Kansainvälinen tiimi teki suuren askeleen eteenpäin autonomisessa ajoneuvoteknologiassa

Autonomiset ajoneuvot ovat valmiina vallankumoukseen kuljetuksessa — mutta niiden onnistunut käyttöönotto riippuu kyvystä tunnistaa ja reagoida ulkoisiin uhkiin. Signaali- ja kuva-analyysialgoritmien kautta syvän oppimisen älykkäisiin järjestelmiin, jotka on integroitu IoT-infrastruktuuriin, on käytettävä monia teknologioita, jotta autonomiset autot voivat toimia turvallisesti erilaisilla maastoilla. Matkustajien turvallisuuden varmistamiseksi näiden älykkäiden autojen yleistyessä on kehitettävä vahvoja menetelmiä, jotka voivat nopeasti ja luotettavasti havaita mahdollisia vaaroja.

Itseohjautuvat ajoneuvot käyttävät korkeateknologiaa, kuten LiDAR-, radar- ja RGB-kameroita, jotta ne voivat generoida suuria määriä tietoa, jotta ne voivat oikein tunnistaa jalankulkijoita, muita kuljettajia ja mahdollisia vaaroja. Edistyneiden laskentakapasiteettien ja Internet-of-Thingsin (IoT) integrointi näihin automaattisiin autoihin mahdollistaa nopean tiedon prosessoinnin paikan päällä, jotta ne voivat navigoida eri alueilla ja objekteilla tehokkaammin. Lopulta tämä mahdollistaa autonomiselle ajoneuvolle tehdä nopeita päätöksiä paljon korkeammalla tarkkuudella kuin perinteiset ihmisajajat.

Suuri askel eteenpäin autonomisessa ajoneuvoteknologiassa

Mullistava tutkimus, jonka on suorittanut Professori Gwanggil Jeon Incheonin kansallisesta yliopistosta, Koreasta, ja hänen kansainvälinen tiiminsä, merkitsee suurta askelta eteenpäin autonomisessa ajoneuvoteknologiassa. Heidän kehittämänsä älykäs IoT-käyttöön tarkoitettu loppupäästä-loppuun-järjestelmä mahdollistaa 3D-objektien havaitsemisen reaaliajassa syvän oppimisen avulla, mikä tekee siitä luotettavamman ja tehokkaamman kuin koskaan aiemmin. Se voi havaita suuremman määrän objekteja tarkemmin, jopa haastavissa ympäristöissä, kuten heikossa valossa tai epätavallisissa sääolosuhteissa — jotain, mihin muut järjestelmät eivät pysty. Nämä ominaisuudet mahdollistavat turvallisemman navigoinnin eri liikenneolosuhteissa, nostavat autonomisen ajamisen järjestelmien vaatimustasoja ja parantavat maailmanlaajuista tieliikenneturvallisuutta.

Tutkimus julkaistiin IEEE Transactions of Intelligent Transport Systems -julkaisussa IEEE Transactions of Intelligent Transport Systems.

“Autonomisille ajoneuvolle ympäristön havaitseminen on kriittinen vastata yhteen peruskysymykseen, ‘Mitä minun ympärilläni on?’ On olennaista, että autonomisella ajoneuvolla on kyky ymmärtää tehokkaasti ja tarkasti ympäröivää ympäristöään ja olosuhteita, jotta se voi suorittaa vastaavan toiminnan,” Prof. Jeon selittää. “Me kehittimme havaintomallin YOLOv3:n pohjalta, joka on tunnettu tunnistusalgoritmi. Malli oli alun perin käytetty 2D-objektien havaitsemiseen ja myöhemmin muunnettu 3D-objekteja varten,” hän jatkaa.

Perustuu YOLOv3-malliin

Tutkijaryhmä syötti kerätyt RGB-kuvat ja pistepilviaineistot YOLOv3:lle, joka sitten antoi luokitusmerkit ja rajauslaatikoita luottamusluokituksilla. Sen suorituskykyä testattiin Lyft-aineistolla, ja varhaiset tulokset osoittivat, että YOLOv3 saavutti erittäin korkean tarkkuuden (>96%) sekä 2D- että 3D-objektien havaitsemisessa. Malli ylitti useita jo olemassa olevia huipputason havaintomalleja.

Tämä uudenlainen menetelmä voidaan soveltaa autonomisiin ajoneuvoihin, autonomiseen pysäköintiin, autonomiseen toimitukseen ja tuleviin autonomisiin roboteihin. Sitä voidaan myös soveltaa sovelluksiin, joissa tarvitaan objektien ja esteiden havaitseminen, seuranta ja visuaalinen lokalisaatio.

“Tällä hetkellä autonominen ajo tehdään LiDAR-pohjaisen kuvan prosessoinnin kautta, mutta ennustetaan, että yleinen kamera korvaa LiDARin roolin tulevaisuudessa. Tämän vuoksi autonomisten ajoneuvojen käyttämä teknologia muuttuu joka hetki, ja olemme edelläkävijöitä,” Prof. Jeon sanoo. “Peruselementtiteknologian kehityksen perusteella turvallisemmilla autonomisilla ajoneuvoilla pitäisi olla saatavilla seuraavien 5-10 vuoden aikana.”