Kendi kendine giden araçları, etraflarındaki dünya hakkında daha derin bir farkındalığa sahip olmak için nasıl eğitebiliriz? Bilgisayarlar, yeni ve öngörülemeyen durumlarda güvenle gezinmelerine yardımcı olabilecek, gelecekteki kalıpları tanımak için geçmiş deneyimlerden öğrenebilir mi?
Bunlar, MIT Taşımacılık ve Lojistik Merkezi’ndeki AgeLab ve Toyota İşbirliği Güvenliği Araştırma Merkezi (CSRC) araştırmacılarının DriveSeg adlı yenilikçi yeni açık bir veri kümesini paylaşarak cevaplamaya çalıştıkları bazı sorular…
DriveSeg’in piyasaya sürülmesi ile MIT ve Toyota, insan algısı gibi sürüş ortamını sürekli bir görsel bilgi akışı olarak algılayan otonom sürüş sistemlerinde araştırmaları ilerletmek için çalışıyor.
Araştırmacı Bryan Reimer: “Bu veri kümesini paylaşırken, araştırmacıları, sektörü ve diğer yenilikçileri yeni nesil destekli sürüş ve otomotiv güvenlik teknolojilerine olanak tanıyan geçici AI modellemesine yeni bir bakış açısı ve yön geliştirmeye teşvik etmeyi umuyoruz. Toyota CSRC ile uzun zamandır devam eden çalışma ilişkimiz, araştırma çabalarımızın gelecekteki güvenlik teknolojilerini etkilemesini sağladı.”
Toyota CSRC Kıdemli Baş Mühendis Rini Sherony: “Öngörücü güç, insan zekasının önemli bir parçası… Ne zaman araba sürsek, potansiyel riskleri belirlemek ve daha güvenli kararlar almak için çevremizdeki hareketleri her zaman takip ediyoruz. Bu veri kümesini paylaşarak, otonom sürüş sistemleri ve çevrelerindeki ortamın karmaşıklığına daha uygun olan gelişmiş güvenlik özellikleri üzerine araştırmaları hızlandırmayı umuyoruz.”
Bugüne kadar, araştırma topluluğunun kullanımına sunulan kendi kendine sürüş verileri öncelikle, yol içinde ve çevresinde bulunan bisikletler, yayalar veya trafik ışıkları gibi ortak nesneleri tanımlamak ve “sınırlayıcı kutular” kullanarak, izlemek için kullanılabilecek statik, tekli görüntülerden oluşuyordu. Aksine, DriveSeg; aynı ortak yol nesnelerinin çoğunun daha kesintisiz, (sürekli bir video sürüş sahnesinin) objektifinde piksel düzeyinde temsillerini içerir. Bu tür bir tam sahne segmentasyonu, her zaman böyle tanımlanmış ve tek biçimli şekillere sahip olmayan daha yolu olmayan yapıların (yol yapımı aşamasında olan veya bitki örtüsünün olduğu yerlerin) tanımlanmasında özellikle yardımcı olabilir.
Sherony’ye göre, video tabanlı sürüş sahnesi algısı, dinamik, gerçek dünyadaki sürüş durumlarına daha çok benzeyen bir veri akışı sağlıyor. Ayrıca, araştırmacıların veri kalıplarını zaman içinde oynadıklarında keşfetmelerine izin verir, bu da makine öğrenimi, sahne anlama ve davranışsal tahmin konusunda ilerlemelere yol açabilir.
DriveSeg’de veriler iki bölümden oluşmaktadır:
-DriveSeg (manuel); Cambridge-Massachusetts’in yoğun sokaklarında bir günlük yolculuk sırasında çekilen 2 dakika 47 saniyelik yüksek çözünürlüklü videodur. Videonun 5.000 karesi, 12 yol nesne sınıfı piksel başına etiketlerle manuel olarak yoğun bir şekilde açıklanmaktadır.
-DriveSeg (Yarı otomatik); MIT Gelişmiş Araç Teknolojileri (AVT) Konsorsiyumu verilerinden çizilen 20.100 video karesidir (67 10 saniyelik video klip). Bu veri seti, çok çeşitli gerçek dünya sürüş senaryolarına açıklama eklemenin fizibilitesini değerlendirmek ve AI tabanlı etiketleme sistemleri yoluyla oluşturulan piksel etiketleri üzerinde araç algılama sistemlerinin eğitim potansiyelini değerlendirmek için oluşturuldu.
