Direção autônoma: pesquisadores propõem treinamento mais eficiente
O treinamento de sistemas de direção autônoma tem avançado, mas ainda enfrenta limitações, como a impossibilidade de testá-los no mundo real (afinal, isso seria perigoso para outros motoristas e pedestres). Um grupo de pesquisadores encontrou uma forma de melhorar esse treinamento.
A equipe criou modelos que melhoram a renderização de imagens e facilitam a simulação de manobras complexas, algo comum no dia a dia dos motoristas.
Treinamento de direção autônoma tem limitações
A direção autônoma não requer a presença de um motorista humano para funcionar. Mas como testar esses sistemas em situações reais sem colocar a vida de outros seres humanos em risco?
A solução encontrada pela indústria foi o uso de plataformas de simulação. São dois tipos:
Simulação de malha aberta, na qual as ações dos veículos simulados não afetam desempenhos futuros;
Simulação de malha fechada, na qual as ações dos veículos são aprendidas pelo sistema e influenciam em situações futuras.
Como lembrou o TechXplore, as simulações de malha aberta são mais fáceis de implementar, porque não se adaptam às ações e erros cometidos durante o teste. No entanto, também não dá espaço para aprender com o erro. Nesse caso, as simulações de malha fechada refletem de maneira mais fiel o mundo real e sua adaptabilidade. A desvantagem é que elas costumam ser mais exigentes computacionalmente e nem sempre renderizam manobras complexas.
Pesquisadores têm a solução para direção autônoma
Uma equipe formada por cientistas da GigaAI, Peking University, Li Auto Inc. e CASIA desenvolveu um método capaz de melhorar as cenas de direção em simulações. O modelo foi descrito em um artigo publicado no arXiv.
Na prática, o sistema usa conhecimentos de outros modelos mundialmente para melhorar as técnicas de renderização de cenas de direção, que acontecem principalmente em cenas complexas, como manobras e mudanças de faixa.
As soluções foram batizadas de ReconDreamer e Drive Restorer, e envolvem treinar os modelos de direção autônoma progressivamente para minimizar falhas.
Leia mais:
Motoristas se distraem mais com automação parcial, revela pesquisa
Algo simples pode melhorar a segurança de carros autônomos
Como funciona cada modelo
O ReconDreamer melhora a reconstrução de cenas de direção por meio da integração do conhecimento de modelos mundiais;
Já o DriveRestorer é usado para mitigar erros através de uma estratégia de atualização progressiva usando dados renderizados de alta qualidade de manobras mais complexas.
A equipe testou ambas invenções e considerou os resultados promissores. Segundo eles, o ReconDreamer é o “primeiro método a renderizar efetivamente em grandes manobras”.
O post Direção autônoma: pesquisadores propõem treinamento mais eficiente apareceu primeiro em Olhar Digital.