Puede haber una mejor manera para que los vehículos autónomos aprendan a conducirse:observando a los humanos. Con la ayuda de un sistema de corrección visual mejorado, Los coches autónomos pueden aprender con solo observar a los operadores humanos completar la misma tarea.
Investigadores de la Universidad de Deakin en Australia publicaron sus resultados en IEEE / CAA Journal of Automatica Sinica , una publicación conjunta del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE) y la Asociación China de Automatización.
El equipo implementó el aprendizaje por imitación, también llamado aprendizaje de demostración. Un operador humano conduce un vehículo equipado con tres cámaras, Observando el entorno desde el frente y cada lado del carro. Luego, los datos se procesan a través de una red neuronal, un sistema informático basado en cómo las neuronas del cerebro interactúan para procesar la información, que permite que los vehículos tomen decisiones basadas en lo que aprendieron al observar al ser humano tomar decisiones similares.
"La expectativa de este proceso es generar un modelo únicamente a partir de las imágenes tomadas por las cámaras, "dijo el autor del artículo, Saeid Nahavandi, Profesor Alfred Deakin, Pro vicecanciller, catedrático de ingeniería y director del Instituto de Investigación e Innovación de Sistemas Inteligentes de la Universidad de Deakin. "Se espera que el modelo generado conduzca el coche de forma autónoma".
El sistema de procesamiento es específicamente una red neuronal convolucional, que se refleja en la corteza visual del cerebro. La red tiene una capa de entrada, una capa de salida y cualquier número de capas de procesamiento entre ellas. La entrada traduce la información visual en puntos, que luego se comparan continuamente a medida que ingresa más información visual. Al reducir la información visual, la red puede procesar rápidamente los cambios en el entorno:un cambio de puntos que aparecen adelante podría indicar un obstáculo en la carretera. Esta, combinado con el conocimiento adquirido al observar al operador humano, significa que el algoritmo sabe que un obstáculo repentino en la carretera debe hacer que el vehículo se detenga por completo para evitar un accidente.
"Tener una visión fiable y robusta es un requisito obligatorio en los vehículos autónomos, y las redes neuronales convolucionales son una de las redes neuronales profundas más exitosas para aplicaciones de procesamiento de imágenes, "Dijo Nahavandi.
Señaló un par de inconvenientes, sin embargo. Una es que el aprendizaje por imitación acelera el proceso de entrenamiento al tiempo que reduce la cantidad de datos de entrenamiento necesarios para producir un buen modelo. A diferencia de, Las redes neuronales convolucionales requieren una cantidad significativa de datos de entrenamiento para encontrar una configuración óptima de capas y filtros. que puede ayudar a organizar los datos, y produce un modelo generado correctamente capaz de conducir un vehículo autónomo.
"Por ejemplo, Descubrimos que aumentar la cantidad de filtros no necesariamente da como resultado un mejor rendimiento, ", Dijo Nahavandi." La selección óptima de los parámetros de la red y el procedimiento de entrenamiento es todavía una cuestión abierta que los investigadores están investigando activamente en todo el mundo ". los investigadores planean estudiar técnicas más inteligentes y eficientes, incluyendo algoritmos genéticos y evolutivos para obtener el conjunto óptimo de parámetros para producir mejor un autoaprendizaje, vehículo autónomo.