Internationaal team maakt grote stap vooruit in autonome voertuigtechnologie

Autonome voertuigen zijn op het punt om het transport te revolutioneren – echter hangt hun succesvolle implementatie af van de mogelijkheid om externe bedreigingen nauwkeurig te herkennen en te reageren. Van signaalverwerking en beeldanalysealgoritmes tot diepe leerintelligentiesystemen geïntegreerd met IoT-infrastructuur, moet een reeks technologieën worden gebruikt om autonome auto’s veilig te laten functioneren over verschillende terreinen. Om te waarborgen dat de veiligheid van passagiers niet wordt aangetast terwijl deze baanbrekende auto’s meer worden gebruikt, moeten robuuste methoden worden ontwikkeld die potentieel gevaar snel en betrouwbaar kunnen detecteren.

Zelfrijdende voertuigen vertrouwen op geavanceerde sensoren zoals LiDAR, radar en RGB-camera’s om grote hoeveelheden informatie te genereren om voetgangers, andere bestuurders en potentieel gevaar correct te identificeren. De integratie van geavanceerde rekenkracht en Internet-of-Things (IoT) in deze geautomatiseerde auto’s maakt het mogelijk om deze gegevens snel ter plaatse te verwerken om verschillende gebieden en objecten efficiënter te navigeren. Uiteindelijk maakt dit het mogelijk voor het autonome voertuig om beslissingen te nemen met een veel hogere nauwkeurigheid dan traditionele menselijke bestuurders.

Grote stap vooruit in autonome rijtechnologie

Baannemend onderzoek dat is uitgevoerd door Professor Gwanggil Jeon van de Incheon National University in Zuid-Korea en zijn internationale team, markeert een grote stap vooruit in autonome rijtechnologie. Het innovatieve slimme IoT-geactiveerde eind-tot-eind-systeem dat ze hebben ontwikkeld, maakt 3D-objectdetectie in real-time mogelijk met behulp van diepe leer, waardoor het betrouwbaarder en efficiënter is dan ooit tevoren. Het kan een groter aantal objecten nauwkeuriger detecteren, zelfs in uitdagende omgevingen zoals weinig licht of ongebruikelijke weersomstandigheden – iets wat andere systemen niet kunnen. Deze mogelijkheden maken het mogelijk om veiliger te navigeren rond verschillende verkeerssituaties, waardoor de lat voor autonome rijsystemen wordt verhoogd en de verkeersveiligheid wereldwijd wordt verbeterd.

Het onderzoek is gepubliceerd in het tijdschrift IEEE Transactions of Intelligent Transport Systems.

“Voor autonome voertuigen is omgevingsperceptie kritiek om een kernvraag te beantwoorden, ‘Wat is er om me heen?’ Het is essentieel dat een autonoom voertuig zijn omgevingsomstandigheden en -omgeving effectief en nauwkeurig kan begrijpen om een responsief actie uit te voeren,” legt Prof. Jeon uit. “We hebben een detectiemodel ontwikkeld op basis van YOLOv3, een bekende identificatiealgoritme. Het model werd eerst gebruikt voor 2D-objectdetectie en vervolgens aangepast voor 3D-objecten,” vervolgt hij.

Model gebaseerd op YOLOv3

Het team voerde de verzamelde RGB-afbeeldingen en puntwolkgegevens in YOLOv3 in, die vervolgens classificatielabels en begrenzingsvakken met vertrouwensscores uitvoerde. De prestaties werden getest met de Lyft-dataset, en vroege resultaten toonden aan dat YOLOv3 een extreem hoge detectienauwkeurigheid (>96%) behaalde voor zowel 2D- als 3D-objecten. Het model overtrof verschillende state-of-the-art detectiemodellen.

Deze nieuw ontwikkelde methode kan worden gebruikt voor autonome voertuigen, autonome parkeerplaatsen, autonome bezorging en toekomstige autonome robots. Het kan ook worden gebruikt in toepassingen waar object- en obstakeldetectie, -volging en -visualisatie vereist is.

“Op dit moment wordt autonome rijden uitgevoerd met LiDAR-gebaseerde beeldverwerking, maar het wordt voorspeld dat een algemene camera de rol van LiDAR in de toekomst zal overnemen. Zo verandert de technologie die in autonome voertuigen wordt gebruikt, elk moment, en wij staan aan de voorzijde,” zegt Prof. Jeon. “Op basis van de ontwikkeling van elementtechnologieën, moeten autonome voertuigen met verbeterde veiligheid binnen de komende 5-10 jaar beschikbaar komen.”