disminuyen a los valores del mapa fuera de línea (consulte las figuras (d), (F), y (h)). Crédito:De Souza et al.
Investigadores del Laboratório de Computação de Alto Desempenho (LCAD) de la Universidade Federal do Espírito Santo (UFES), en Brasil, han ideado una estrategia novedosa para corregir imperfecciones en mapas de cuadrículas de ocupación corrigiendo las probabilidades de ocupación no válidas de las celdas del mapa que no son observables por los sensores. Esta novedosa técnica, llamado decaimiento del mapa, se inspira en el conocimiento empírico actual de la arquitectura de la memoria del cerebro humano.
"El objetivo a largo plazo de nuestro equipo de investigación en LCAD es comprender cómo funciona el cerebro humano, "Alberto Ferreira De Souza, uno de los investigadores que realizó el estudio, dijo a TechXplore. "Es un objetivo muy ambicioso, Sé, así que para abordarlo, hicimos lo que es habitual en la ciencia. Es decir, imaginamos entender el cerebro como una serie de hitos y comenzamos con el primero. En nuestro caso, era intentar comprender la cognición visual, nuestra capacidad para comprender el mundo y las ideas sobre el mundo utilizando nuestro sentido de la visión ".
Este ambicioso proyecto de investigación se inició hace aproximadamente 15 años, inicialmente con el uso de imágenes estáticas y luego con imágenes dinámicas tomadas por cámaras colocadas en robots móviles. Más tarde, los investigadores empezaron a estudiar coches autónomos y, finalmente, construyeron los suyos propios, llamado IARA (Automóvil Robótico Autónomo Inteligente).
"En este trabajo, Buscamos inspiración en el cerebro para proponer mejoras en los algoritmos existentes involucrados en el manejo de mapas de autos sin conductor, "De Souza dijo." El cerebro y sus funciones fueron analizados desde el punto de vista de la psicología cognitiva; en particular, los procesos cognitivos relacionados con la memoria en sus diferentes niveles:memoria sensorial, memoria a corto plazo (o memoria de trabajo), y memoria a largo plazo ".
Los seres humanos son capaces de almacenar información en su memoria y recordarla en momentos de necesidad. Esta habilidad fundamental permite la ejecución de procedimientos físicos y la búsqueda de metas a largo plazo. Tan importante como recordar cosas del pasado, sin embargo, es la capacidad de olvidar información irrelevante, centrar la atención en lo que puede contribuir a resolver las tareas o problemas presentes.
"Analizamos las similitudes entre la arquitectura de memoria visual que se cree que existe en el cerebro humano y el proceso de construcción de mapas en automóviles autónomos, "Dijo De Souza." Inspirado por estas similitudes, propusimos una estrategia novedosa para eliminar el ruido en línea de los mapas de cuadrículas de ocupación, lo que llamamos decaimiento del mapa ".
La descomposición del mapa funciona fusionando la información sensorial obtenida durante el tiempo de ejecución (es decir, cuando un sistema está en línea) con datos anteriores de un mapa de alta precisión construido fuera de línea. Los datos en línea o fuera de línea se enfatizan según si los sensores observan las celdas del mapa o no.
"Las celdas observadas por los sensores se actualizan utilizando técnicas tradicionales de mapeo de cuadrícula de ocupación, "De Souza explicó." Las celdas que no se observan se ajustan para que sus probabilidades de ocupación tiendan a los valores encontrados en el mapa fuera de línea. El efecto de este ajuste es un aparente desvanecimiento, o decadencia, de información en línea en regiones no observables del mapa, mientras se conserva la información fuera de línea de alta precisión ".
La idea detrás de esta estrategia es que la información disponible más precisa sobre una celda de mapa no observable es el valor que se encuentra en el mapa fuera de línea de alta precisión. UFES ha aplicado la descomposición del mapa a su vehículo autónomo IARA y las pruebas iniciales arrojaron resultados muy prometedores.
"El deterioro del mapa elimina las imperfecciones de los mapas de cuadrícula de ocupación en línea, "De Souza dijo." Estas imperfecciones tienen varias causas. Por ejemplo, cuando un objeto dinámico cruza las celdas de un mapa, se aumentan sus probabilidades de ocupación. Debido al movimiento del automóvil autónomo, Es posible que estas células ya no se observen, lo que lleva a un rastro en el mapa que no se borra ".
Souza explicó que el mismo problema también puede ocurrir cuando se detecta un falso obstáculo, debido a un error natural del sensor. Si las células no se vuelven a observar, ya sea porque el robot se está moviendo o porque estas celdas están ubicadas dentro de un punto ciego sensorial, la probabilidad de ocupación no se corregirá.
La descomposición del mapa elimina eficazmente estas imperfecciones, utilizando estrategias que reflejen los procesos de la memoria humana. Al igual que el cerebro humano, libera información que ya no es necesaria y da sentido a los datos sensoriales incompletos llenándolos de conocimiento a largo plazo, que se almacena en el mapa sin conexión preciso.
"Siempre intentamos implementar una solución de vanguardia a un problema y luego intentamos volver a implementarla mediante redes neuronales, nuestro paradigma preferido para emular el cerebro, "De Souza dijo." Como trabajo futuro, estudiaremos cómo implementar todo el proceso de mapeo, incluido el deterioro del mapa, utilizando redes neuronales profundas ".
© 2018 Tech Xplore
