ဉာဏ်ရည်တု
နည်းပညာအသစ်သည် AI ၏ 3D အရာဝတ္ထုများကို ခွဲခြားသတ်မှတ်ရန် ကူညီပေးသည်။
မြောက်ကာရိုလိုင်းနားပြည်နယ် တက္ကသိုလ်မှ သုတေသီများ တီထွင်ထားသည့် နည်းပညာအသစ်သည် 3D အရာဝတ္ထုများကို ခွဲခြားသတ်မှတ်ရန် ဥာဏ်ရည်တု (AI) ပရိုဂရမ်များ၏ စွမ်းရည်ကို တိုးတက်စေသည်။ MonoCon ဟုခေါ်သော အဆိုပါနည်းပညာသည် 3D ရုပ်ပုံများကို အသုံးပြုခြင်းဖြင့် အာကာသအတွင်း 2D အရာဝတ္ထုများ အချင်းချင်း မည်သို့ဆက်စပ်နေသည်ကို AI မှလည်း ကူညီပေးပါသည်။
MonoCon သည် onboard ကင်မရာမှရရှိသော 2D ရုပ်ပုံများကို အသုံးပြု၍ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များအား အခြားယာဉ်များတစ်ဝိုက်တွင် သွားလာနိုင်ရန် ကူညီပေးခြင်းအပါအဝင် ကျယ်ပြန့်သောအသုံးချပရိုဂရမ်များပါရှိနိုင်သည်။ ထုတ်လုပ်မှုနှင့် စက်ရုပ်များတွင်လည်း အခန်းကဏ္ဍမှ ပါဝင်နိုင်သည်။
Tianfu Wu သည် စာရေးဆရာဖြစ်သည်။ သုတေသနစာတမ်း မြောက်ကာရိုလိုင်းနားပြည်နယ် တက္ကသိုလ်မှ လျှပ်စစ်နှင့် ကွန်ပျူတာ အင်ဂျင်နီယာ လက်ထောက်ပါမောက္ခတစ်ဦးလည်း ဖြစ်သည်။
"ကျွန်ုပ်တို့သည် 3D ကမ္ဘာတစ်ခုတွင် နေထိုင်ကြသည်၊ သို့သော် ဓာတ်ပုံရိုက်သည့်အခါ ယင်းကမ္ဘာကို 2D ရုပ်ပုံဖြင့် မှတ်တမ်းတင်သည်" ဟု Wu ကဆိုသည်။
“AI ပရိုဂရမ်များသည် ကင်မရာများမှ ရုပ်ထွက်ထည့်သွင်းမှုကို ရရှိသည်။ ထို့ကြောင့် ကျွန်ုပ်တို့သည် AI ကို ကမ္ဘာကြီးနှင့် အပြန်အလှန် အကျိုးပြုလိုပါက၊ 2D အာကာသအကြောင်းကို 3D ပုံများက အဓိပ္ပါယ်ဖွင့်ဆိုနိုင်သည်ကို သေချာစေရန် လိုအပ်ပါသည်။ ဤသုတေသနတွင်၊ ကျွန်ုပ်တို့သည် 3D ရုပ်ပုံများဖြင့် 2D ရုပ်ပုံများဖြင့် XNUMXD အရာဝတ္ထုများကို တိကျစွာမှတ်မိရန်နှင့် ထိုအရာဝတ္ထုများကို အာကာသတွင် ထားရှိရန် AI ကို မည်သို့ရရှိနိုင်ကြောင်း ဤသုတေသနတွင် ကျွန်ုပ်တို့အာရုံစိုက်ထားသည်၊
ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်
ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များသည် 3D အာကာသသို့ သွားလာရန် lidar ကို အားကိုးလေ့ရှိသည်။ အကွာအဝေးကို တိုင်းတာရန် လေဆာများကို အသုံးပြုသည့် Lidar သည် စျေးကြီးသည်၊ ဆိုလိုသည်မှာ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရစနစ်များတွင် ထပ်နေသောများစွာမပါဝင်ပါ။ ဒါဇင်နဲ့ချီတဲ့ lidar အာရုံခံကိရိယာတွေကို အမြောက်အများထုတ်လုပ်ထားတဲ့ မောင်းသူမဲ့ကားပေါ်မှာ တင်ဖို့က မယုံနိုင်လောက်အောင် ဈေးကြီးပါတယ်။
"ဒါပေမယ့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်တစ်စီးက အာကာသအတွင်း သွားလာဖို့အတွက် အမြင်အာရုံသွင်းအားစုတွေကို အသုံးပြုနိုင်ခဲ့မယ်ဆိုရင်၊ သင်ဟာ ထပ်တလဲလဲ တည်ဆောက်နိုင်မှာပါ" ဟု Wu က ပြောကြားခဲ့သည်။ “ကင်မရာများသည် lidar ထက် သိသိသာသာ ဈေးနည်းသောကြောင့်၊ အပိုကင်မရာများကို ထည့်သွင်းရန် စီးပွားရေးအရ ဖြစ်နိုင်ချေရှိသည် — စနစ်ထဲသို့ ထပ်လောင်းခြင်းကို တည်ဆောက်ကာ ၎င်းကို ပိုမိုလုံခြုံပြီး ပိုမိုကြံ့ခိုင်စေမည်ဖြစ်သည်။
