Decentralized Autonomous Driving

Abstract

Teknologien rundt selvkjørende biler har sett en oppblomstring de siste årene, som følge av at flere og flere teknologi-giganter tar del i kappløpet. Dagens teknikker benytter seg av sentralt opptrente maskinlæringsmodeller. Innsamling av data fra forskjellige områder som byer og landeveier, ideelt sett også fra forskjellige land, er både vanskelig og dyrt, selv for store selskaper som Google og Tesla. Dette resulterer i at store mengder data tiltenkt selvkjørende biler i hovedsak kommer fra solfyllte stater langs USAs vestkyst, med sine brede veier og særegne skilt.

De siste års forbedringer av tingenes internett (IoT), samt EUs innføring av personvernforordningen (GDPR) gjør at privatpersoner nå har eierskap over egen data. Dette muligjør desentraliserte tilnærminger og danner grunnlaget for mer divers datainnhenting til bruk i forbedringen av selvkjørende biler. Denne avhandlingen foreslår et nytt paradigme for hvordan data samles, og hvordan de kan distribueres og brukes i selvkjørende kjøretøy. Oppgaven beskriver et desentralisert nettverk hvor nodene i nettverket brukes for å samle data fra deltakerene, og modellene trenes lokalt. Modellene vil ha en naturlig bias, avhengig av konteksten de er trent med, for eksempel landsbygda eller byen. De selvkjørende bilene i nettverket kan benytte seg av én av to foreslåtte metoder for å kombinere de forskjellige modellene i nettverket: en kontekst-uvitende, og en kontekst-bevisst metode. Den første metoden, ensemble detektoren, er en metode som bruker vektet majoritetsavstemning på en samling modeller for å kombinere deres ekspertise. Den andre metoden er en kontekst-bevisst detektor som bruker forsterkende læring for å kjapt kunne bytte modeller, basert på hvilke modeller som gjør det bra i nåværende kontekst. Metodene har blitt testet på bilder fra Berkley DeepDrive datasettet, og viser lovende resultater for bruken av kontekst-bevisste detektorer, men ikke fullt så gode resultater for ensemble-metoden.

Autonomous vehicles are improving at a rapid pace, caused by numerous technology companies joining the race. However, current approaches rely on centrally trained models, which have some limitations. Gathering diverse data from areas like urban cities or rural towns, ideally from different countries, is expensive and difficult, even for large tech companies like Google and Tesla. This results in large amounts of training data for self-driving cars being recorded primarily in sunny climates on the United States' west coast, on wide, multi-lane roads, with a specific sign scheme.

Following advances in the field of Internet of Things, an increasing rate of diverse, distributed data is gathered. Paired with the implementation of the European Union's General Data Protection Regulation granting people ownership of their own data, and the right to share it as they like, a decentralized approach opens up for more diverse training data available to improve autonomous vehicles. This thesis proposes a new paradigm for how data is gathered, and how it can be distributed and applied in self-driving cars. It describes a decentralized network where the edges of the network are used to gather data from individual participants, and train the models locally. The models will be biased based on the context they were trained with, like urban or rural areas. Autonomous vehicles on the network can use one of two different techniques proposed in this thesis to combine the models in the network: a context-agnostic approach and a context-sensitive approach. The former, the Ensemble Detector, is an ensemble learning method performing weighted majority voting using an ensemble of models. The latter, the Context-Sensitive Detector, is a reinforcement learning method that allows for rapid switching between models in a constantly changing environment. The methods have been tested on images from the Berkeley DeepDrive dataset. Experiments show promising results for the Context-Sensitive approach. However, to make the ensemble detector viable for object detection, additional tuning is needed.