Μοντέλα και πλατφόρμες AI

Διεθνής ομάδα κάνει μεγάλο βήμα προόδου στην τεχνολογία αυτόνομων οχημάτων

Alex McFarland
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ ομάδα του καθηγητή Jeon πέτυχε ποσοστό ακρίβειας ανίχνευσης άνω του 96%…
Δείτε περισσότερα
  • Η ομάδα του καθηγητή Jeon πέτυχε ποσοστό ακρίβειας ανίχνευσης άνω του 96% χρησιμοποιώντας το YOLOv3 για τρισδιάστατα αντικείμενα.
  • Το έξυπνο σύστημα IoT ανιχνεύει αξιόπιστα αντικείμενα σε συνθήκες χαμηλού φωτισμού και ασυνήθιστων καιρικών φαινομένων.
  • Αυτή η τεχνολογία θα μπορούσε να επιτρέψει ασφαλέστερη αυτόνομη οδήγηση, στάθμευση, παράδοση και ρομπότ εντός 5-10 ετών.

Τα αυτόνομα οχήματα είναι έτοιμα να φέρουν επανάσταση στις μεταφορές — ωστόσο, η επιτυχημένη εφαρμογή τους εξαρτάται από την ικανότητα να αναγνωρίζουν και να ανταποκρίνονται με ακρίβεια σε εξωτερικές απειλές. Από τους αλγορίθμους επεξεργασίας σήματος και ανάλυσης εικόνας μέχρι τα έξυπνα συστήματα βαθιάς μάθησης που ενσωματώνονται σε υποδομές IoT, μια σειρά τεχνολογιών πρέπει να χρησιμοποιηθεί για να παρέχουν ασφαλή λειτουργία σε διάφορα εδάφη. Για να διασφαλιστεί ότι η ασφάλεια των επιβατών δεν επηρεάζεται καθώς αυτά τα οχήματα γίνονται πιο συνηθισμένα, χρειάζονται ανθεκτικές μέθοδοι που μπορούν να ανιχνεύσουν αποτελεσματικά, γρήγορα και αξιόπιστα τους πιθανούς κινδύνους.

Τα αυτόνομα οχήματα βασίζονται σε υψηλής τεχνολογίας αισθητήρες όπως LiDAR, ραντάρ και κάμερες RGB για να παράγουν μεγάλες ποσότητες πληροφοριών για να αναγνωρίσουν σωστά τους πεζούς, τους άλλους οδηγούς και τις πιθανές απειλές. Η ενσωμάτωση προηγμένων υπολογιστικών ικανοτήτων και τεχνολογίας IoT σε αυτά τα αυτοματοποιημένα οχήματα επιτρέπει τη γρήγορη επεξεργασία των δεδομένων επιτόπου για αποτελεσματικότερη πλοήγηση σε διάφορες περιοχές και γύρω από αντικείμενα. Τελικά, αυτό επιτρέπει στο αυτόνομο όχημα να λαμβάνει αποφάσεις σε κλάσματα του δευτερολέπτου με πολύ μεγαλύτερη ακρίβεια από τους παραδοσιακούς ανθρώπινους οδηγούς.

Μέγα Βήμα Προόδου στην Τεχνολογία Αυτόνομων Οχημάτων

Η πρωτοποριακή έρευνα που διεξήχθη από τον Καθηγητή Gwanggil Jeon από το Εθνικό Πανεπιστήμιο Incheon της Κορέας και τη διεθνή του ομάδα σηματοδοτεί ένα μεγάλο βήμα προόδου στην τεχνολογία αυτόνομων οχημάτων. Το καινοτόμο έξυπνο σύστημα με υποστήριξη IoT και λειτουργία από άκρο σε άκρο που έχουν αναπτύξει επιτρέπει την ανίχνευση αντικειμένων σε 3D σε πραγματικό χρόνο χρησιμοποιώντας βαθιά μάθηση, καθιστώντας το πιο αξιόπιστο και αποτελεσματικό από ποτέ. Μπορεί να ανιχνεύσει μεγαλύτερο αριθμό αντικειμένων με μεγαλύτερη ακρίβεια, ακόμη και σε απαιτητικά περιβάλλοντα όπως ο χαμηλός φωτισμός ή οι ασυνήθιστες καιρικές συνθήκες – κάτι που άλλα συστήματα δεν μπορούν να κάνουν. Αυτές οι ικανότητες επιτρέπουν ασφαλέστερη πλοήγηση σε διάφορες κυκλοφοριακές συνθήκες, ανεβάζοντας το επίπεδο για τα συστήματα αυτόνομων οχημάτων και συμβάλλοντας στη βελτίωση της ασφάλειας των δρόμων παγκοσμίως.

