Guida profonda

Quando il progetto di auto a guida autonoma di Google è iniziato circa un decennio fa, l'azienda ha preso la decisione strategica di costruire la sua tecnologia su costosi lidar e mappe dettagliate. Ancora oggi, la tecnologia di guida autonoma di Google si basa ancora su questi due pilastri. Sebbene questo approccio sia ottimo fino a un certo punto - abbiamo buoni algoritmi per l'utilizzo dei dati lidar e della fotocamera per localizzare un'auto sulla mappa - non è ancora abbastanza buono. Guidare su strade complicate e in continua evoluzione implica capacità percettive e decisionali che sono intrinsecamente incerte (vedi La tua corsa senza conducente sta arrivando).

Ora una tecnologia di intelligenza artificiale chiamata deep learning viene utilizzata per affrontare il problema. Invece di usare il vecchio metodo degli algoritmi codificati a mano, ora possiamo usare sistemi che si programmano da soli imparando da esempi di come un sistema dovrebbe comportarsi in risposta a un input. Il deep learning è ora l'approccio migliore alla maggior parte delle attività di percezione, nonché a molte attività di controllo di basso livello.

Un'auto a guida autonoma ha bisogno di un sistema di percezione per percepire le cose che si muovono (auto, persone) così come le cose che non lo sono (lampioni, cordoli). I veicoli a guida autonoma rilevano oggetti dinamici utilizzando sensori come fotocamere, scanner laser e radar. Di queste tre, le fotocamere sono le più economiche, ma sono anche le meno utilizzate perché è difficile tradurre le immagini in oggetti rilevati. Utilizzando il deep learning, stiamo assistendo a notevoli miglioramenti nella capacità dell'auto di comprendere e utilizzare tali immagini.

Stiamo anche vedendo vantaggi significativi da qualcosa chiamato deep learning multitasking, in cui un sistema addestrato simultaneamente per rilevare la segnaletica orizzontale, le auto e i pedoni fa meglio di tre sistemi separati addestrati in isolamento, poiché la singola rete può condividere le informazioni tra le attività separate .

Invece di fare affidamento interamente su una mappa pre-calcolata, l'auto può utilizzare la mappa come uno dei tanti flussi di dati, combinandola con gli input dei sensori per aiutarla a prendere decisioni. (Una rete neurale che sa dai dati della mappa dove si trovano i passaggi pedonali, ad esempio, può rilevare con maggiore precisione i pedoni che cercano di attraversare rispetto a una che si basa esclusivamente sulle immagini.)

Il deep learning può anche alleviare uno dei maggiori problemi identificati da molti che hanno guidato un'auto a guida autonoma: una sensazione a scatti nello stile di guida, che a volte porta alla cinetosi. Ma un'auto addestrata utilizzando esempi di guida umana può offrire un viaggio che sembra più naturale.

È ancora presto. Ma proprio come ha fatto il deep learning con la ricerca di immagini e il riconoscimento vocale, è probabile che cambi per sempre il corso delle auto a guida autonoma.

Carol Reiley è la cofondatrice di Drive.ai.

nascondere