Laboratorio de navegación
Programa de coches autónomos desarrollado por Carnegie Mellon

Navlab es una serie de vehículos autónomos y semiautónomos desarrollados por equipos del Instituto de Robótica de la Facultad de Ciencias de la Computación de la Universidad Carnegie Mellon . Los modelos posteriores se produjeron en un nuevo departamento creado específicamente para la investigación, llamado "Laboratorio de Navegación de la Universidad Carnegie Mellon". [1] El Navlab 5 se dirigió por sí solo casi todo el camino desde Pittsburgh hasta San Diego.

Historia

La investigación sobre vehículos controlados por computadora comenzó en Carnegie Mellon en 1984 [1] como parte de la Iniciativa de Computación Estratégica de DARPA [2] y la producción del primer vehículo, Navlab 1, comenzó en 1986. [3]

Aplicaciones

Los vehículos de la serie Navlab han sido diseñados para distintos propósitos: "... exploración todoterreno; autopistas automatizadas; prevención de colisiones por salida de la carretera; y asistencia al conductor para maniobrar en entornos urbanos abarrotados. Nuestro trabajo actual incluye detección de peatones, detección del entorno y detección de corto alcance para el control del vehículo". [4]

Se han desarrollado varios tipos de vehículos, incluidos "... coches, furgonetas, todoterrenos y autobuses robotizados". [1]

Vehículos

El instituto ha fabricado vehículos con las designaciones Navlab 1 a 11. [4] Los vehículos eran principalmente semiautónomos, aunque algunos eran completamente autónomos y no requerían intervención humana. [4]

El Navlab 1 se construyó en 1986 utilizando una furgoneta Chevrolet . [3] La furgoneta tenía 5 bastidores de hardware informático, incluidas 3 estaciones de trabajo Sun, hardware de vídeo y receptor GPS, y una supercomputadora Warp . [3] La computadora tenía 100 MFLOP/seg, el tamaño de un frigorífico, y un generador portátil de 5 kW . [5] El vehículo sufría limitaciones de software y no estuvo completamente funcional hasta finales de los 80, cuando alcanzó su velocidad máxima de 20 mph (32 km/h). [3]

El Navlab 2 se construyó en 1990 utilizando un HMMWV del ejército de los EE. UU . [3] La potencia de las computadoras se incrementó para este nuevo vehículo con tres computadoras Sparc 10 , "para procesamiento de datos de alto nivel", y dos computadoras basadas en 68000 "utilizadas para control de bajo nivel". [3] El Hummer era capaz de conducir tanto fuera como dentro de la carretera. Cuando conducía sobre terreno accidentado, su velocidad estaba limitada a una velocidad máxima de 6 mph (9,7 km/h). Cuando el Navlab 2 se conducía en la carretera podía alcanzar una velocidad máxima de 70 mph (110 km/h) [3]

Navlab 1 y 2 eran semiautónomos y utilizaban "... codificadores de volante y eje de transmisión y un costoso sistema de navegación inercial para la estimación de la posición". [3]

Navlab 5 utilizó una minivan Pontiac Trans Sport de 1990. En julio de 1995, el equipo la llevó de Pittsburgh a San Diego en un viaje de prueba de concepto, denominado "No Hands Across America", con el sistema navegando durante todas las millas, excepto 50 de las 2850, a una velocidad promedio de más de 60 MPH. [6] [7] [8] En 2007, Navlab 5 se agregó a la Clase de 2008 de los inducidos al Salón de la Fama de los Robots . [9]

Tanto el Navlab 6 como el 7 se construyeron con Pontiac Bonnevilles . El Navlab 8 se construyó con una camioneta Oldsmobile Silhouette . El Navlab 9 y el 10 se construyeron con autobuses de Houston Transit. [10]

Alvin

El ALVINN (un vehículo terrestre autónomo en una red neuronal) se desarrolló en 1988. [11] [12] [13] Se puede encontrar información detallada en la tesis doctoral de Dean A. Pomerleau (1992). [14] Fue una demostración temprana de aprendizaje de representación, fusión de sensores y aumento de datos.

Arquitectura

ALVINN era una red de propagación hacia adelante totalmente conectada de 3 capas, entrenada por retropropagación, con 1217-29-46 neuronas. Tenía 3 tipos de entradas:

  • Una cuadrícula de 30x32 que representa valores de escala de grises del canal azul de una cámara de vídeo apuntando hacia adelante.
  • Una cuadrícula de 8x32 que contiene información de profundidad de un telémetro láser (campo de visión de 30 por 80 grados).
  • 1 unidad de retroalimentación. Está conectada directamente a la de la capa de salida, con un retardo de un paso al estilo de la red de Jordan . Fue diseñada para proporcionar un procesamiento rudimentario del tiempo.

La capa de salida constaba de 46 unidades:

  • 45 unidades representan un rango lineal de ángulos de dirección. La unidad más activada dentro de este rango determina la dirección de la dirección del vehículo.
  • 1 unidad de retroalimentación.

Al inspeccionar los pesos de la red, Pomerleau notó que la unidad de retroalimentación aprendió a medir la liviandad relativa de las áreas con carreteras en comparación con las áreas sin carreteras.

