Internationellt team tar ett stort steg framåt inom autonom fordonsteknologi

Autonoma fordon är på väg att revolutionera transportsektorn — men deras framgångsrika implementering beror på förmågan att korrekt känna igen och svara på yttre hot. Från signalbehandling och bildanalysalgoritmer till djupinlärningssystem integrerade med IoT-infrastruktur, måste en rad teknologier användas för att autonoma bilar ska kunna tillhandahålla säker drift på varierad terräng. För att säkerställa att passagerarsäkerheten inte äventyras när dessa banbrytande fordon blir allt vanligare, behövs robusta metoder som kan effektivt upptäcka potentiella faror snabbt och tillförlitligt.

Självkörande fordon förlitar sig på högteknologiska sensorer som LiDAR, radar och RGB-kameror för att generera stora mängder information för att korrekt identifiera fotgängare, andra förare och potentiella faror. Integrationen av avancerade beräkningsförmågor och Internet-of-Things (IoT) i dessa automatiserade fordon gör det möjligt att snabbt bearbeta denna data på plats för att navigera i olika områden och föremål mer effektivt. I slutändan möjliggör detta för det autonoma fordonet att fatta snabba beslut med en mycket högre noggrannhet än traditionella mänskliga förare.

Ett stort steg framåt inom autonom körteknologi

Banbrytande forskning utförd av professor Gwanggil Jeon från Incheon National University, Korea och hans internationella team markerar ett stort steg framåt inom autonom körteknologi. Det innovativa smarta IoT-aktiverade slut-till-slut-system som de har utvecklat möjliggör 3D-objektdetektering i realtid med hjälp av djupinlärning, vilket gör det mer tillförlitligt och effektivt än någonsin tidigare. Det kan upptäcka ett ökat antal föremål med högre noggrannhet, även i utmanande miljöer som låg belysning eller ovanlig väderlek – något som andra system inte kan göra. Dessa funktioner möjliggör säkrare navigation runt olika trafikscenarier, höjer ribban för autonoma körsystem och bidrar till förbättrad vägsäkerhet globalt.

Forskningen publicerades i tidskriften IEEE Transactions of Intelligent Transport Systems.

“För autonoma fordon är miljöuppfattning avgörande för att besvara en central fråga, ‘Vad finns runt omkring mig?’ Det är väsentligt att ett autonomt fordon kan effektivt och korrekt förstå sin omgivning och miljö för att utföra ett responsivt agerande”, förklarar Prof. Jeon. “Vi utvecklade en upptäcktsmodell baserad på YOLOv3, en välkänd identifieringsalgoritm. Modellen användes först för 2D-objektdetektering och sedan modifierad för 3D-objekt”, fortsätter han.

Att basera modellen på YOLOv3

Laget matade in de insamlade RGB-bilderna och punktmolnsdata till YOLOv3, som sedan genererade klassificeringsetiketter och begränsningsrutor med förtroendepoäng. Dess prestanda testades sedan med Lyft-datasetet, och tidiga resultat visade att YOLOv3 uppnådde en extremt hög noggrannhet (>96%) för både 2D- och 3D-objekt. Modellen överträffade olika state-of-the-art-upptäcktsmodeller.

Denna nyligen utvecklade metod kan användas för autonoma fordon, autonom parkering, autonom leverans och framtida autonoma robotar. Den kan också användas i applikationer där objektdetektering, spårning och visuell lokalisering krävs.

“För närvarande utförs autonom körning genom LiDAR-baserad bildbehandling, men det förutsägs att en allmän kamera kommer att ersätta LiDAR:s roll i framtiden. Således förändras teknologin som används i autonoma fordon varje ögonblick, och vi är i framkanten”, säger Prof. Jeon. “Baserat på utvecklingen av elementteknologier bör autonoma fordon med förbättrad säkerhet vara tillgängliga inom de närmaste 5-10 åren.”