Data science

นักวิจัยของ MIT ใช้ประโยชน์จากการเรียนรู้ของเครื่องเพื่อ Lidar ที่ดีขึ้น

Lidar (ย่อมาจากการตรวจจับแสงและการปรับระยะ) เป็นเทคโนโลยีทั่วไปที่เพิ่มขึ้น ซึ่งฝังอยู่ใน iPhones และ Teslas ซึ่งใช้เลเซอร์ในการวัดระยะทาง ทำให้สามารถทำแผนที่ระยะไกลที่แม่นยำสำหรับพื้นที่ขนาดเล็กและขนาดใหญ่ ตัวอย่างเช่นในดาวเทียม lidar ใช้เพื่อวัดระดับความสูง ในรถยนต์ที่ขับด้วยตนเอง จะใช้ในการทำแผนที่ถนน สิ่งกีดขวาง และอื่นๆ ขณะนี้ นักวิจัยจาก MIT กำลังใช้ประโยชน์จากการเรียนรู้ของเครื่องเพื่อให้สามารถประมวลผลข้อมูล Lidar ได้อย่างละเอียดยิ่งขึ้นในแบบเรียลไทม์ ปัญหาใกล้ตัว กล่าวโดยสรุป Lidar มีประสิทธิภาพและการประมวลผลข้อมูลช้า เซ็นเซอร์ Lidar ทั่วไปสามารถสร้างจุดข้อมูลเชิงลึกได้หลายล้านจุดต่อวินาที ซึ่งทำให้ความสามารถในการประมวลผลข้อมูลในรถยนต์ล้นหลามอย่างรวดเร็ว ดังนั้นระบบในรถยนต์เหล่านั้นจึงยุบข้อมูล 3D Lidar ให้เป็นข้อมูล 2D ทำให้สูญเสียรายละเอียดในการแปลไปมาก ในทางตรงกันข้าม นักวิจัยของ MIT กำลังใช้เฟรมเวิร์กการเรียนรู้ของเครื่องแบบ end-to-end โดยป้อนในแผนที่ GPS ความละเอียดต่ำ และข้อมูลดิบ 3D Lidar นักวิจัยของ MIT ได้ออกแบบส่วนประกอบใหม่ ๆ สำหรับโมเดลการเรียนรู้เชิงลึกเพื่อใช้ประโยชน์จาก GPU ได้ดียิ่งขึ้น เพื่อจัดการกับภาระการคำนวณจำนวนมากของการเรียนรู้เชิงลึกจากข้อมูล Lidar จำนวนมากได้เร็วพอที่จะทำให้สามารถขับขี่แบบเรียลไทม์ได้ Zhijian Liu นักศึกษาระดับปริญญาเอกของ MIT และผู้เขียนร่วมของบทความกล่าวว่า “เราได้ปรับโซลูชันของเราให้เหมาะสมจากทั้งอัลกอริทึมและมุมมองของระบบ โดยได้รับความเร็วสะสมประมาณ 9 เท่า เมื่อเทียบกับแนวทาง 3D lidar ที่มีอยู่” กับ Adam Conner-Simons แห่ง MIT ข้อมูลการทดสอบในช่วงต้นแสดงให้เห็นว่าระบบ MIT ช่วยลดความจำเป็นในการเทคโอเวอร์ของมนุษย์และทนต่อความล้มเหลวของเซ็นเซอร์ที่สำคัญได้ สาเหตุส่วนใหญ่เกิดจากการป้องกันความเสี่ยงการเดิมพันของระบบ โดยจะประเมินความแน่นอนในการทำนายใดๆ จากนั้นจึงชั่งน้ำหนักการทำนายแต่ละครั้งตามลำดับ ซึ่งจะช่วยปกป้องระบบจากอินพุตที่ทำให้เข้าใจผิด เช่น ข้อมูล Lidar ที่ยุ่งเหยิงระหว่างสภาพอากาศ Daniela Rus ศาสตราจารย์ด้านวิศวกรรมไฟฟ้าและวิทยาการคอมพิวเตอร์ที่ MIT และหนึ่งในผู้เขียนอาวุโสของรายงานกล่าวว่า “การรวมการคาดการณ์การควบคุมตามความไม่แน่นอนของแบบจำลองทำให้ระบบสามารถปรับให้เข้ากับเหตุการณ์ที่ไม่คาดคิดได้ นักวิจัยหวังว่างานของพวกเขาจะช่วยปูทางไปสู่ระบบขับเคลื่อนด้วยตนเองในอนาคตซึ่งต้องการการแทรกแซงโดยเจ้าหน้าที่น้อยลง ทั้งจากโปรแกรมเมอร์และไดรเวอร์ เพื่อให้ได้ผลลัพธ์ที่น่าพอใจ Alexander Amini ผู้เขียนนำร่วมอีกคนกล่าวว่า “เราได้นำประโยชน์ของวิธีการขับขี่แบบไร้แผนที่มารวมเข้ากับการเรียนรู้ของเครื่องแบบ end-to-end เพื่อไม่ให้โปรแกรมเมอร์ผู้เชี่ยวชาญต้องปรับแต่งระบบด้วยมือ” ของบทความ (และนักศึกษาปริญญาเอกอีกคนที่ MIT) ต่อไป นักวิจัยกำลังทำงานเพื่อปรับขนาดระบบผ่านแบบจำลองเหตุการณ์สภาพอากาศและยานพาหนะเพิ่มเติมบนท้องถนน

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button