Чутливі датчики штучного інтелекту можуть допомогти автономним транспортним засобам у снігових містах

Однією з найбільших проблем, з якими стикаються автономні транспортні засоби, є те, що вони погано орієнтуються в умовах поганої погоди, що суттєво обмежує їхнє застосування в снігових містах, таких як Детройт і Чикаго. Транспортні засоби використовують критично важливі дані датчиків для виявлення перешкод і руху по правильній стороні дороги, але ці дані погано працюють у снігу.

У двох нових роботах, представлених на SPIE Defense + Commercial Sensing 2021, дослідники з Мічиганського технологічного університету обговорили нові рішення для сценаріїв руху автономних транспортних засобів у снігових умовах.

Існує широкий спектр автономних транспортних засобів, включаючи деякі з сліпими плямами або системами допомоги при гальмуванні, а також інші з режимами самохідного руху ввімкнені та вимкнені. Деякі з кращих транспортних засобів можуть рухатися цілком самостійно.

Оскільки технологія ще в багатьох аспектах перебуває на стадії розвитку, виробники автомобілів та дослідницькі університети безперервно працюють над покращенням технологій та алгоритмів. Коли трапляються аварії, вони часто є результатом помилки штучного інтелекту автомобіля або помилки людини.

Чутливі датчики людини

Очі людини також є певним видом датчиків, оскільки вони сприймають баланс і рух. Наш мозок діє як процесор, допомагаючи нам зрозуміти нашу довкілля. Ці два фактори разом дозволяють нам рухатися в усіх сценаріях, навіть тих, які є новими, оскільки наш мозок може узагальнювати новий досвід.

Автономні транспортні засоби зазвичай мають дві камери, встановлені на гімбалах, і вони сканують та сприймають глибину за допомогою стереозору, імітуючи людське зір. Водночас баланс і рух можна виміряти за допомогою інерційного вимірювального блоку. Комп’ютери, з іншого боку, можуть реагувати лише на раніше зустрічені сценарії або ті, для яких вони були попередньо запрограмовані.

Об’єднання сигналів датчиків

Автономні транспортні засоби використовують спеціалізовані штучні інтелектуальні алгоритми, які вимагають декількох датчиків, таких як камери з риб’ячим оком, інфрачервоні датчики, радар, виявлення світла та лідар.

Натір Равашде є помічником професора обчислювальної техніки в Коледжі обчислювальної техніки Мічиганського технологічного університету та одним з головних авторів дослідження.

“Кожен датчик має обмеження, і кожен датчик покриває обмеження іншого”, – сказав Равашде. “Об’єднання сигналів датчиків використовує декілька датчиків різного типу для розуміння сценарію. Ви не можете вичерпно запрограмувати кожну деталь, коли входи мають складні закономірності. Тому нам потрібен штучний інтелект.”

Співавторами дослідження були Надер Абу-Арруб, докторант кафедри електротехніки та комп’ютерних наук, і Джеремі Бос, помічник професора кафедри електротехніки та комп’ютерних наук. Інші співавтори включали студентів магістратури та випускників лабораторії Боса: Ахіл Куруп, Дерек Чопп та Зак Джефріс.

Автономні датчики та алгоритми самохідного руху майже виключно розробляються в сонячних та чистих ландшафтах. Лабораторія Боса вперше почала збираць даних у мічиганському автономному транспортному засобі під час сильного снігопаду, і було зібрано понад 1000 кадрів даних лідара, радара та зображень з снігових доріг у Німеччині та Норвегії.

За словами Боса, виявлення сигналів датчиків є складним через різноманітність снігу. Важливо попередньо обробляти дані та забезпечувати точну маркування.

“Не весь сніг створений рівним”, – сказав Бос. “Штучний інтелект схожий на шеф-кухаря – якщо у вас є хороші інгредієнти, то буде чудова страва”, – сказав він. “Дайте штучній мережі навчання брудні дані датчиків, і ви отримаєте поганий результат.”

Інші великі проблеми включають низькоякісні дані та бруд, а також сніговий нальот на датчиках, який створює свої власні проблеми. Навіть після очищення датчиків не завжди є згоди щодо виявлення перешкод. Часто дуже складно змусити датчики та їхні оцінки ризику спілкуватися та навчатися один в одного, оскільки кожен з них може прийти до свого висновку. Однак команда хоче, щоб автономні датчики спільно прийшли до висновку за допомогою об’єднання сигналів датчиків.

“Замість строгого голосування, використовуючи об’єднання сигналів датчиків, ми прийдемо до нового оцінювання”, – сказав Бос.

Автономні датчики транспортних засобів продовжуватимуть навчатися та покращуватися в умовах поганої погоди, а нові підходи, такі як об’єднання сигналів датчиків, можуть показати шлях для автономних транспортних засобів на снігових дорогах.