Talento

Tornando os carros autônomos mais seguros por meio da percepção mais aguçada do robô
O estudante de doutorado Heng Yang está desenvolvendo algoritmos para ajudar os veículos sem motorista a avaliar com rapidez e precisão seus arredores.
Por Hannah Meiseles - 19/09/2021


As preocupações com a segurança turvaram o futuro dos veículos totalmente autônomos. Para acelerar seu progresso, o aluno de pós-graduação do MIT Heng “Hank” Yang e seus colegas desenvolveram um conjunto de algoritmos para ajudar a proteger veículos autônomos e outros usuários da estrada. Créditos: Foto: Adam Glanzman

A aviação se tornou uma realidade no início do século 20, mas levou 20 anos para que as precauções de segurança adequadas permitissem a adoção generalizada das viagens aéreas. Hoje, o futuro de veículos totalmente autônomos é igualmente nublado, devido em grande parte a questões de segurança.

Para acelerar essa linha do tempo, o estudante de graduação Heng “Hank” Yang e seus colaboradores desenvolveram o primeiro conjunto de algoritmos de “percepção certificável”, que podem ajudar a proteger a próxima geração de veículos autônomos - e os veículos com os quais eles compartilham a estrada.

Embora Yang seja agora uma estrela em ascensão em seu campo, demorou muitos anos até que ele decidisse pesquisar robótica e sistemas autônomos. Criado na província de Jiangsu, na China, ele concluiu seu curso de graduação com honras da Universidade de Tsinghua. Seu tempo na faculdade foi gasto estudando de tudo, desde abelhas até mecânica de células. “Minha curiosidade me levou a estudar muitas coisas. Com o tempo, comecei a me desviar mais para a engenharia mecânica, pois ela se cruza com muitos outros campos ”, diz Yang.

Yang fez mestrado em engenharia mecânica no MIT, onde trabalhou no aprimoramento de um sistema de imagem por ultrassom para rastrear a fibrose hepática. Para alcançar seu objetivo engenharia, Yang decidiu tomar uma classe sobre o projeto de algoritmos para robôs de controle.

“A aula também abordou a otimização matemática, que envolve a adaptação de fórmulas abstratas para modelar quase tudo no mundo”, diz Yang. “Aprendi uma solução bacana para amarrar as pontas soltas da minha tese. Fiquei surpreso com o quão poderosa a computação pode ser para otimizar o design. A partir daí, eu sabia que era o campo certo para explorar a seguir. ”

Algoritmos para precisão certificada

Yang é agora um aluno de pós-graduação no Laboratório de Sistemas de Informação e Decisão (LIDS), onde trabalha com Luca Carlone , o Professor Associado de Desenvolvimento de Carreira Leonardo em Engenharia, no desafio da percepção certificável. Quando os robôs detectam seus arredores, eles devem usar algoritmos para fazer estimativas sobre o ambiente e sua localização. “Mas esses algoritmos de percepção são projetados para serem rápidos, com pouca garantia de que o robô tenha conseguido obter uma compreensão correta do que está ao seu redor”, diz Yang. “Esse é um dos maiores problemas existentes. Nosso laboratório está trabalhando para projetar algoritmos 'certificados' que podem dizer se essas estimativas estão corretas. ”

Por exemplo, a percepção do robô começa com o robô capturando uma imagem, como um carro autônomo tirando uma foto de um carro se aproximando. A imagem passa por um sistema de aprendizado de máquina denominado rede neural, que gera pontos-chave dentro da imagem sobre os espelhos, rodas, portas do carro que se aproximam, etc. A partir daí, são desenhadas linhas que procuram rastrear os pontos-chave detectados no carro 2D imagem para os pontos-chave 3D rotulados em um modelo de carro 3D. “Devemos então resolver um problema de otimização para girar e traduzir o modelo 3D para alinhá-lo com os pontos-chave da imagem”, diz Yang. “Este modelo 3D ajudará o robô a entender o ambiente do mundo real.”

Cada linha traçada deve ser analisada para ver se criou uma correspondência correta. Como há muitos pontos-chave que podem ser correspondidos incorretamente (por exemplo, a rede neural pode reconhecer erroneamente um espelho como uma maçaneta), esse problema é “não convexo” e difícil de resolver. Yang diz que o algoritmo de sua equipe, que ganhou o prêmio de Melhor Artigo em Visão Robótica na Conferência Internacional sobre Robótica e Automação (ICRA), suaviza o problema não convexo para se tornar convexo e encontra correspondências bem-sucedidas. “Se a correspondência não estiver correta, nosso algoritmo saberá como continuar tentando até encontrar a melhor solução, conhecida como mínimo global. O certificado é concedido quando não há soluções melhores ”, explica.

“Esses algoritmos certificáveis ​​têm um grande impacto potencial, porque ferramentas como carros autônomos devem ser robustas e confiáveis. Nosso objetivo é fazer com que o motorista receba um alerta para assumir o volante se o sistema de percepção falhar ”.  

Adaptando seu modelo a diferentes carros

Ao combinar a imagem 2D com o modelo 3D, uma suposição é que o modelo 3D se alinhará com o tipo de carro identificado. Mas o que acontece se a imagem do carro tiver uma forma que o robô nunca viu em sua biblioteca? “Agora precisamos estimar a posição do carro e reconstruir a forma do modelo”, diz Yang.

A equipe descobriu uma maneira de contornar esse desafio. O modelo 3D é transformado para coincidir com a imagem 2D, passando por uma combinação linear de veículos previamente identificados. Por exemplo, o modelo pode mudar de Audi para Hyundai ao registrar a construção correta do carro real. Identificar as dimensões do carro que se aproxima é a chave para evitar colisões. Este trabalho rendeu a Yang e sua equipe um Finalista do Prêmio de Melhor Artigo na Conferência de Robótica: Ciência e Sistemas (RSS), onde Yang também foi nomeado Pioneiro do RSS.

Além de fazer apresentações em conferências internacionais, Yang gosta de discutir e compartilhar suas pesquisas com o público em geral. Recentemente, ele compartilhou seu trabalho sobre percepção certificável durante a primeira vitrine pública de SLAM de pesquisa do MIT . Ele também coorganizou a primeira conferência virtual de estudantes do LIDS ao lado de líderes do setor. Suas palestras favoritas se concentraram em maneiras de combinar teoria e prática, como o uso de Kimon Drakopoulos de algoritmos de IA para orientar como alocar os recursos de teste Covid-19 da Grécia. “Algo que me marcou foi como ele realmente enfatizou o que essas ferramentas analíticas rigorosas podem fazer para beneficiar o bem social”, diz Yang.

Yang planeja continuar pesquisando problemas desafiadores que abordam a autonomia segura e confiável seguindo uma carreira acadêmica. Seu sonho de se tornar um professor também é alimentado por seu amor por ser mentor de outras pessoas, o que ele gosta de fazer no laboratório de Carlone. Ele espera que seu trabalho futuro leve a mais descobertas que funcionem para proteger a vida das pessoas. “Acho que muitos estão percebendo que o conjunto existente de soluções que temos para promover a segurança humana não é suficiente”, disse Yang. “Para alcançar uma autonomia confiável, é hora de adotarmos um conjunto diversificado de ferramentas para projetar a próxima geração de algoritmos de percepção segura.”

“Sempre deve haver um sistema de segurança contra falhas, já que nenhum de nossos sistemas feitos por humanos pode ser perfeito. Acredito que será necessário o poder da teoria e da computação rigorosas para revolucionar o que podemos revelar com sucesso ao público. ”

 

.
.

Leia mais a seguir