Az AI-érzékelők segíthetnek az autonóm járműveken a havas városokban

Az autonóm járművek előtt álló egyik legnagyobb kihívás az, hogy rossz időjárási körülmények között nehezen tudnak navigálni, ami nagyon korlátozza a megvalósításukat olyan havas városokban, mint Detroit és Chicago. A járművek a létfontosságú szenzoradatokra támaszkodnak az akadályok észleléséhez és az út megfelelő oldalán való tartáshoz, de ezek az adatok nehézségekbe ütköznek a hóban. 

ben bemutatott két új közleményben SPIE Defense + Commercial Sensing 2021, a Michigani Technológiai Egyetem kutatói új megoldásokat tárgyaltak a havas vezetési forgatókönyvekre autonóm járművekkel.

Az autonóm járművek széles skálája létezik, köztük néhány holttérrel vagy fékasszisztenssel, mások pedig be- és kikapcsolt önvezető üzemmóddal. A legjobb járművek némelyike ​​teljesen önállóan működik. 

Mivel a technológia sok szempontból még gyerekcipőben jár, az autógyártók és a kutatóegyetemek folyamatosan dolgoznak a technológia és az algoritmusok fejlesztésén. Amikor előfordulnak balesetek, azok gyakran az autó mesterséges intelligenciájának téves megítélésének vagy emberi tévedésnek a következményei. 

Emberi érzékelők

Az emberi szem egyfajta szenzor is, mivel érzékeli az egyensúlyt és a mozgást. Agyunk processzorként működik, segít megérteni környezetünket. Ezek együtt lehetővé teszik számunkra, hogy minden forgatókönyvben vezessünk, még azokban is, amelyek újak, mivel agyunk képes általánosítani az újszerű tapasztalatokat. 

Az autonóm járműveken általában két kamera van kardánra szerelve, és sztereó látásmód segítségével pásztázzák és érzékelik a mélységet, hogy utánozzák az emberi látást. Ugyanakkor az egyensúly és a mozgás mérhető inerciális mérőegységgel. A számítógépek viszont csak a korábban talált forgatókönyvekre, vagy olyanokra tudnak reagálni, amelyek felismerésére már programozták őket. 

Fusion érzékelő

Az autonóm járművek a feladatspecifikus mesterséges intelligencia algoritmusokra támaszkodnak, amelyekhez több érzékelőre van szükség, például halszem kamerákra, infravörös érzékelőkre, radarra, fényérzékelésre és lidarra.

Nathir Rawashdeh a Michigan Tech's College of Computing számítástechnikai adjunktusa és a tanulmány egyik vezető szerzője. 

„Minden érzékelőnek vannak korlátai, és minden érzékelő egy másik hátát takarja” – mondta Rawashdeh. „A szenzorfúzió többféle, különböző módozatú érzékelőt használ a jelenet megértéséhez. Nem lehet minden részletet kimerítően programozni, ha a bemenetek bonyolult mintázatúak. Ezért van szükségünk mesterséges intelligenciára.”

A tanulmány munkatársai között szerepelt Nader Abu-Alrub, az elektromos és számítástechnikai mérnöki doktorandusz, valamint Jeremy Bos, az elektromos és számítástechnikai mérnök adjunktusa. További munkatársak voltak mesterképzésben részt vevő hallgatók és Bos laboratóriumában végzettek: Akhil Kurup, Derek Chopp és Zach Jeffreies. 

Az autonóm érzékelőket és az önvezető algoritmusokat szinte kizárólag napos és tiszta tájakon fejlesztették ki. Bos laboratóriuma először a Michigan Tech autonóm járművében kezdett el adatokat gyűjteni a nagy hóban, és több mint 1,000 képkockanyi lidar-, radar- és képadatot gyűjtöttek be havas utakon Németországban és Norvégiában. 

Bos szerint az érzékelő észlelése nehéz a sokféle hó miatt. Fontos az adatok előfeldolgozása és a pontos címkézés biztosítása. 

 „Nem minden hó egyenlő” – mondta Bos. „A mesterséges intelligencia olyan, mint egy szakács – ha jó alapanyagok vannak, akkor kiváló étel lesz” – mondta. "Adja meg a mesterséges intelligencia tanulási hálózatának piszkos érzékelőadatait, és rossz eredményt kap."

Néhány másik jelentős kihívás az alacsony minőségű adatokhoz és a szennyeződéshez kapcsolódik, és az érzékelőkön felhalmozódó hó okozza a saját problémáit. Még az érzékelők törlése után sem mindig van egyetértés az akadályok észlelésében. Gyakran nagyon nehéz rávenni az érzékelőket és kockázatértékeléseiket, hogy kommunikáljanak, és tanuljanak egymástól, mivel mindegyik saját következtetésre juthat. A csapat azonban azt szeretné, ha az autonóm érzékelők együttesen jutnának eredményre az érzékelőfúzió használatával. 

„Ahelyett, hogy szigorúan szavaznánk, az érzékelőfúzió használatával új becslést fogunk készíteni” – mondja Bos. 

Az autonóm járműérzékelők tovább tanulnak és fejlődnek rossz időben, és az olyan új megközelítések, mint az érzékelőfúzió, utat mutathatnak az autonóm járművek számára a havas utakon.