Искусственные датчики могут помочь автономным транспортным средствам в снежных городах

Одной из величайших проблем, с которыми сталкиваются автономные транспортные средства, является то, что они испытывают трудности при движении в плохих погодных условиях, что действительно ограничивает их использование в снежных городах, таких как Детройт и Чикаго. Транспортные средства полагаются на важные данные с датчиков для обнаружения препятствий и поддержания правильной стороны дороги, но эти данные испытывают трудности в снегу.

В двух новых работах, представленных на SPIE Defense + Commercial Sensing 2021, исследователи из Мичиганского технологического университета обсудили новые решения для сценариев вождения в снегу с автономными транспортными средствами.

Существует широкий спектр автономных транспортных средств, включая некоторые с слепыми зонами или системами помощи при торможении, и другие с включением и выключением режима самохода. Некоторые из лучших транспортных средств могут работать полностью самостоятельно.

Поскольку технология еще находится в стадии развития во многих отношениях, производители автомобилей и исследовательские университеты постоянно работают над улучшением технологии и алгоритмов. Когда происходят аварии, они часто являются результатом неправильного суждения автомобиля или ошибки человека.

Человеческие датчики

Глаза человека также являются своего рода датчиками, поскольку они воспринимают баланс и движение. Наш мозг действует как процессор,帮助 нам понимать нашу среду. Все это вместе позволяет нам водить в любых сценариях, даже в новых, поскольку наш мозг может обобщать новые впечатления.

Автономные транспортные средства обычно имеют две камеры, установленные на гимбалах, и они сканируют и воспринимают глубину с помощью стереовидения, чтобы имитировать человеческое зрение. В то же время баланс и движение можно измерить с помощью блока измерения инерции. Компьютеры, с другой стороны, могут реагировать только на ранее встреченные сценарии или на те, которые они уже были запрограммированы на распознавание.

Слияние датчиков

Автономные транспортные средства полагаются на алгоритмы искусственного интеллекта, специфичные для задач, которые требуют нескольких датчиков, таких как камеры с рыбьим глазом, инфракрасные датчики, радар, обнаружение света и лидар.

Натир Равашде является помощником профессора вычислительной техники в колледже вычислительной техники Мичиганского технологического университета и одним из ведущих авторов исследования.

“Каждый датчик имеет ограничения, и каждый датчик покрывает ограничения другого”, – сказал Равашде. “Слияние датчиков использует несколько датчиков разных модальностей для понимания сцены. Вы не можете исчерпывающе запрограммировать каждый деталь, когда входные данные имеют сложные закономерности. Вот почему нам нужен ИИ”.

Соавторами исследования были Надер Абу-Арруб, аспирант по электротехнике и вычислительной технике, и Джереми Бос, помощник профессора электротехники и вычислительной техники. Другими соавторами были студенты магистратуры и выпускники лаборатории Боса: Ахил Куруп, Дерек Чопп и Зак Джеффрис.

Автономные датчики и алгоритмы самохода почти исключительно разрабатываются в солнечных и ясных пейзажах. Лаборатория Боса впервые начала собирать данные в автономном транспортном средстве Мичиганского технологического университета в сильном снегу, и было собрано более 1000 кадров лидар-, радар- и изображений с снежных дорог в Германии и Норвегии.

По словам Боса, обнаружение датчиков является сложным из-за разнообразия снега. Важно предварительно обработать данные и обеспечить точную маркировку.

“Не все снег одинаков”, – сказал Бос. “ИИ похож на повара – если у вас есть хорошие ингредиенты, будет отличная еда”, – сказал он. “Дайте сети обучения ИИ грязные данные с датчиков, и вы получите плохой результат”.

Некоторые другие значительные проблемы включают низкокачественные данные и грязь, и снег, скапливающийся на датчиках, вызывает свои собственные проблемы. Даже после очистки датчиков не всегда существует согласие в обнаружении препятствий. Часто очень сложно заставить датчики и их оценки риска общаться и учиться друг у друга, поскольку каждый из них может прийти к своему собственному выводу. Однако команда хочет, чтобы автономные датчики коллективно приходили к выводу, используя слияние датчиков.

“Вместо того, чтобы строго голосовать, используя слияние датчиков, мы придумаем новый оценочный показатель”, – говорит Бос.

Автономные датчики транспортных средств будут продолжать учиться и совершенствоваться в плохой погоде, и новые подходы, такие как слияние датчиков, могут привести путь для автономных транспортных средств на снежных дорогах.