AI Delta Learning, ottimizzare l'IA per la guida autonoma
Quando si cambia la tecnologia dei sensori o muta l'ambiente in cui operano, le reti neurali dei veicoli autonomi devono essere addestrate da zero. Il progetto AI Delta Learning punta a semplificare questo processo, rendendo la guida autonoma ancora più vicina.
In un veicolo autonomo l'intelligenza artificiale deve imparare a riconoscere l'ambiente che lo circonda e per questo viene “formata” visionando grandi quantità di immagini. Il processo di formazione va necessariamente modificato e personalizzato a seconda delle peculiarità di ogni area operativa.
I segnali di stop, per esempio, sono simili in molti Paesi, ma in altri - come Giappone, Cina e Algeria, per citare alcuni esempi - sono diversi rispetto a quelli europei o americani. Per i conducenti in carne e ossa queste differenze sono facilmente comprensibili e assimilabili, mentre l'intelligenza artificiale deve essere nuovamente formata da zero, con un processo che richiede molto tempo, ha costi elevati e rallenta lo sviluppo globale della guida autonoma.
Un progetto comune per l'intelligenza artificiale

Il progetto AI Delta Learning ha lo scopo di sviluppare un metodo per formare in modo selettivo i veicoli autonomi. La sua importanza è dimostrata dai partecipanti e dal finanziatore, che è il Ministero Federale tedesco dell'Economia e dell'Energia. I partner principali sono Porsche Engineering, CARIAD, BMW, Mercedes-Benz, aziende di componentistica come Bosch, a cui si aggiungono nove università, tra cui l'Università Tecnica di Monaco e l'Università di Stoccarda.
L'obiettivo è ridurre lo sforzo necessario per dedurre le informazioni da una situazione di guida all'altra, evitando di dover addestrare l’AI per ogni cosa in modo specifico.
La famiglia AI, per la guida autonoma
Questo progetto fa parte della famiglia AI, un'iniziativa promossa dall'Associazione dell'industria automobilistica tedesca volta al progresso della guida connessa e autonoma. Da gennaio 2020, circa 100 persone di 18 diversi partner stanno lavorando all'AI Delta Learning, per costruire un catalogo di metodi per consentire il trasferimento di conoscenze nell'ambito dell’intelligenza artificiale.
Nei veicoli autonomi, le reti neurali che interpretano il traffico sono simili al cervello umano ma differiscono in alcuni punti cruciali. Uno di questi è che possono acquisire le proprie capacità solo in un’unica soluzione, in genere con un'ampia sessione di formazione.
Situazioni complesse e cambi di dominio
Nello sviluppo della guida autonoma, anche i cambiamenti banali richiedono sforzi enormi. Per esempio, sostituire le telecamere con una risoluzione di due megapixel con altre più aggiornate da otto megapixel, implica che l'intelligenza artificiale debba essere nuovamente formata con milioni di fotografie del traffico per riconoscere gli oggetti alla risoluzione più elevata. La stessa cosa accade se una telecamera, un sensore o un radar vengono posizionati in modo diverso.
Gli esperti lo definiscono “cambio di dominio”, in pratica è un cambio di scenario: passare dalla guida a destra a quella a sinistra, dal sole alla neve e via dicendo. I conducenti si adattano con facilità grazie all'intuito e trasferiscono le loro conoscenze in una nuova situazione. Le reti neurali, invece, non sono ancora in grado di farlo: se nel traffico compare un oggetto sconosciuto come un monopattino, il software deve prima familiarizzare con questo per essere pienamente operativo.
Insegnare il cambiamento

Finora non è stato possibile insegnare all'algoritmo solo il “delta”, ovvero il cambiamento rispetto a quanto già acquisito. Per familiarizzare con un nuovo scenario è necessario inserire un set di dati completo, un po’ come se uno studente dovesse esaminare tutto il dizionario per trovare una parola.
Ovviamente è un apprendimento che divora risorse enormi: attualmente servono 70.000 ore di processore grafico per addestrare un pilota automatico. Anche se per “allenare” le reti neurali vengono utilizzate in parallelo molte unità di elaborazione grafica (GPU), lo sforzo è comunque notevole.
Lavoro manuale sui dati
Inoltre, le immagini per l’apprendimento delle reti neurali devono contenere delle note. Nelle istantanee che riprendono eventi di traffico reali vanno contrassegnati elementi importanti, come gli altri veicoli, la segnaletica, i pedoni o le barriere di sicurezza. Per completare manualmente tutte le note di una fotografia serve almeno un'ora; il processo può anche essere parzialmente automatizzato, ma servono grandi capacità di calcolo.
Inoltre, quando deve adattarsi a un nuovo scenario, in alcuni casi una rete neurale può dimenticare quello che ha appreso. Un esempio concreto: un modulo AI addestrato con scene di traffico statunitensi (strade libere e ampi orizzonti), in grado di identificare in modo affidabile il cielo. Quando lo stesso modulo è stato addestrato con un set di dati tedesco, ha poi avuto problemi a identificare il cielo nelle immagini americane, perché in quelle della Germania questo era spesso nuvoloso oppure gli edifici bloccavano la vista.
L'importanza dei dati
In casi come questo, il modulo deve necessariamente essere riaddestrato da capo con entrambi i set di dati: un processo che richiede molto tempo e che ha il limite dello spazio di archiviazione. Ma a volte bastano immagini molto rappresentative per “rinfrescare la conoscenza”: nel caso specifico, invece di mostrare di nuovo al modulo tutte le scene stradali americane e tedesche, sono state selezionate alcune decine di immagini con viste panoramiche tipiche dell'autostrada e questo è bastato a ricordare all'algoritmo com'era il cielo.
E proprio queste possibilità di ottimizzazione sono alla base del progetto AI Delta Learning, suddiviso in sei aree di applicazione per in cui ogni partner ricerca un metodo per velocizzare e facilitare l'addestramento. Le soluzioni che funzionano vengono condivise con tutte le parti coinvolte nel progetto.
Distillazione della conoscenza
Un ulteriore approccio promettente prevede che due sistemi di intelligenza artificiale si addestrino a vicenda. Per prima cosa si costruisce un modello insegnate che riceve dati di addestramento in cui è annotata una classe di oggetti, per esempio i segnali stradali. Il secondo sistema IA è il modello studente, che riceve un set di dati con altre classi di oggetti contrassegnate, come veicoli, strade, alberi.
Quindi inizia il processo in cui le due IA apprendono nuovi concetti scambiandosi i ruoli. Questo metodo è noto come "distillazione della conoscenza" e potrebbe rendere la personalizzazione dei veicoli molto più veloce. Quando un'auto deve essere introdotta su un nuovo mercato, basta utilizzare un modello insegnante diverso per la segnaletica locale e tutto il resto può rimanere invariato.
Fase sperimentale
La maggior parte del lavoro attuale è sperimentale e non è possibile prevedere quale sarà il metodo migliore. Probabilmente, la soluzione ottimale sarà una combinazione intelligente di diversi metodi. Considerando i passi avanti fin qui compiuti, è plausibile pensare di mostrare i primi metodi per l'AI Delta Learning nel 2022, cioè alla fine del progetto, con notevoli benefici per l’intero settore automotive.
Potenzialmente, secondo un parere esperto, l’automazione della catena formativa per l’intelligenza artificiale e il Delta Learning potrebbero portare a un dimezzamento dell'input di lavoro umano nello sviluppo di veicoli autonomi.
Fonte: Volkswagen AG
VGI | U.O. Responsabile: VP | Data di creazione: data dell’articolo | Classe 9.1