Mezinárodní tým udělal velký krok vpřed v technologiích autonomních vozidel

Autonomní vozidla jsou připravena revolucionizovat dopravu — nicméně jejich úspěšná implementace závisí na schopnosti přesně rozpoznat a reagovat na vnější hrozby. Od zpracování signálů a analýzy obrazu až po systémy umělé inteligence integrované s infrastrukturou IoT je nutné využít řadu technologií, aby autonomní vozidla mohla poskytnout bezpečnou operaci v různých typech terénu. Aby nebyla ohrožena bezpečnost cestujících, když se tato vozidla stanou více rozšířená, je nutné vyvinout robustní metody, které mohou efektivně detekovat potenciální nebezpečí rychle a spolehlivě.

Vozidla s autonomním řízením se spoléhají na high-tech senzory, jako jsou LiDAR, radar a RGB kamery, aby generovaly velké množství informací pro správnou identifikaci chodců, ostatních řidičů a potenciálních nebezpečí. Integrace pokročilých výpočetních schopností a Internetu věcí (IoT) do těchto automatizovaných vozidel umožňuje rychlé zpracování těchto dat na místě, aby se dalo efektivněji navigovat v různých oblastech a objektech. Nakonec to umožňuje autonomnímu vozidlu učinit rozhodnutí s mnohem vyšší přesností než tradiční lidský řidič.

Velký krok vpřed v technologiích autonomního řízení

Průlomový výzkum profesora Gwanggila Jeona z Incheon National University, Koreje a jeho mezinárodního týmu představuje velký krok vpřed v technologiích autonomního řízení. Inovativní chytrý systém IoT, který vyvinuli, umožňuje detekci 3D objektů v reálném čase pomocí hlubokého učení, což je více spolehlivé a efektivní než kdykoli předtím. Může detekovat větší počet objektů s vyšší přesností, i v případě náročných prostředí, jako je nízké osvětlení nebo neobvyklé povětrnostní podmínky — něco, co jiné systémy nedokážou. Tyto schopnosti umožňují bezpečnější navigaci v různých dopravních scénářích, zvyšují laťku pro systémy autonomního řízení a přispívají ke zlepšení bezpečnosti silnic po celém světě.

Výzkum byl zveřejněn v časopise IEEE Transactions of Intelligent Transport Systems.

“Pro autonomní vozidla je vnímání prostředí kritické pro odpověď na základní otázku, ‘Co je kolem mě?’ Je zásadní, aby autonomní vozidlo mohlo efektivně a přesně pochopit své okolí a prostředí, aby mohlo provést odpovídající akci,” vysvětluje Prof. Jeon. “Vyvinuli jsme detekční model založený na YOLOv3, dobře známém algoritmu identifikace. Model byl původně použit pro detekci 2D objektů a poté upraven pro 3D objekty,” pokračuje.

Založení modelu na YOLOv3

Tým poskytl shromážděné RGB obrázky a data point cloud do YOLOv3, které pak vyprodukovaly klasifikační štítky a rámečky s důvěrnými skóre. Jeho výkon byl poté testován s datasetem Lyft, a rané výsledky prokázaly, že YOLOv3 dosáhlo extrémně vysoké přesnosti detekce (>96%) pro 2D i 3D objekty. Model překonal různé stávající modely detekce.

Tato nově vyvinutá metoda by mohla být použita pro autonomní vozidla, autonomní parkování, autonomní doručování a budoucí autonomní roboty. Může být také použita v aplikacích, kde je vyžadována detekce objektů a překážek, sledování a vizuální lokalizace.

“V současné době se autonomní řízení provádí prostřednictvím LiDAR-založené zpracování obrazu, ale předpovídá se, že běžná kamera nahradí roli LiDAR v budoucnu. Jako takový se technologie používaná v autonomních vozidlech mění každým okamžikem, a my jsme na špici,” říká Prof. Jeon. “Na základě vývoje elementárních technologií by měla být autonomní vozidla s vylepšenou bezpečností k dispozici v příštích 5-10 letech.”