Internasjonalt team tar et stort skritt fremover innen autonom kjøretøyteknologi

Autonome kjøretøy er satt til å revolusjonere transport – men deres vellykkede implementering er avhengig av evnen til nøyaktig å gjenkjenne og reagere på eksterne trusler. Fra signalbehandling og bildeanalysealgoritmer til dyplærings-intelligenssystemer integrert med IoT-infrastruktur, må en rekke teknologier benyttes for at autonome biler skal gi sikker drift over variert terreng. For å sikre at passasjersikkerheten ikke blir kompromittert ettersom disse banebrytende bilene blir mer utbredt, trenger robuste metoder utvikling som effektivt kan oppdage potensielle farer raskt og pålitelig.

Selvkjørende kjøretøyer er avhengige av høyteknologiske sensorer som LiDAR, radar og RGB-kameraer for å generere store mengder informasjon for å identifisere fotgjengere, andre sjåfører og potensielle farer på riktig måte. Integreringen av avanserte datafunksjoner og Internet-of-Things (IoT) i disse automatiserte bilene gjør det mulig å raskt behandle disse dataene på stedet for å navigere i ulike områder og objekter mer effektivt. Til syvende og sist lar dette det autonome kjøretøyet ta avgjørelser på et brøkdel av et sekund med mye høyere nøyaktighet enn tradisjonelle menneskelige sjåfører.

Stort skritt fremover innen autonom kjøreteknologi

Banebrytende forskning utført av professor Gwanggil Jeon fra Incheon National University, Korea og hans internasjonale team markerer et stort skritt fremover innen teknologi for autonom kjøring. Det innovative smarte IoT-aktiverte ende-til-ende-systemet som de har utviklet gir mulighet for 3D-objektdeteksjon i sanntid ved hjelp av dyp læring, noe som gjør det mer pålitelig og effektivt enn noen gang før. Den kan oppdage et økt antall objekter mer nøyaktig, selv når den står overfor utfordrende miljøer som lite lys eller uvanlige værforhold – noe andre systemer ikke er i stand til. Disse egenskapene tillater sikrere navigering rundt ulike trafikkscenarier, hever standarden for autonome kjøresystemer og bidrar til forbedret trafikksikkerhet over hele verden.

Forskningen ble publisert i tidsskriftet IEEE-transaksjoner av intelligente transportsystemer. 

"For autonome kjøretøy er miljøoppfatning avgjørende for å svare på et kjernespørsmål, 'Hva er rundt meg?' Det er essensielt at et autonomt kjøretøy effektivt og nøyaktig kan forstå sine omgivelsesforhold og miljøer for å utføre en responsiv handling,” forklarer prof. Jeon. "Vi utviklet en deteksjonsmodell basert på YOLOv3, en velkjent identifiseringsalgoritme. Modellen ble først brukt til 2D-objektdeteksjon og deretter modifisert for 3D-objekter, fortsetter han.

Baserer modellen på YOLOv3

Teamet matet de innsamlede RGB-bildene og punktskydataene til YOLOv3, som deretter sender ut klassifiseringsetiketter og grensefelt med konfidenspoeng. Ytelsen ble deretter testet med Lyft-datasettet, og tidlige resultater viste at YOLOv3 oppnådde en ekstremt høy deteksjonsnøyaktighet (>96 %) for både 2D- og 3D-objekter. Modellen utkonkurrerte ulike state-of-the-art deteksjonsmodeller. 

Denne nyutviklede metoden kan brukes for autonome kjøretøy, autonom parkering, autonom levering og fremtidige autonome roboter. Den kan også brukes i applikasjoner der gjenstands- og hindringerdeteksjon, sporing og visuell lokalisering er nødvendig. 

"For tiden utføres autonom kjøring gjennom LiDAR-basert bildebehandling, men det er spådd at et generelt kamera vil erstatte rollen til LiDAR i fremtiden. Som sådan endrer teknologien som brukes i autonome kjøretøy seg hvert øyeblikk, og vi er i forkant, sier prof. Jeon. "Basert på utviklingen av elementteknologier, bør autonome kjøretøy med forbedret sikkerhet være tilgjengelige i løpet av de neste 5-10 årene."