Internationalt Hold Gør Stort Fremskridt i Autonom Biltrækningsteknologi

Autonome køretøjer er på vej til at revolutionere transport — dog afhænger deres succesfulde implementering af evnen til nøjagtigt at genkende og reagere på eksterne trusler. Fra signalbehandling og billedanalysealgoritmer til dyb læring intelligenssystemer integreret med IoT-infrastruktur, skal en række teknologier anvendes for at autonome biler kan give sikker drift over varieret terræn. For at sikre, at passagersikkerheden ikke kommer til at lide, når disse banebrydende biler bliver mere udbredte, er robuste metoder nødvendige, der kan effektivt opdage potentielle farer hurtigt og pålideligt.

Selvkørende køretøjer afhænger af højteknologiske sensorer som LiDAR, radar og RGB-kameraer til at generere store mængder informationer for at korrekt identificere fodgængere, andre chauffører og potentielle farer. Integrationen af avancerede beregningsmuligheder og Internet-of-Things (IoT) i disse automatiserede biler gør det muligt at hurtigt behandle disse data på stedet for at navigere i forskellige områder og objekter mere effektivt. Dette giver autonome køretøjer mulighed for at træffe splitsekundsbeslutninger med en langt højere nøjagtighed end traditionelle menneskelige chauffører.

Stort Fremskridt i Autonom Biltrækningsteknologi

Banebrydende forskning udført af professor Gwanggil Jeon fra Incheon National University, Korea, og hans internationale hold markerer et stort fremskridt i autonom bilteknologi. Det innovative smarte IoT-aktiverede slutpunktssystem, som de har udviklet, giver mulighed for 3D-objektdetektering i realtid ved hjælp af dyb læring, hvilket gør det mere pålideligt og effektivt end nogensinde før. Det kan opdage et øget antal objekter mere nøjagtigt, selv i udfordrende miljøer som lavt lys eller usædvanligt vejr — noget, som andre systemer ikke kan gøre. Disse funktioner giver mulighed for sikrere navigation omkring forskellige trafikscenarier, hvilket hæver standarden for autonome køretøjer og bidrager til forbedret vej sikkerhed verden over.

Forskningen blev offentliggjort i tidsskriftet IEEE Transactions of Intelligent Transport Systems. 

“For autonome køretøjer er miljøopfattelse afgørende for at besvare en kernefrage, ‘Hvad er der omkring mig?’ Det er afgørende, at et autonomt køretøj kan effektivt og nøjagtigt forstå sin omgivende situation og miljø for at udføre en responsiv handling,” forklarer Prof. Jeon. “Vi udviklede en detektionsmodel baseret på YOLOv3, en velkendt identifikationsalgoritme. Modellen blev først brugt til 2D-objektdetektering og derefter modificeret til 3D-objekter,” fortsætter han.

Baserer Modellen på YOLOv3

Holdet fødede de indsamlede RGB-billeder og punktskydata til YOLOv3, som derefter udgav klassificeringsmærker og begrænsningsbokse med tillidsværdighedsscore. Dets præstation blev derefter testet med Lyft-datasættet, og tidlige resultater viste, at YOLOv3 opnåede en ekstremt høj nøjagtighed af detektion (>96%) for både 2D- og 3D-objekter. Modellen overgik forskellige state-of-the-art-detektionsmodeller. 

Denne nytudviklede metode kunne bruges til autonome køretøjer, autonom parkering, autonom levering og fremtidige autonome robotter. Den kunne også bruges i anvendelser, hvor objektdetektering, sporing og visuel lokalisation er påkrævet. 

“For tiden udføres autonom kørsel gennem LiDAR-baseret billedbehandling, men det forudses, at en almindelig kamera vil erstatte LiDAR’s rolle i fremtiden. Som sådan ændrer teknologien, der bruges i autonome køretøjer, sig hele tiden, og vi er i front,” siger Prof. Jeon. “Baseret på udviklingen af grundlæggende teknologier, skal autonome køretøjer med forbedret sikkerhed være tilgængelige inden for de næste 5-10 år.”