Датчики ИИ могут помочь автономным транспортным средствам в заснеженных городах

Одна из самых больших проблем, с которыми сталкиваются автономные транспортные средства, заключается в том, что они плохо ориентируются в плохих погодных условиях, что действительно ограничивает их применение в заснеженных городах, таких как Детройт и Чикаго. Транспортные средства полагаются на важные данные датчиков, чтобы обнаруживать препятствия и держаться на правильной стороне дороги, но эти данные плохо работают в снегу. 

В двух новых работах, представленных в SPIE Defense + Commercial Sensing 2021 г., исследователи из Мичиганского технологического университета обсудили новые решения для сценариев вождения по снегу с помощью автономных транспортных средств.

Существует широкий спектр автономных транспортных средств, в том числе с слепыми зонами или системой помощи при торможении, а также с включенными и выключенными режимами автономного вождения. Некоторые из лучших транспортных средств могут работать полностью самостоятельно. 

Поскольку технология во многих отношениях все еще находится в зачаточном состоянии, автопроизводители и исследовательские университеты постоянно работают над улучшением технологии и алгоритмов. Когда аварии действительно происходят, они часто являются результатом неправильной оценки искусственного интеллекта автомобиля или человеческой ошибки. 

Сенсоры человека

Человеческие глаза также являются формой датчиков, поскольку они чувствуют баланс и движение. Наш мозг действует как процессор, помогая нам понять окружающую среду. Вместе они позволяют нам управлять автомобилем во всех сценариях, даже новых, поскольку наш мозг может обобщать новый опыт. 

Автономные транспортные средства обычно имеют две камеры, установленные на шарнирах, и они сканируют и воспринимают глубину, используя стереозрение, имитирующее человеческое зрение. В то же время равновесие и движение можно измерить с помощью инерциального измерительного устройства. С другой стороны, компьютеры могут реагировать только на ранее встречавшиеся сценарии или на те, на распознавание которых они уже запрограммированы. 

Слияние датчиков

Автономные транспортные средства полагаются на алгоритмы искусственного интеллекта для конкретных задач, для которых требуется несколько датчиков, таких как камеры «рыбий глаз», инфракрасные датчики, радар, обнаружение света и лидар.

Натир Равашде — доцент кафедры вычислительной техники Мичиганского технологического колледжа и один из ведущих авторов исследования. 

«У каждого сенсора есть ограничения, и каждый сенсор прикрывает спину другого», — сказал Равашдех. «Слияние датчиков использует несколько датчиков разных модальностей для понимания сцены. Вы не можете исчерпывающе запрограммировать каждую деталь, когда входные данные имеют сложные шаблоны. Вот почему нам нужен ИИ».

В исследовании приняли участие Надер Абу-Альруб, докторант в области электротехники и вычислительной техники, и Джереми Бос, доцент кафедры электротехники и вычислительной техники. Среди других сотрудников были студенты магистратуры и выпускники лаборатории Боса: Ахил Куруп, Дерек Чопп и Зак Джеффрис. 

Автономные датчики и алгоритмы самостоятельного вождения разрабатываются почти исключительно для солнечных и ясных ландшафтов. Лаборатория Боса впервые начала собирать данные в автономных транспортных средствах Michigan Tech во время сильного снегопада, и было собрано более 1,000 кадров данных лидара, радара и изображений с заснеженных дорог в Германии и Норвегии. 

По словам Боса, обнаружение датчика затруднено из-за разнообразия снега. Важно предварительно обработать данные и обеспечить точную маркировку. 

 «Не все снега созданы одинаковыми, — сказал Бос. — ИИ похож на шеф-повара — если у вас есть хорошие ингредиенты, будет отличная еда», — сказал он. «Дайте обучающей сети ИИ грязные данные датчика, и вы получите плохой результат».

Некоторые другие серьезные проблемы связаны с некачественными данными и грязью, а скопление снега на датчиках вызывает собственные проблемы. Даже после того, как датчики очищены, не всегда есть согласие в обнаружении препятствий. Часто бывает очень трудно заставить датчики и их оценки риска обмениваться данными и учиться друг у друга, поскольку каждый может прийти к своему собственному выводу. Тем не менее, команда хочет, чтобы автономные датчики коллективно пришли к выводу, используя слияние датчиков. 

«Вместо строгого голосования, используя слияние датчиков, мы получим новую оценку», — говорит Бос. 

Датчики автономных транспортных средств будут продолжать учиться и совершенствоваться в плохую погоду, а новые подходы, такие как слияние датчиков, могут проложить путь для автономных транспортных средств на заснеженных дорогах.