Neural Network Perception for Mobile Robot Guidance

ردیاب جاده قابل آموزش دین پومرلو، ALVINN، مسلماً مشهورترین برنامه شبکه عصبی جهان است. در حال حاضر رکورد جهان را در مسافت طی شده توسط یک ربات مستقل بدون وقفه دارد: 21.2 مایل در امتداد بزرگراه، در ترافیک، با سرعت 55 مایل در ساعت. آثار پومرلو توجه جهانی را به خود جلب کرده است، از جمله مقالاتی در بیزینس ویک (2 مارس 1992)، Discover (ژوئیه 1992)، و مجلات علمی آلمانی و ژاپنی. در دو سریال PBS، «ماشینی که جهان را تغییر داد» و «تا سال 2000» نمایش داده شد و در بخش‌های خبری CNN، برنامه خبری و سرگرمی کانادایی «Live It Up» ظاهر شد. ، و برنامه علمی دانمارکی \"Chaos\". چیزی که ALVINN را به‌ویژه جذاب می‌کند این است که فقط رانندگی نمی‌کند، بلکه با تماشای یک راننده انسانی به مدت تقریباً پنج دقیقه، رانندگی را یاد می‌گیرد. ورودی های آموزشی شبکه عصبی یک تصویر ویدئویی از مسیر پیش رو و موقعیت فعلی فرمان است. ALVINN یاد گرفته است که در جاده های تک لاین، چند لاین و جاده های آسفالت نشده رانندگی کند. به سرعت با سنسورهای دیگر سازگار می شود: با استفاده از تصویربرداری بازتاب لیزری رانندگی در شب را یاد گرفت و با استفاده از فاصله یاب لیزری یاد گرفت که برای جلوگیری از موانع و حفظ فاصله ثابت از ردیف ماشین های پارک شده منحرف شود. حتی یاد گرفته است که به عقب براند.

Dean Pomerleau's trainable road tracker, ALVINN, is arguably the world's most famous neural net application. It currently holds the world's record for distance traveled by an autonomous robot without interruption: 21.2 miles along a highway, in traffic, at speedsofup to 55 miles per hour. Pomerleau's work has received worldwide attention, including articles in Business Week (March 2, 1992), Discover (July, 1992), and German and Japanese science magazines. It has been featured in two PBS series, "The Machine That Changed the World" and "By the Year 2000," and appeared in news segments on CNN, the Canadian news and entertainment program "Live It Up", and the Danish science program "Chaos". What makes ALVINN especially appealing is that it does not merely drive - it learns to drive, by watching a human driver for roughly five minutes. The training inputstothe neural networkare a video imageoftheroad ahead and thecurrentposition of the steering wheel. ALVINN has learned to drive on single lane, multi-lane, and unpaved roads. It rapidly adapts to other sensors: it learned to drive at night using laser reflectance imaging, and by using a laser rangefinder it learned to swerve to avoid obstacles and maintain a fixed distance from a row of parked cars. It has even learned to drive backwards.