AI-sensoren kunnen autonome voertuigen in sneeuwrijke steden helpen

Een van de grootste uitdagingen voor autonome voertuigen is dat ze moeite hebben met navigeren in slechte weersomstandigheden, wat hun implementatie in sneeuwrijke steden zoals Detroit en Chicago echt beperkt. De voertuigen vertrouwen op cruciale sensordata om obstakels te detecteren en op de juiste kant van de weg te blijven, maar deze data heeft moeite in de sneeuw.

In twee nieuwe papers die zijn gepresenteerd op de SPIE Defense + Commercial Sensing 2021, bespraken onderzoekers van de Michigan Technological University nieuwe oplossingen voor sneeuwrijke rijscenariosen met autonome voertuigen.

Er zijn een breed scala aan autonome voertuigen, waaronder enkele met blinde vlekken of remhulp, en anderen met aan- en uit-zelfrijdenmodi. Sommige van de beste voertuigen kunnen helemaal zelfstandig opereren.

Omdat de technologie nog in haar kinderschoenen staat op veel manieren, werken autofabrikanten en onderzoeksuniversiteiten continu aan het verbeteren van de technologie en algoritmen. Wanneer ongevallen plaatsvinden, zijn ze vaak het resultaat van een misoordeling door de auto’s AI of een menselijke fout.

Menselijke sensoren

Menselijke ogen zijn ook een soort sensoren, omdat ze evenwicht en beweging waarnemen. Ons brein fungeert als een processor, waardoor we onze omgeving kunnen begrijpen. Deze samen ermöglichen het ons om te rijden in alle scenario’s, zelfs in nieuwe, omdat ons brein nieuwe ervaringen kan generaliseren.

Autonome voertuigen hebben meestal twee camera’s gemonteerd op gimbals, en ze scannen en waarnemen diepte met stereo-visie om menselijk zicht na te bootsen. Tegelijkertijd kunnen evenwicht en beweging worden gemeten met een inertieel meetinstrument. Computers kunnen alleen reageren op eerder waargenomen scenario’s of die waarvoor ze al zijn geprogrammeerd.

Sensorfusie

Autonome voertuigen vertrouwen op taakspecifieke kunstmatige intelligentie-algoritmen, die meerdere sensoren zoals fisheye-camera’s, infraroodsensoren, radar, lichtdetectie en lidar vereisen.

Nathir Rawashdeh is assistent-professor in computing aan de Michigan Tech’s College of Computing en een van de hoofdauteurs van de studie.

“Elke sensor heeft beperkingen, en elke sensor dekt de rug van een andere,” zei Rawashdeh. “Sensorfusie gebruikt meerdere sensoren van verschillende modaliteiten om een scène te begrijpen. U kunt niet uitputtend programmeren voor elk detail wanneer de invoer moeilijke patronen heeft. Daarom hebben we AI nodig.”

De medewerkers van de studie omvatten Nader Abu-Alrub, doctoraalstudent in elektrotechniek en informatica, en Jeremy Bos, assistent-professor in elektrotechniek en informatica. Andere medewerkers waren masterstudenten en afgestudeerden van Bos’ lab: Akhil Kurup, Derek Chopp en Zach Jeffreies.

Autonome sensoren en zelfrijdende algoritmen worden bijna uitsluitend ontwikkeld in zonnige en heldere landschappen. Bos’ lab begon eerst met het verzamelen van gegevens in een Michigan Tech-autonoom voertuig in zware sneeuw, en meer dan 1.000 frames van lidar-, radar- en beeldgegevens werden verzameld van sneeuwrijke wegen in Duitsland en Noorwegen.

Volgens Bos is sensordetectie moeilijk vanwege de variatie in sneeuw. Het is belangrijk om de gegevens voor te verwerken en ervoor te zorgen dat de labeling nauwkeurig is.

“Niet alle sneeuw is gelijk,” zei Bos. “AI is als een chef – als je goede ingrediënten hebt, zal er een uitstekend maaltijd zijn,” zei hij. “Geef de AI-lerennetwerk vuile sensordata en je krijgt een slecht resultaat.”

Enkele andere grote uitdagingen zijn van slechte kwaliteit gegevens en vuil, en sneeuwopbouw op de sensoren veroorzaakt zijn eigen problemen. Zelfs nadat de sensoren zijn schoongemaakt, is er niet altijd overeenstemming over het detecteren van obstakels. Het is vaak erg moeilijk om de sensoren en hun risicobeoordelingen te laten communiceren en van elkaar te laten leren, omdat elk zijn eigen conclusie kan trekken. Het team wil echter dat autonome sensoren collectief tot een conclusie komen door middel van sensorfusie.

“In plaats van strikt te stemmen, zullen we met sensorfusie een nieuwe schatting maken,” zegt Bos.

Autonome voertuigsensoren zullen blijven leren en verbeteren in slecht weer, en nieuwe benaderingen zoals sensorfusie kunnen de weg vrijmaken voor autonome voertuigen op sneeuwrijke wegen.