Międzynarodowy zespół dokonuje wielkiego kroku naprzód w technologii autonomicznych pojazdów

Pojazdy autonomiczne mają rewolucjonizować transport — jednak ich udana implementacja zależy od możliwości dokładnego rozpoznawania i reagowania na zewnętrzne zagrożenia. Od algorytmów przetwarzania sygnałów i analizy obrazu przez systemy inteligencji głębokiej zintegrowane z infrastrukturą IoT, wiele technologii musi być wykorzystywanych, aby autonomiczne samochody mogły zapewnić bezpieczną eksploatację na różnych terenach. Aby zapewnić, że bezpieczeństwo pasażerów nie zostanie naruszone, gdy te pojazdy stają się bardziej powszechne, potrzebne są solidne metody, które mogą skutecznie wykrywać potencjalne zagrożenia szybko i niezawodnie.

Samochody autonomiczne wykorzystują zaawansowane sensory, takie jak LiDAR, radar i kamery RGB, do generowania dużych ilości informacji w celu właściwego identyfikowania pieszych, innych kierowców i potencjalnych zagrożeń. Integracja zaawansowanych możliwości obliczeniowych i Internetu Rzeczy (IoT) w tych zautomatyzowanych samochodach umożliwia szybkie przetwarzanie tych danych na miejscu w celu efektywniejszego poruszania się po różnych obszarach i obiektach. Ostatecznie pozwala to autonomicznemu pojazdowi na podejmowanie decyzji w ułamku sekundy z znacznie większą dokładnością niż tradycyjni kierowcy.

Wielki krok naprzód w technologii autonomicznych pojazdów

Przełomowe badania przeprowadzone przez profesora Gwanggila Jeona z Incheon National University w Korei i jego międzynarodowego zespołu oznaczają wielki krok naprzód w technologii autonomicznych pojazdów. Innowacyjny inteligentny system IoT umożliwia wykrywanie obiektów 3D w czasie rzeczywistym za pomocą głębokiej nauki, co czyni go bardziej niezawodnym i efektywnym niż kiedykolwiek wcześniej. Może wykryć większą liczbę obiektów z większą dokładnością, nawet w trudnych środowiskach, takich jak niskie światło lub niezwykłe warunki pogodowe — co inne systemy nie są w stanie zrobić. Te możliwości umożliwiają bezpieczniejsze poruszanie się po różnych sytuacjach ruchu drogowego, podnosząc poprzeczkę dla systemów autonomicznych pojazdów i przyczyniając się do poprawy bezpieczeństwa na drogach na całym świecie.

Badania zostały opublikowane w czasopiśmie IEEE Transactions of Intelligent Transport Systems.

“Dla autonomicznych pojazdów percepcja środowiska jest kluczowa, aby odpowiedzieć na podstawowe pytanie, ‘Co jest dookoła mnie?’ Jest niezwykle ważne, aby autonomiczny pojazd mógł skutecznie i dokładnie zrozumieć swoje otoczenie i warunki, aby podjąć odpowiednią reakcję,” wyjaśnia prof. Jeon. “Stworzyliśmy model wykrywania oparty na YOLOv3, znanym algorytmem identyfikacji. Model został początkowo użyty do wykrywania obiektów 2D, a następnie zmodyfikowany do obiektów 3D,” kontynuuje.

Opierając się na YOLOv3

Zespół podał zebrane obrazy RGB i dane chmury punktów do YOLOv3, które następnie wygenerowały etykiety klasyfikacji i prostokąty ograniczające z wynikami ufności. Jego wydajność została przetestowana przy użyciu zestawu danych Lyft, a wstępne wyniki wykazały, że YOLOv3 osiągnęło niezwykle wysoką dokładność wykrywania (>96%) zarówno dla obiektów 2D, jak i 3D. Model przewyższył wiele modeli wykrywania stanu sztuki.

Ta nowo opracowana metoda może być wykorzystana w autonomicznych pojazdach, autonomicznym parkowaniu, autonomicznej dostawie i przyszłych autonomicznych robotach. Może być również wykorzystywana w aplikacjach, w których wymagane jest wykrywanie obiektów i przeszkód, śledzenie oraz lokalizacja wizualna.

“Obecnie jazda autonomiczna jest wykonywana za pomocą przetwarzania obrazu opartego na LiDAR, ale przewiduje się, że zwykła kamera zastąpi rolę LiDAR w przyszłości. Jak tak, technologia stosowana w autonomicznych pojazdach zmienia się każdej chwili, i jesteśmy na czele,” mówi prof. Jeon. “W oparciu o rozwój technologii elementowych, autonomiczne pojazdy z poprawionym bezpieczeństwem powinny być dostępne w ciągu najbliższych 5-10 lat.”