Cientistas querem incutir no carro um sistema de memória que lhes permite memorizar as ruas por onde passam e os potenciais obstáculos.
Numa fase inicial, acreditava-se que os veículos autónomos iriam conduzir de acordo com as informações e instruções que lhes foram introduzidas nos sistemas de condução. No entanto, esta ideia parece estar a mudar, já que conduzem sobre o que foi introduzido nos seus sistemas de condução, mas agora isto parece estar a mudar.
Na realidade, os veículos que utilizam redes neurais artificiais não têm memória do passado. Como tal, estão constantemente a ver o mundo pela primeira vez, não importando o número de vezes que tenham passado por uma determinada estrada ou conduzido em condições meteorológicas semelhantes.
Com o objetivo de inverter esta tendência, os investigadores da Universidade de Cornell desenvolveram uma forma de ajudar veículos autónomos a criar “memórias” de experiências anteriores e a utilizá-las na navegação futura, especialmente durante condições meteorológicas adversas, quando os veículos não podem confiar tanto nos seus sensores com segurança.
Liderado pelo estudante de doutoramento Carlos Diaz-Ruiz, o grupo compilou um conjunto de dados conduzindo repetidamente um carro equipado com sensores LiDAR (Light Detection and Ranging) ao longo de 15 quilómetros em Ithaca e 18 meses. As travessias feitas captam ambientes (auto-estrada, urbano, campus), condições meteorológicas (ensolarado, chuvoso, nevado) e horas do dia distintas, resultando num conjunto de dados com mais de 600.000 cenários.
“As imagens expõem deliberadamente um dos principais desafios na condução de automóveis: más condições climatéricas”, aponta Diaz-Ruiz. “Se a rua estiver coberta de neve, os humanos podem confiar em memórias, mas sem memórias, uma rede neural está em grande desvantagem“.
Uma das três abordagens testadas, a Hindsight, utiliza redes neurais para calcular os descritores dos objetos à medida que o carro passa por eles. Posteriormente, o sistema comprime estas descrições, as quais o grupo apelidou de SQuaSH (Spatial-Quantized Sparse History) e armazena-as num mapa virtual, como uma “memória” armazenada num cérebro humano.
Isto significa que da próxima vez que o veículo passe pelo mesmo local, pode consultar a base de dados local SQuaSH de cada ponto LiDAR e “lembrar-se” do que tinha aprendido da última vez. A base de dados é continuamente atualizada e partilhada entre veículos, enriquecendo assim a informação disponível.
Enquanto que o Hindsight ainda assume que a rede neural artificial já está treinada para detetar objetos e aumenta-a com a capacidade de criar memórias, o Modest assume que a rede neural artificial no veículo nunca foi exposta a quaisquer objetos ou ruas. Através de múltiplas travessias da mesma rota, pode, por isso, aprender que partes do ambiente estão imóveis e quais são os objetos em movimento.
Os investigadores esperam que estas abordagens possam reduzir drasticamente o custo de desenvolvimento de carros autónomos (que atualmente ainda dependem fortemente de dados anotados pelo homem) e tornar esses veículos mais eficientes, aprendendo a navegar nos locais em que são mais utilizados.
“Na realidade, raramente se conduz uma rota pela primeira vez“, disse Katie Luo, outra autora do estudo e estudante de doutoramento do grupo de investigação. “Ou a própria pessoa ou outra pessoa a conduziu antes, por isso parece-nos natural recolher essa experiência e utilizá-la”.
“A questão fundamental é: podemos aprender com as repetidas travessias”, disse Kilian Weinberger, professor de ciências informáticas e outro autor do estudo. “Por exemplo, um carro pode confundir uma árvore de forma estranha com um pedestre na primeira vez que o seu sensor o deteta à distância, mas assim que estiver suficientemente perto, a categoria do objeto tornar-se-á clara. Assim, na segunda vez que passar pela mesma árvore, mesmo com nevoeiro ou neve, espera-se que o carro tenha agora aprendido a reconhecê-la corretamente”.
