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.
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]
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]
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]
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.
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:
La capa de salida constaba de 46 unidades:
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.
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.
{{cite book}}: |work=ignorado ( ayuda )