**Una nueva estrategia para corregir imperfecciones en los mapas de cuadrícula de ocupación

Una nueva estrategia para corregir imperfecciones en los mapas de cuadrícula de ocupación

Comparación de la salida del sistema de mapas en línea con y sin deterioro del mapa en una situación de adelantamiento. Las imágenes de las figuras (a) y (b) muestran una visualización en 3D del adelantamiento. En estas imágenes, los puntos azules representan los puntos de las lecturas de Velodyne y los cuadros rojos representan las celdas con alta probabilidad de ocupación. Las imágenes restantes (figuras (c) a (h)) muestran el mapa en línea de IARA en la misma situación (diferente de (a) y (b), las regiones azules en el mapa son celdas no tocadas por los sensores). Si no se emplea el decaimiento del mapa, las celdas a la izquierda del automóvil (rectángulo rojo) se marcan como obstáculos y no se vuelven a liberar porque caen en un punto ciego del sensor (consulte las figuras (c), (e) y (g )). Si se emplea el decaimiento del mapa, las celdas marcadas como obstáculos se desvanecen lentamente a medida que se descomponen a los valores del mapa fuera de línea (consulte las figuras (d), (f) y (h)). Crédito: De Souza et al.

Investigadores del Laborat贸rio de Computa茫o de Alto Desempenho (LCAD) de la Universidade Federal do Esp铆rito Santo (UFES), en Brasil, han ideado una estrategia novedosa para corregir imperfecciones en los mapas de cuadrculas de ocupacin corrigiendo las probabilidades de ocupacin invlidas de los mapas células que no son observables por los sensores. Esta técnica novedosa, llamada descomposición del mapa, está inspirada en el conocimiento empírico actual de la arquitectura de la memoria del cerebro humano.

“El objetivo a largo plazo de nuestro equipo de investigación en LCAD es comprender cómo funciona el cerebro humano”, dijo a TechXplore Alberto Ferreira De Souza, uno de los investigadores que llevó a cabo el estudio. “Es una meta muy ambiciosa, lo sé, así que para abordarla hicimos lo que es habitual en la ciencia. Es decir, nos planteamos entender el cerebro como una serie de hitos y empezamos por el primero. En nuestro caso , fue para tratar de comprender la cognición visual, nuestra capacidad para comprender el mundo y las ideas sobre el mundo utilizando nuestro sentido de la visión”.

Este ambicioso proyecto de investigación comenzó hace aproximadamente 15 años, inicialmente con el uso de imágenes estáticas y luego dinámicas tomadas por cámaras colocadas en robots móviles. Más tarde, los investigadores comenzaron a estudiar los autos sin conductor y eventualmente construyeron los suyos propios, llamados IARA (Automóvil Robótico Autónomo Inteligente).

“En este trabajo, buscamos inspiración en el cerebro para proponer mejoras en los algoritmos existentes involucrados en el manejo de mapas de autos sin conductor”, dijo De Souza. “Se analizó el cerebro y sus funciones desde el punto de vista de la psicología cognitiva; en particular, los procesos cognitivos relacionados con la memoria en sus diferentes niveles: memoria sensorial, memoria a corto plazo (o memoria de trabajo) y memoria a largo plazo”.

Los humanos son capaces de almacenar información en su memoria y recordarla en momentos de necesidad. Esta habilidad fundamental permite la ejecución de procedimientos físicos y la búsqueda de objetivos a largo plazo. Sin embargo, tan importante como recordar cosas del pasado es la capacidad de olvidar información irrelevante, enfocando la atención en lo que puede contribuir a resolver tareas o problemas presentes.

“Analizamos las similitudes entre la arquitectura de la memoria visual que se cree que existe en el cerebro humano y el proceso de construcción de mapas en los automóviles autónomos”, dijo De Souza. “Inspirados por estas similitudes, propusimos una estrategia novedosa para eliminar el ruido en línea de los mapas de cuadrícula de ocupación, que llamamos descomposición del mapa”.

El decaimiento de mapas funciona mediante la combinación de información sensorial obtenida durante el tiempo de ejecución (es decir, cuando un sistema está en línea) con datos previos de un mapa de alta precisión construido fuera de línea. Los datos en línea o fuera de línea se enfatizan según si los sensores observan o no las celdas del mapa.

“Las celdas observadas por los sensores se actualizan utilizando técnicas tradicionales de mapeo de cuadrículas de ocupación”, explicó De Souza. “Las celdas que no se observan se ajustan para que sus probabilidades de ocupación tiendan a los valores encontrados en el mapa fuera de línea. El efecto de este ajuste es un aparente desvanecimiento o deterioro de la información en línea en regiones no observables del mapa, mientras que la alta precisión la información fuera de línea se conserva”.

La idea detrás de esta estrategia es que la información disponible más precisa sobre una celda de mapa no observable es el valor que se encuentra en el mapa fuera de línea de alta precisión. UFES ha aplicado map decay a su vehículo autónomo IARA y las pruebas iniciales arrojaron resultados muy prometedores.

“El decaimiento del mapa elimina las imperfecciones de los mapas de cuadrícula de ocupación en línea”, dijo de Souza. “Estas imperfecciones tienen varias causas. Por ejemplo, cuando un objeto dinámico cruza las celdas de un mapa, sus probabilidades de ocupación aumentan. Debido al movimiento del automóvil autónomo, es posible que estas celdas ya no se observen, lo que lleva a un rastro en el mapa que no se borra”.

Souza explicó que el mismo problema también puede ocurrir cuando se detecta un obstáculo falso, debido a un error natural del sensor. Si las celdas no se vuelven a observar, ya sea porque el robot se está moviendo o porque estas celdas están ubicadas dentro de un punto ciego sensorial, la probabilidad de ocupación no se corregirá.

La descomposición del mapa elimina de manera efectiva estas imperfecciones, utilizando estrategias que reflejan los procesos de la memoria humana. Al igual que el cerebro humano, libera información que ya no es necesaria y da sentido a los datos sensoriales incompletos llenándolos con conocimiento a largo plazo, que se almacena en el mapa fuera de línea preciso.

“Siempre tratamos de implementar una solución de vanguardia para un problema y luego tratamos de volver a implementarla utilizando redes neuronales, nuestro paradigma preferido para emular el cerebro”, dijo De Souza. “Como trabajo futuro, estudiaremos cómo implementar todo el proceso de mapeo, incluida la descomposición del mapa, utilizando redes neuronales profundas”.


Similar Posts

Leave a Reply