“ဒါက လက်တွေ့အသုံးချမှုတစ်ခုပါပဲ။ သို့သော်လည်း၊ ကျွန်ုပ်တို့သည် ဤလုပ်ငန်း၏ အခြေခံတိုးတက်မှုအတွက် စိတ်လှုပ်ရှားမိပါသည်- 3D အရာဝတ္ထုများမှ 2D ဒေတာကို ရနိုင်သောကြောင့်ဖြစ်သည်။"
AI ကိုလေ့ကျင့်ပါ။
MonoCon သည် AI အား အရာဝတ္တု၏ အပြင်ဘက်အစွန်းများကို ပြောပြသည့် “ဘောင်ဝင်ဘောက်စ်” တွင် မထားရှိမီ 3D ပုံများတွင် 2D ရုပ်ပုံများပါရှိသောအရာများကို ခွဲခြားသတ်မှတ်နိုင်သည်။
"ကျွန်ုပ်တို့၏အလုပ်ကို ခြားနားစေသောအရာမှာ ယခင်လေ့ကျင့်ရေးနည်းပညာများပေါ်တွင် တည်ဆောက်ထားသည့် AI ကို လေ့ကျင့်ပေးခြင်းဖြစ်သည်" ဟု Wu က ပြောကြားခဲ့သည်။ "ယခင်ကြိုးပမ်းမှုများကဲ့သို့ပင် ကျွန်ုပ်တို့သည် AI ကို လေ့ကျင့်နေစဉ် 3D ဘောင်အတွင်းမှ အရာဝတ္ထုများကို ထားရှိပါသည်။ သို့သော်လည်း၊ ကင်မရာမှ အရာဝတ္ထုအကွာအဝေးကို ခန့်မှန်းရန် AI အား တောင်းဆိုသည့်အပြင်၊ အကွက်ရှစ်ခုစီ၏ တည်နေရာနှင့် ဘောင်အလယ်ဗဟိုမှ ၎င်း၏အကွာအဝေးကိုလည်း ခန့်မှန်းရန် AI ကို တောင်းဆိုပါသည်။ အကွက်နှစ်ကွက်။ ဒါကို 'auxiliary context' လို့ခေါ်ပြီး AI က 3D ရုပ်ပုံတွေကို အခြေခံထားတဲ့ 2D အရာဝတ္ထုတွေကို ပိုမိုတိကျစွာခွဲခြားသတ်မှတ်ပြီး ခန့်မှန်းရာမှာ ကူညီပေးကြောင်း တွေ့ရှိခဲ့ပါတယ်။
“အဆိုပြုထားသောနည်းလမ်းကို အတိုင်းအတာသီအိုရီတစ်ခုဖြစ်သည့် Cramér-Wold သီအိုရီက လှုံ့ဆော်ပေးပါသည်။ ကွန်ပြူတာအမြင်ရှိ အခြားဖွဲ့စည်းပုံ-အထွက်ခန့်မှန်းခြင်းအလုပ်များနှင့်လည်း သက်ဆိုင်နိုင်ချေရှိသည်။”
MonoCon ကို KITTI ဟုခေါ်သော အသုံးများသော စံသတ်မှတ်ချက်တစ်ခုဖြင့် စမ်းသပ်ခဲ့သည်။
"ကျွန်ုပ်တို့ ဒီစာတမ်းကို တင်သွင်းချိန်မှာ၊ MonoCon ဟာ မော်တော်ယာဥ်ပေါ်က 3D ဒေတာကို 2D ရုပ်ပုံတွေကနေ ထုတ်ယူဖို့ ရည်ရွယ်တဲ့ တခြား AI ပရိုဂရမ်တွေထက် ပိုမိုကောင်းမွန်ပါတယ်" ဟု Wu က ပြောကြားခဲ့သည်။
အဖွဲ့သည် ယခု လုပ်ငန်းစဉ်ကို ပိုမိုကြီးမားသော ဒေတာအတွဲများဖြင့် ချဲ့ထွင်ရန် ရှာဖွေပါမည်။
"ရှေ့ဆက်သွားရင်း၊ ကျွန်ုပ်တို့သည် ၎င်းကို ချဲ့ထွင်ပြီး အလိုအလျောက်မောင်းနှင်မှုတွင် အသုံးပြုရန်အတွက် MonoCon ကို အကဲဖြတ်ပြီး ကောင်းစွာချိန်ညှိရန် ကြီးမားသောဒေတာအတွဲများနှင့် လုပ်ဆောင်နေပါတယ်" ဟု Wu က ပြောကြားခဲ့သည်။ "စက်ရုပ်လက်မောင်းများအသုံးပြုခြင်းကဲ့သို့သော လုပ်ငန်းဆောင်တာများ၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးနိုင်ခြင်း ရှိ၊ မရှိ သိရှိနိုင်ရန် ထုတ်လုပ်ရေးတွင် အက်ပ်လီကေးရှင်းများကို စူးစမ်းလေ့လာလိုပါသည်။"
