Autos autónomos

El conjunto de datos obsoletos de vehículos autónomos atestigua la evolución del aprendizaje automático

El conjunto de datos obsoletos de vehículos autónomos atestigua la evolución del aprendizaje automático


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

A medida que los vehículos autónomos se convierten en una realidad en la vía pública, todos los datos y la información responsable de conducirlos de forma segura deben estar al día.

Es por eso que, cuando se corrió la voz de que las etiquetas de cientos de peatones, ciclistas, conos de tráfico, entre otros, faltaban en un conjunto de datos ampliamente utilizado para automóviles sin conductor surgió, la preocupación fue la principal reacción. Después de todo, las "reglas de la carretera" no tienen en cuenta los vehículos autónomos con puntos ciegos que incluyen a los humanos.

Pero este no es, de hecho, el caso.

VEA TAMBIÉN: ¿CÓMO FUNCIONAN LOS AUTOMÓVILES?

El aprendizaje automático evoluciona, según muestran los conjuntos de datos antiguos

Fuera de 15,000 imágenes comprobadas a mano del Udacity Dataset 2, 4,986 de ellos, eso es 33%, estaban incompletos, según el proveedor de conjuntos de datos comerciales, Roboflow.ai. Pero los conjuntos de datos de Udacity se crearon hace más de tres años y no están activos en las calles públicas.

Es importante recordar: en los años de aprendizaje automático en Internet, tres años humanos son varias vidas.

"En los años intermedios", dijo Udacity a Interesting Engineering (IE) en un intercambio de correo electrónico, "empresas como Waymo, nuTonomy y Voyage han publicado conjuntos de datos más nuevos y mejores destinados a escenarios del mundo real".

En otras palabras, Udacity no ha creado activamente nuevos conjuntos de datos para mantenerse al día con la línea más nueva de conjuntos de datos de automóviles autónomos porque, por ahora, ha cedido el piso del mundo real de las calles públicas a las empresas más nuevas.

Aprendizaje automático y algoritmos

El aprendizaje automático ha ayudado a muchas industrias a evolucionar más allá de su estado actual. Es necesario enseñar algoritmos informáticos a realizar nuevas tareas para que este proceso funcione sin problemas y de forma segura. En una línea de tiempo lo suficientemente larga, estos conjuntos de datos se vuelven inmensamente complejos. Esto puede dificultar su comprensión por parte de las personas que inician su carrera en vehículos autónomos. Es por eso que los conjuntos de datos incompletos, como un "modo fácil" en un videojuego, no son una mala idea. Siempre que permanezcan fuera de la carretera.

Los vehículos autónomos requieren una gran cantidad de datos para que sus algoritmos naveguen por los peligros de las calles públicas. Si un automóvil no sabe cómo reconocer a un peatón humano que camina al lado de la carretera, o un ciclista que comparte la carretera con el automóvil, pueden surgir problemas graves.

El proveedor de conjuntos de datos comerciales, Roboflow, publicó un artículo que confirma que un conjunto de datos de vehículos autónomos populares carece de actualizaciones. El Udacity Dataset 2 es utilizado por miles de estudiantes que están construyendo un conjunto de datos de automóviles autónomos de código abierto.

La empresa Roboflow comprobada a mano 15.000 imágenes del conjunto de datos y descubrió que 33% de ellos tuvo problemas. Había miles de vehículos sin etiqueta, cientos de peatones sin etiqueta, y docenas de ciclistas sin etiqueta.

Ruedas de entrenamiento para conjuntos de datos de vehículos autónomos

Es posible que Roboflow no haya tenido la intención de engañar al público. El concepto de ruedas de entrenamiento es difícil de entender para todos. ¿Una bicicleta sigue siendo una bicicleta, si la chica que la monta tiene dos ruedas adicionales? Algo así, pero no exactamente. ¿Está experimentando lo que es andar en bicicleta? Definitivamente, pero sin el riesgo real de una posible caída.

¿Está lista para lo real?

Depende de ella, y lo mismo podría decirse de los estudiantes, que tienen que decidir si están listos para despegar las ruedas de entrenamiento y construir sus propios conjuntos de datos en el riesgo del mundo real de la industria.

Por supuesto, comenzando con el conjunto de datos de Udacity, estos estudiantes tendrían un largo camino por recorrer. La identificación faltante rastreada por Roboflow incluía cuadros delimitadores duplicados, cuadros delimitadores de gran tamaño y anotaciones fantasmas.

Para complicar las cosas, alrededor 1.4% de las imágenes simplemente no tenían etiqueta, pero contenían automóviles, camiones, luces e incluso peatones, como una invitación a los desarrolladores de conjuntos de datos del mañana para que completen los datos por sí mismos.

Esto demuestra cuán increíblemente complejos son los conjuntos de datos de código abierto, y esta discrepancia entre las carreteras del mundo real y los primeros conjuntos de datos es un crédito para las empresas de conjuntos de datos de vanguardia con vehículos en las vías públicas. Pero el conjunto de datos de vehículos autónomos de Udacity no se utiliza en las vías públicas. En la actualidad, el único automóvil autónomo operativo de Udacity es solo para uso educativo, instalado en una pista de prueba cerrada.

Los estudiantes que necesitan una hoja de trucos, en su ambición de llenar los huecos de un conjunto de datos de tres años, tienen suerte: Roboflow arregló y volvió a publicar el conjunto de datos, aquí.

A medida que el aprendizaje automático impulse la tecnología de los automóviles autónomos para crear conjuntos de datos de mayor fidelidad, será más fácil mirar hacia atrás a lo largo de los años y décadas y preguntarse cómo lo logramos.

Pero, al igual que la niña y su bicicleta, el desafío consiste en quitar las ruedas de apoyo y abrirse camino por la vía pública.

*** Nota de los editores: este artículo se ha actualizado, con varios cambios realizados, después de recibir una aclaración de Udacity. Una versión anterior de este artículo implicaba que los conjuntos de datos de vehículos autónomos de Udacity estaban en uso activo en las calles públicas. Esto se ha corregido para reflejar el hecho de que los datos de la empresa solo se utilizan con fines educativos y, de hecho, no tienen más fallas que las "ruedas de entrenamiento" y solo se utilizan para ayudar a los desarrolladores de conjuntos de datos aspiracionales a familiarizarse con la tecnología. Además, Udacity no ha desarrollado nuevos conjuntos de datos durante tres años y ha "cedido la palabra" a conjuntos de datos más nuevos y avanzados proporcionados por otras empresas no afiliadas. Además, el único automóvil autónomo de Udacity en funcionamiento es exclusivamente para fines educativos y opera en una pista de prueba cerrada, no en calles públicas. En total, la versión anterior de este artículo sugería que los conjuntos de datos incompletos desarrollados por Udacity eran errores, lo cual es una interpretación errónea del hecho de que los conjuntos de datos antiguos naturalmente parecerán errores, en retrospectiva de los desarrollos futuros. Finalmente, el título original de este artículo se ha cambiado para reflejar esto. IE lamenta estos errores.

-E Editorial ***


Ver el vídeo: Por qué aún no tenemos COCHE AUTÓNOMOS? (Junio 2022).