Capacitación

ALVINN se entrenó mediante aprendizaje supervisado con un conjunto de datos de 1200 imágenes de carreteras simuladas emparejadas con los datos correspondientes del telémetro. Estas imágenes abarcaban diversas curvaturas de carreteras, orientaciones de retina, condiciones de iluminación y niveles de ruido. Las imágenes simuladas demandaron 6 horas de tiempo de CPU de Sun-4 .

La red se entrenó durante 40 épocas utilizando retropropagación en Warp (lo que llevó 45 minutos). El resultado deseado para cada ejemplo de entrenamiento fue una distribución gaussiana de activación en las unidades de salida de dirección, centrada en la unidad que representa el ángulo de dirección correcto.

Al final del entrenamiento, la red logró una precisión del 90 % en la predicción del ángulo de dirección correcto con una diferencia de dos unidades respecto del valor real en imágenes de carreteras simuladas no vistas. Debido a que los datos no eran claros

En experimentos en vivo, funcionó en Navlab 1, con una cámara de video y un telémetro láser. Podía conducirlo a 0,5 m/s a lo largo de un camino boscoso de 400 metros en una variedad de condiciones climáticas: nieve, lluvia, sol y nubes. Esto competía con los algoritmos tradicionales basados ​​en visión artificial de la época.

Más tarde, aplicaron el aprendizaje por imitación en línea con datos reales de una persona que conducía el Navlab 1. Observaron que, como un conductor humano nunca se desvía demasiado de la ruta, la red nunca se entrenaría para saber qué acción tomar si alguna vez se desvía demasiado de la ruta. Para abordar este problema, aplicaron el aumento de datos , donde cada imagen real se desplaza hacia la izquierda en 5 cantidades diferentes y hacia la derecha en 5 cantidades diferentes, y el ángulo de dirección humano real se desplaza en consecuencia. De esta manera, cada ejemplo se aumenta a 11 ejemplos.

Véase también

Referencias

  1. ^ abc «Navlab: The Carnegie Mellon University Navigation Laboratory». Instituto de Robótica . Consultado el 14 de julio de 2011 .
  2. ^ "Historia de la robótica: narrativas y redes: historias orales de Chuck Thorpe". IEEE.tv . 17 de abril de 2015 . Consultado el 7 de junio de 2018 .
  3. ^ abcdefgh Todd Jochem; Dean Pomerleau; Bala Kumar y Jeremy Armstrong (1995). "PANS: una plataforma de navegación portátil". The Robotics Institute . Consultado el 14 de julio de 2011 .
  4. ^ abc «Descripción general». NavLab . The Robotics Institute. Archivado desde el original el 8 de agosto de 2011 . Consultado el 14 de julio de 2011 .
  5. ^ Hawkins, Andrew J. (27 de noviembre de 2016). «Conoce a ALVINN, el coche autónomo de 1989». The Verge . Consultado el 7 de agosto de 2024 .
  6. ^ "Mira, mamá, sin manos". Universidad Carnegie Mellon . 31 de diciembre de 2017. Consultado el 31 de diciembre de 2017 .
  7. ^ Freeman, Mike (3 de abril de 2017). «Connected Cars: The long road to autonomous vehicles» (Coches conectados: el largo camino hacia los vehículos autónomos). Centro de Comunicaciones Inalámbricas . Archivado desde el original el 1 de enero de 2018. Consultado el 31 de diciembre de 2017 .
  8. ^ Jochem, Todd (3 de abril de 2015). "Regreso al futuro: conducción autónoma en 1995 - Tendencias en robótica". www.roboticstrends.com . Archivado desde el original el 29 de diciembre de 2017 . Consultado el 31 de diciembre de 2017 .
  9. ^ "LOS INGREDIDOS EN 2008". The Robot Institute. Archivado desde el original el 26 de septiembre de 2011. Consultado el 14 de julio de 2011 .
  10. ^ Shirai, Yoshiaki; Hirose, Shigeo (2012). Atención y costumbres para un comportamiento seguro. Springer Science & Business Media. pág. 249. ISBN 978-1447115809. {{cite book}}: |work=ignorado ( ayuda )
  11. ^ Pomerleau, Dean A. (1988). "ALVINN: Un vehículo terrestre autónomo en una red neuronal". Avances en sistemas de procesamiento de información neuronal . 1 . Morgan-Kaufmann.
  12. ^ Pomerleau, Dean (1990). "Adaptación rápida de redes neuronales artificiales para navegación autónoma". Avances en sistemas de procesamiento de información neuronal . 3. Morgan-Kaufmann.
  13. ^ Pomerleau, Dean A. (1990), Navegación autónoma basada en redes neuronales, The Kluwer International Series in Engineering and Computer Science, vol. 93, Boston, MA: Springer US, págs. 83-93, doi :10.1007/978-1-4613-1533-9_5, ISBN 978-1-4612-8822-0, consultado el 7 de agosto de 2024
  14. ^ Pomerleau, Dean A. (1993). Percepción de redes neuronales para la guía de robots móviles. Boston, MA: Springer US. doi :10.1007/978-1-4615-3192-0. ISBN 978-1-4613-6400-9.
  • El sitio web del Instituto de Robótica
  • Sitio web de Navlab
  • Documento PANS (1995) para el Navlab 5
Obtenido de "https://es.wikipedia.org/w/index.php?title=Navlab&oldid=1258523684"