Internasjonalt team tar et stort skritt fremover i autonom kjøretøyteknologi

Autonome kjøretøy er på vei til å revolusjonere transport – men deres suksessfulle implementering avhenger av evnen til å nøyaktig gjenkjenne og reagere på eksterne trusler. Fra signalbehandling og bildeanalysealgoritmer til dyptlæringsintelligenssystemer integrert med IoT-infrastruktur, må en rekke teknologier utnyttes for at autonome biler skal kunne tilby trygg drift over variert terreng. For å sikre at passasjersikkerheten ikke blir kompromittert når disse banebrytende bilene blir mer utbredt, må robuste metoder utvikles som kan effektivt oppdage potensielle farer raskt og pålitelig.

Selvkjørende kjøretøy avhenger av høyteknologiske sensorer som LiDAR, radar og RGB-kameraer for å generere store mengder informasjon for å korrekt identifisere fotgjengere, andre sjåfører og potensielle farer. Integreringen av avanserte beregningskapasiteter og Internett-of-Things (IoT) i disse automatiske bilene gjør det mulig å raskt prosessere denne dataen på stedet for å navigere ulike områder og objekter mer effektivt. Dette gjør at det autonome kjøretøyet kan ta splitsekundsbeslutninger med en mye høyere nøyaktighet enn tradisjonelle menneskelige sjåfører.

Et stort skritt fremover i autonom kjøretøyteknologi

Banebrytende forskning utført av professor Gwanggil Jeon fra Incheon National University, Korea og hans internasjonale team markerer et stort skritt fremover i autonom kjøretøyteknologi. Det innovative smarte IoT-aktiverende sluttpunktssystemet de har utviklet, gjør det mulig å detektere 3D-objekter i sanntid med dyptlæring, noe som gjør det mer pålitelig og effektivt enn noen gang tidligere. Det kan detektere et økt antall objekter mer nøyaktig, selv i utfordrende miljøer som lavt lys eller uvanlig vær – noe andre systemer ikke kan gjøre. Disse evnene gjør det mulig for tryggere navigasjon rundt ulike trafikkscenarioer, og setter en ny standard for autonome kjøretøyssystemer og bidrar til å forbedre veisikkerheten globalt.

Forskningen ble publisert i tidsskriftet IEEE Transactions of Intelligent Transport Systems. 

“For autonome kjøretøy er miljøoppfatning kritisk for å svare på en sentral spørsmål, ‘Hva er rundt meg?’ Det er essensielt at et autonomt kjøretøy kan effektivt og nøyaktig forstå sine omgivelser og miljøforhold for å kunne utføre en responsiv handling,” forklarer Prof. Jeon. “Vi utviklet en detekteringsmodell basert på YOLOv3, en velkjent identifikasjonsalgoritme. Modellen ble først brukt for 2D-objektdeteksjon og deretter modifisert for 3D-objekter,” fortsetter han.

Basert på YOLOv3

Teamet matet inn samlet RGB-bilder og punktskydata til YOLOv3, som deretter produserte klassifiseringsmerker og avgrensningsskjermer med konfidenspoeng. Dets ytelse ble deretter testet med Lyft-datasettet, og tidlige resultater viste at YOLOv3 oppnådde en ekstremt høy nøyaktighet på over 96% for både 2D- og 3D-objekter. Modellen overgikk flere statlige kunstige detekteringsmodeller. 

Denne nyutviklede metoden kan brukes for autonome kjøretøy, autonom parkering, autonom levering og fremtidige autonome roboter. Den kan også brukes i applikasjoner der objektdeteksjon, hindringssporing og visuell lokaliseringskrav er nødvendig. 

“For tiden utføres autonom kjøring gjennom LiDAR-basert bildebehandling, men det forventes at et vanlig kamera vil erstatte LiDARs rolle i fremtiden. Som sådan endrer teknologien som brukes i autonome kjøretøy seg hele tiden, og vi er i forkant,” sier Prof. Jeon. “Basert på utviklingen av grunnleggende teknologier, bør autonome kjøretøy med forbedret sikkerhet være tilgjengelig i løpet av de neste 5-10 årene.”