AI-sensorer kan hjælpe selvstyrende køretøjer i snefyldte byer

En af de største udfordringer for selvstyrende køretøjer er, at de kæmper med at navigere i dårligt vejr, hvilket begrænser deres implementering i snefyldte byer som Detroit og Chicago. Køretøjerne afhænger af vigtig sensordata for at opdage hindringer og holde sig på den rigtige side af vejen, men denne data kæmper i sne.

I to nye artikler, der er præsenteret på SPIE Defense + Commercial Sensing 2021, diskuterede forskere fra Michigan Technological University nye løsninger for selvstyrende køretøjer i snefyldte scenarier.

Der er en bred vifte af selvstyrende køretøjer, herunder nogle med blinde punkter eller bremseassistance, og andre med på- og af-self-driving-modus. Nogle af de bedste køretøjer kan operere helt på egen hånd.

Fordi teknologien stadig er i sin barndom på mange måder, arbejder bilproducenter og forskningsuniversiteter kontinuerligt på at forbedre teknologien og algoritmerne. Når uheld sker, skyldes de ofte en misjudgment af bilens AI eller et menneskeligt fejl.

Menneskesensorer

Menneskelige øjne er også en form for sensorer, da de sanser balance og bevægelse. Vores hjerne fungerer som en processor, der hjælper os med at forstå vores omgivelser. Disse sammen ermögiller os at køre i alle scenarier, selv dem, der er nye, da vores hjerner kan generalisere nye oplevelser.

Selvstyrende køretøjer har normalt to kameraer monteret på gimbaler, og de scanner og opfatter dybde ved hjælp af stereo-vision for at efterligne menneskeligt syn. Samtidig kan balance og bevægelse måles med en inertial måleenhed. Computere kan kun reagere på tidligere mødt scenarier eller dem, de allerede er programmeret til at genkende.

Sensorfusion

Selvstyrende køretøjer afhænger af opgave-specifikke kunstig intelligens-algoritmer, der kræver multiple sensorer som f.eks. fisheye-kameraer, infrarøde sensorer, radar, lysdetektion og lidar.

Nathir Rawashdeh er adjunkt i computing på Michigan Tech’s College of Computing og en af hovedforfatterne af studiet.

“Hver sensor har begrænsninger, og hver sensor dækker en andens ryg,” sagde Rawashdeh. “Sensorfusion bruger multiple sensorer af forskellige modaliteter til at forstå en scene. Du kan ikke udtømmende programmere for hver detalje, når input har svære mønstre. Det er derfor, vi har brug for AI.”

Studiets samarbejdspartnere inkluderede Nader Abu-Alrub, ph.d.-studerende i electrical og computer engineering, og Jeremy Bos, adjunkt i electrical og computer engineering. Andre samarbejdspartnere inkluderede masterstuderende og afgåede fra Bos’ laboratorium: Akhil Kurup, Derek Chopp og Zach Jeffreies.

Selvstyrende sensorer og selvstyrende algoritmer udvikles næsten udelukkende i solrige og klare landskaber. Bos’ laboratorium begyndte først at indsamle data i et Michigan Tech selvstyrende køretøj i tung sne, og over 1.000 billeder af lidar-, radar- og billeddata blev indsamlet fra snefyldte veje i Tyskland og Norge.

Ifølge Bos er sensor-detektion svær på grund af variationer i sne. Det er vigtigt at forbehandle data og sikre nøjagtig mærkning.

“Al sne er ikke skabt lige,” sagde Bos. “AI er som en kok – hvis du har gode ingredienser, vil der være en fremragende måltid,” sagde han. “Giv AI-læringsnetværket beskidt sensor-data, og du vil få en dårlig result.”

Andre store udfordringer involverer lavkvalitetsdata og snavs, og sne-ophobning på sensorerne forårsager deres egne problemer. Selv efter at sensorerne er ryddet, er der ikke altid enighed om at opdage hindringer. Det er ofte meget svært at få sensorerne og deres risikovurderinger til at kommunikere og lære af hinanden, da hver enkelt kan nå til sin egen konklusion. Men holdet vil have selvstyrende sensorer til at kollektivt nå til en konklusion ved at bruge sensorfusion.

“I stedet for strengt at stemme, vil vi ved hjælp af sensorfusion komme op med en ny vurdering,” siger Bos.

Selvstyrende køretøjsensorer vil fortsætte med at lære og forbedre sig i dårligt vejr, og nye tilgange som sensorfusion kan føre vejen for selvstyrende køretøjer på snefyldte veje.