Международная команда делает большой шаг вперед в технологии автономных транспортных средств

Автономные транспортные средства готовы революционизировать транспорт — однако, их успешная реализация зависит от способности точно распознавать и реагировать на внешние угрозы. От алгоритмов обработки сигналов и анализа изображений до систем интеллекта на основе глубокого обучения, интегрированных с инфраструктурой IoT, необходимо использовать ряд технологий, чтобы автономные автомобили могли обеспечить безопасную эксплуатацию на различных территориях. Чтобы гарантировать, что безопасность пассажиров не будет поставлена под угрозу, когда эти передовые автомобили станут более распространенными, необходимо разработать надежные методы, которые могут эффективно обнаруживать потенциальные опасности быстро и надежно.

Самоходные транспортные средства полагаются на высокотехнологичные датчики, такие как LiDAR, радар и RGB-камеры, для генерации大量 информации для правильной идентификации пешеходов, других водителей и потенциальных опасностей. Интеграция передовых вычислительных возможностей и Интернета вещей (IoT) в эти автоматические автомобили позволяет быстро обрабатывать эти данные на месте, чтобы более эффективно ориентироваться в различных зонах и объектах. В конечном итоге, это позволяет автономному транспортному средству принимать решения за доли секунды с гораздо большей точностью, чем традиционные человеческие водители.

Большой шаг вперед в технологии автономного вождения

Прорывные исследования, проведенные профессором Гвангджилом Джоном из Национального университета Инчхона, Корея, и его международной командой, означают большой шаг вперед в технологии автономного вождения. Инновационная умная система IoT, которую они разработали, позволяет обнаруживать 3D-объекты в реальном времени с помощью глубокого обучения, что делает ее более надежной и эффективной, чем когда-либо прежде. Она может обнаруживать увеличенное количество объектов более точно, даже в сложных условиях, таких как низкий свет или необычные погодные условия — что другие системы не могут сделать. Эти возможности позволяют более безопасно ориентироваться в различных дорожных ситуациях, повышая уровень автономных систем вождения и способствуя улучшению безопасности дорожного движения во всем мире.

Исследование было опубликовано в журнале IEEE Transactions of Intelligent Transport Systems.

«Для автономных транспортных средств восприятие окружающей среды имеет решающее значение для ответа на основной вопрос: «Что вокруг меня?» Необходимо, чтобы автономное транспортное средство могло эффективно и точно понимать условия и окружающую среду, чтобы выполнить соответствующее действие», — объясняет профессор Джон. «Мы разработали модель обнаружения на основе YOLOv3, хорошо известного алгоритма идентификации. Модель была первоначально использована для обнаружения 2D-объектов, а затем модифицирована для 3D-объектов», — продолжает он.

Модель на основе YOLOv3

Команда подала собранные RGB-изображения и данные точечного облака в YOLOv3, который затем выдал классификационные метки и ограничивающие рамки с коэффициентами уверенности. Его производительность была протестирована на наборе данных Lyft, и ранние результаты показали, что YOLOv3 достигла чрезвычайно высокой точности обнаружения (>96%) как для 2D-, так и для 3D-объектов. Модель превзошла различные передовые модели обнаружения.

Этот новый метод может быть использован для автономных транспортных средств, автономной парковки, автономной доставки и будущих автономных роботов. Он также может быть использован в приложениях, где требуется обнаружение объектов и препятствий, отслеживание и визуальная локализация.

«В настоящее время автономное вождение осуществляется с помощью обработки изображений на основе LiDAR, но предсказывается, что обычная камера заменит роль LiDAR в будущем. Таким образом, технология, используемая в автономных транспортных средствах, меняется каждую минуту, и мы находимся на переднем крае», — говорит профессор Джон. «На основе разработки элементных технологий автономные транспортные средства с улучшенной безопасностью должны быть доступны в течение следующих 5-10 лет».