De hecho, tuve la oportunidad de trabajar en el Stanford DARPA Urban Challenge Car y asistí a una clase con Sebastian Thrun. No sé si los automóviles de Google usan las mismas técnicas que el automóvil Stanford Urban Challenge, pero supongo que sí, ya que Sebastian ayuda con ese proyecto.
Básicamente, construir un auto sin conductor se reduce a 3 tareas clave
1) localización precisa
2) Detección de obstáculos
3) Planificación del camino
Trabajé con los componentes del automóvil para (1) para poder hablar más sobre eso. La técnica que utilizan se llama localización “Monte Carlo” y es una técnica bien entendida. Las GPS + IMU son bastante precisas, pero aún están por debajo de la precisión necesaria para cambiar de carril, etc. Por esta razón, los sensores láser se utilizan para mejorar la precisión. Estos sensores láser se utilizan para crear una nube de puntos en 3D de los alrededores. En este escaneo, en realidad es bastante fácil extraer marcadores de carril debido al hecho de que los marcadores de carril producen un mayor valor de intensidad en el escaneo láser. Estos marcadores de carril se corresponden con un RNDF (archivo de definición de red de ruta). Todo esto se hace en el marco probabilístico de los modelos ocultos de Markov: tenemos una distribución de creencias sobre la posición actual y esta distribución se actualiza con base en nueva evidencia.
- ¿Cómo funciona Deep Blue?
- Douglas Hofstadter (científico cognitivo): ¿Qué, según "Soy un bucle extraño", hace que los humanos desarrollemos un sentido de "yo"?
- ¿Cuáles son los mayores obstáculos para crear un AGI o incluso un ASI?
- ¿Cómo se usa actualmente el aprendizaje automático en la industria del reclutamiento?
- ¿Qué lenguajes de programación necesitas saber para crear una IA de aprendizaje profundo?
Además de la detección de carril, también tienen la capacidad de alinear completamente las nubes de puntos. Para hacer esto, primero conducen a través de un parche de nube de puntos de recolección de carreteras de los alrededores durante muchos cuadros sucesivos. Estas nubes de puntos se alinean algorítmicamente (no estoy seguro de cómo lo hacen, pero supongo que un algoritmo iterativo de tipo de puntos más cercano podría funcionar). Esto crea un modelo 3D completo de ese tramo de carretera y luego puede alinear el modelo 3D a las imágenes satelitales. Ahora, cuando conducen por ese camino nuevamente, pueden tomar el escaneo láser y alinear el escaneo con el modelo 3D existente para encontrar una estimación de dónde están exactamente.
Otra técnica que usaron fue combinar datos de la cámara con los escaneos láser para mejorar la precisión. Un problema con los láseres es que se vuelven muy escasos a medida que se va lejos y, a menudo, la señal de retorno es ruidosa. Entonces, lo que hicieron fue alinear el escaneo láser con una imagen de cámara y usarlo para inferir mejor la profundidad. (no sé mucho sobre esto)
La etapa de planificación también es bastante compleja y, por lo que sé, usan no solo algoritmos tradicionales de planificación de rutas (A *) sino también algo de aprendizaje de refuerzo.
Es posible que desee consultar estos documentos para obtener más información:
http://www.springerlink.com/inde…
http://ieeexplore.ieee.org/xpls/…
http://citeseerx.ist.psu.edu/vie…