Η έρευνα δημοσιεύθηκε στο περιοδικό IEEE Transactions of Intelligent Transport Systems. 

“Για τα αυτόνομα οχήματα, η αντίληψη του περιβάλλοντος είναι κρίσιμη για να απαντήσει σε μια βασική ερώτηση, ‘Τι είναι γύρω μου;’ Είναι απαραίτητο ότι ένα αυτόνομο όχημα μπορεί να κατανοήσει αποτελεσματικά και με ακρίβεια τις περιβαλλοντικές του συνθήκες και τα περιβάλλοντα για να εκτελέσει μια ανταποκριστική ενέργεια,” εξηγεί ο Καθηγητής Jeon. “Σχεδιάσαμε ένα μοντέλο ανίχνευσης βασισμένο στο YOLOv3, έναν γνωστό αλγόριθμο ταυτοποίησης. Το μοντέλο χρησιμοποιήθηκε αρχικά για την ανίχνευση αντικειμένων σε 2D και στη συνέχεια τροποποιήθηκε για αντικείμενα σε 3D,” συνεχίζει.

Βάση Μοντέλου στο YOLOv3

Η ομάδα παρείχε τις συλλεγμένες εικόνες RGB και τα δεδομένα νέφους σημείων στο YOLOv3, το οποίο στη συνέχεια εξέδωσε ετικέτες ταξινόμησης και πλαίσια οριοθέτησης με βαθμολογίες εμπιστοσύνης. Η απόδοσή του στη συνέχεια δοκιμάστηκε με το σύνολο δεδομένων Lyft, και τα πρώτα αποτελέσματα έδειξαν ότι το YOLOv3 πέτυχε μια εξαιρετικά υψηλή ακρίβεια ανίχνευσης (>96%) και για αντικείμενα σε 2D και 3D. Το μοντέλο υπερέβη διάφορα μοντέλα ανίχνευσης που βρίσκονται στην αιχμή της τεχνολογίας. 

Αυτή η καινούρια μέθοδος θα μπορούσε να χρησιμοποιηθεί για αυτόνομα οχήματα, αυτόνομη στάθμευση, αυτόνομη παράδοση και μελλοντικά αυτόνομα ρομπότ. Θα μπορούσε επίσης να χρησιμοποιηθεί σε εφαρμογές όπου απαιτείται ανίχνευση αντικειμένων και εμποδίων, παρακολούθηση και οπτικός εντοπισμός θέσης. 

“Σήμερα, η αυτόνομη οδήγηση πραγματοποιείται μέσω επεξεργασίας εικόνας με βάση το LiDAR, αλλά προβλέπεται ότι μια κοινή κάμερα θα αντικαταστήσει το ρόλο του LiDAR στο μέλλον. Ως εκ τούτου, η τεχνολογία που χρησιμοποιείται στα αυτόνομα οχήματα αλλάζει κάθε στιγμή, και βρισκόμαστε στην πρώτη γραμμή,” λέει ο Καθηγητής Jeon. “Βάσει της ανάπτυξης των επιμέρους τεχνολογιών, τα αυτόνομα οχήματα με βελτιωμένη ασφάλεια θα πρέπει να είναι διαθέσιμα στα επόμενα 5-10 χρόνια.” 

Alex McFarland

Ο Alex ηγείται των ειδησεογραφικών λειτουργιών που τροφοδοτούνται από AI της Unite.AI, συνδυάζοντας δημοσιογραφία, έρευνα και αυτοματοποίηση για την υποστήριξη έγκαιρης και κλιμακώσιμης κάλυψης της τεχνητής νοημοσύνης. Η δουλειά του βοηθά να διασφαλιστεί ότι οι αναδυόμενες εξελίξεις του AI εμφανίζονται αποτελεσματικά, διατηρώντας τα δημοσιογραφικά πρότυπα της έκδοσης.