Waymo apresenta ChaufferNet, sistema autônomo que imita motorista real

Por Wagner Wakka | 12 de Dezembro de 2018 às 16h22

Que a Waymo parece estar mais à frente que suas concorrentes no mercado de carros autônomos, pouca gente questiona. A empresa anunciou, no início do mês, o início de seu serviço, em caráter de testes, de transporte comercial totalmente sem controle de motoristas humanos (embora haja pessoas de emergência neste primeiro momento). Agora, a companhia comunicou um novo avanço: o ChaufferNet, uma rede neural voltada a ensinar computadores a copiar a forma como seres humanos dirigem.

A equipe da Waymo treinou seus mecanismos para durante 60 dias de direção em ambientes reais e descobriram que há reações e movimentações que o computador não pode prever se não copiar a forma como o ser humano dirige. Isso significa prever quando um carro, por exemplo, vai avançar um sinal prestes a fechar e coisas do tipo.

“Nossa proposta era expor o aprendiz a dados sintetizados na forma de perturbações de motoristas experientes, o que cria situações interessantes como colisões e/ou saídas da pista”, explicaram os pesquisadores.

A proposta é que o veículo saiba que, por vezes, vale mais a pena quebrar certas regras pelo benefício da segurança. Por exemplo, jogar o carro para o acostamento caso haja a iminência de um acidente.

O total de informações permite ao menos 30 milhões de exemplos de formas com que motoristas reais podem reagir nas mais variadas ações, o que a companhia ainda acredita que pode não ser suficiente para que um robô copie a forma como o ser humano dirige. Contudo, eles acreditam que já seja suficiente para mostrar diferenças para o sistema quando, por exemplo,um carro está parado de forma errada em fila dupla e fazer com que o algoritm tome uma providência quanto a isso.

Sistema replicando movimentos de carros ao redor (Foto: Divulgação/Waymo)

Dessa forma, o sistema do ChaufferNet trabalha de duas formas distintas. A primeira usa uma mecânica de FeatureNet, uma rede neural que processa todos os dados que entram nos sensores do carro. Disso, ele retira informações como caminho, tráfego, velocidade máxima permitida e posições atuais e previstas de outros carros.

Tudo isso é compartilhado com este segundo sistema, o AgentRNN, que é quem efetivamente responde após a análise dos dados. Em termos bem básicos, o FeatureNet “pensa” e o AgentRNN “age”.

Contudo, ele não age de qualquer forma. O sistema conta com um controle de precisão, indicando não só para onde virar, nem quando acelerar, mas quanto deve exercer cada uma destas funções.

Treinamento

Para que o veículo, então, pudesse entender de forma mais clara como é a direção de um ser humano, os programadores colocaram um carro autônomo para acompanhar exatamente os mesmos passos de um motorista real e “anotar” todas as informações no processo. Junto disso, o sistema foi levado a situações nas quais teria de evitar problemas, bem diferentes das corriqueiras, criadas em cenários pré-programados.

“Um carro totalmente autônomo precisa estar preparado para lidar com a alta gama de situações que acontecem no mundo real. Quando o deep learning é aproveitado com sucesso em várias aplicações, lidar com situações com pouco treino abre um novo problema”, escrevem os pesquisadores.

Dessa forma, a empresa acredita que será necessário ampliar cada vez mais o número de dados com que o sistema é alimentado, uma vez que as situações possíveis são incontáveis.

Todo trabalho está apresentado em pesquisa realizada pelo time no site da Waymo.

Fonte: Waymo Research, Medium

Gostou dessa matéria?

Inscreva seu email no Canaltech para receber atualizações diárias com as últimas notícias do mundo da tecnologia.