Comparaison de la sortie du système de cartographie en ligne avec et sans dégradation de la carte dans une situation de dépassement. Les images des figures (a) et (b) montrent une visualisation 3D du dépassement. Dans ces images, les points bleus représentent les points des lectures Velodyne et les cases rouges représentent les cellules avec une probabilité d'occupation élevée. Les images restantes (figures (c) à (h)) montrent la carte en ligne de l'IARA dans la même situation (différente de (a) et (b), les régions bleues de la carte sont des cellules non touchées par les capteurs). Si la décroissance de la carte n'est pas utilisée, les cellules à gauche de la voiture (rectangle rouge) sont signalées comme des obstacles et ne sont pas remises en liberté car elles tombent dans un angle mort du capteur (voir figures (c), (e) et (g)). Si la décroissance de la carte est utilisée, les cellules marquées comme des obstacles disparaissent lentement au fur et à mesure qu'elles se décomposent en valeurs de carte hors ligne (voir les figures (d), (F), et (h)). Crédit :De Souza et al.
Chercheurs du Laboratório de Computação de Alto Desempenho (LCAD) de l'Universidade Federal do Espírito Santo (UFES), au Brésil, ont conçu une nouvelle stratégie pour corriger les imperfections des cartes de grille d'occupation en corrigeant les probabilités d'occupation invalides des cellules de la carte qui ne sont pas observables par les capteurs. Cette nouvelle technique, appelé dégradation de la carte, s'inspire des connaissances empiriques actuelles sur l'architecture de la mémoire du cerveau humain.
"L'objectif à long terme de notre équipe de recherche au LCAD est de comprendre le fonctionnement du cerveau humain, " Alberto Ferreira De Souza, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "C'est un objectif très ambitieux, Je connais, donc pour y faire face, nous avons fait ce qui est habituel en science. C'est-à-dire, nous avons envisagé de comprendre le cerveau comme une série de jalons et avons commencé par le premier. Dans notre cas, c'était pour essayer de comprendre la cognition visuelle, notre capacité à comprendre le monde et les idées sur le monde en utilisant notre sens de la vision."
Ce projet de recherche ambitieux a débuté il y a environ 15 ans, d'abord avec l'utilisation d'images statiques puis avec des images dynamiques prises par des caméras placées sur des robots mobiles. Plus tard, les chercheurs ont commencé à étudier les voitures autonomes et ont finalement construit les leurs, appelé IARA (Intelligent Autonomous Robotic Automobile).
"Dans ce travail, nous avons cherché l'inspiration dans le cerveau pour proposer des améliorations dans les algorithmes existants impliqués dans la gestion des cartes des voitures autonomes, " a dit De Souza. " Le cerveau et ses fonctions ont été analysés du point de vue de la psychologie cognitive; en particulier, les processus cognitifs liés à la mémoire à ses différents niveaux :mémoire sensorielle, mémoire à court terme (ou mémoire de travail), et la mémoire à long terme."
Les humains sont capables de stocker des informations dans leur mémoire et de les rappeler en cas de besoin. Cette capacité fondamentale permet l'exécution de procédures physiques et la poursuite d'objectifs à long terme. Tout aussi important que de se souvenir des choses du passé, cependant, est la capacité d'oublier des informations non pertinentes, concentrer son attention sur ce qui peut contribuer à résoudre les tâches ou les problèmes actuels.
"Nous avons analysé les similitudes entre l'architecture de la mémoire visuelle qui existerait dans le cerveau humain et le processus de création de cartes dans les voitures autonomes, " a déclaré De Souza. " Inspiré par ces similitudes, nous avons proposé une nouvelle stratégie pour supprimer le bruit en ligne des cartes de grille d'occupation, ce que nous avons appelé la désintégration de la carte."
La dégradation de la carte fonctionne en fusionnant les informations sensorielles obtenues pendant l'exécution (c'est-à-dire lorsqu'un système est en ligne) avec les données antérieures d'une carte de haute précision construite hors ligne. Les données en ligne ou hors ligne sont mises en valeur selon que les cellules de la carte sont observées par des capteurs ou non.
« Les cellules observées par les capteurs sont mises à jour à l'aide des techniques traditionnelles de cartographie de la grille d'occupation, " expliqua De Souza. " Les cellules qui ne sont pas observées sont ajustées de sorte que leurs probabilités d'occupation tendent vers les valeurs trouvées sur la carte hors ligne. L'effet de cet ajustement est un évanouissement apparent, ou pourriture, d'informations en ligne dans les régions non observables de la carte, tandis que les informations hors ligne de haute précision sont conservées."
L'idée derrière cette stratégie est que l'information disponible la plus précise sur une cellule de carte non observable est la valeur trouvée dans la carte hors ligne de haute précision. L'UFES a appliqué la décroissance cartographique à son véhicule autonome IARA et les premiers tests ont donné des résultats très prometteurs.
"La dégradation des cartes supprime les imperfections des cartes de grille d'occupation en ligne, " a dit de Souza. " Ces imperfections ont plusieurs causes. Par exemple, lorsqu'un objet dynamique traverse les cellules d'une carte, leurs probabilités d'occupation sont élevées. En raison du mouvement de la voiture autonome, ces cellules peuvent ne plus être observées, conduisant à une trace sur la carte qui ne s'efface pas."
Souza a expliqué que le même problème peut également se produire lorsqu'un faux obstacle est détecté, en raison d'une erreur naturelle du capteur. Si les cellules ne sont pas observées à nouveau, que ce soit parce que le robot est en mouvement ou parce que ces cellules sont situées dans un angle mort sensoriel, la probabilité d'occupation ne sera pas corrigée.
La dégradation de la carte supprime efficacement ces imperfections, en utilisant des stratégies qui reflètent les processus de la mémoire humaine. Tout comme le cerveau humain, il libère des informations qui ne sont plus nécessaires et donne du sens aux données sensorielles incomplètes en les remplissant de connaissances à long terme, qui est stocké dans la carte hors ligne précise.
« Nous essayons toujours de mettre en œuvre une solution de pointe à un problème, puis de la ré-implémenter à l'aide de réseaux de neurones, notre paradigme préféré pour imiter le cerveau, " a déclaré De Souza. " En tant que travail futur, nous étudierons comment mettre en œuvre l'ensemble du processus de cartographie, y compris la dégradation de la carte, en utilisant des réseaux de neurones profonds."
© 2018 Tech Xplore
