Міжнародна команда робить великий крок вперед у технології автономних транспортних засобів

Автономні транспортні засоби мають революціонізувати транспорт — однак їх успішне впровадження залежить від здатності точно розпізнавати зовнішні загрози та реагувати на них. Від алгоритмів обробки сигналів і аналізу зображень до інтелектуальних систем глибокого навчання, інтегрованих з інфраструктурою Інтернету речей, необхідно використовувати низку технологій, щоб автономні автомобілі забезпечували безпечну роботу на різноманітній місцевості. Щоб забезпечити безпеку пасажирів, оскільки ці передові автомобілі стають все більш поширеними, необхідно розробити надійні методи, які можуть швидко та надійно виявляти потенційні небезпеки.

Безпілотні транспортні засоби покладаються на високотехнологічні датчики, такі як LiDAR, радар і камери RGB, щоб генерувати великі обсяги інформації для належного визначення пішоходів, інших водіїв і потенційних небезпек. Інтеграція передових обчислювальних можливостей та Інтернету речей (IoT) у ці автоматизовані автомобілі дає змогу швидко обробляти ці дані на місці, щоб більш ефективно орієнтуватися в різних областях та об’єктах. Зрештою, це дозволяє автономному транспортному засобу приймати рішення за частки секунди з набагато вищою точністю, ніж звичайні водії-люди.

Величезний крок вперед у технології автономного водіння

Новаторське дослідження, проведене професором Гванггілом Джеоном з Національного університету Інчхон, Корея, та його міжнародною командою знаменує собою величезний крок вперед у технології автономного водіння. Інноваційна наскрізна система з підтримкою Інтернету речей, яку вони розробили, дозволяє виявляти 3D-об’єкти в режимі реального часу за допомогою глибокого навчання, що робить її більш надійною та ефективною, ніж будь-коли раніше. Він може точніше виявляти збільшену кількість об’єктів навіть у складних умовах, таких як слабке освітлення або незвичайні погодні умови – те, на що інші системи не здатні. Ці можливості забезпечують більш безпечну навігацію в різних сценаріях дорожнього руху, піднімаючи планку для систем автономного водіння та сприяючи підвищенню безпеки дорожнього руху в усьому світі.

Дослідження було опубліковане в журналі Транзакції IEEE інтелектуальних транспортних систем. 

«Для автономних транспортних засобів сприйняття навколишнього середовища має вирішальне значення для відповіді на основне запитання: «Що навколо мене?» Важливо, щоб автономний транспортний засіб міг ефективно й точно розуміти навколишні умови та середовище, щоб виконувати відповідні дії», — пояснює професор Джеон. «Ми розробили модель виявлення на основі YOLOv3, добре відомого алгоритму ідентифікації. Спочатку модель використовувалася для виявлення 2D-об’єктів, а потім була модифікована для 3D-об’єктів», – продовжує він.

Базування моделі на YOLOv3

Команда передала зібрані RGB-зображення та дані хмари точок у YOLOv3, який потім виводив класифікаційні мітки та обмежувальні прямокутники з оцінками достовірності. Потім його продуктивність перевіряли за допомогою набору даних Lyft, і перші результати показали, що YOLOv3 досяг надзвичайно високої точності виявлення (>96%) як для 2D, так і для 3D-об’єктів. Модель перевершила різні найсучасніші моделі виявлення. 

Цей нещодавно розроблений метод може бути використаний для автономних транспортних засобів, автономного паркування, автономної доставки та майбутніх автономних роботів. Його також можна використовувати в програмах, де потрібне виявлення об’єктів і перешкод, відстеження та візуальна локалізація. 

«Наразі автономне водіння виконується за допомогою обробки зображень на основі LiDAR, але прогнозується, що в майбутньому роль LiDAR замінить звичайна камера. Таким чином, технологія, яка використовується в автономних транспортних засобах, змінюється щомиті, і ми знаходимося в авангарді», – каже професор Джеон. «Грунтуючись на розвитку технологій елементів, автономні транспортні засоби з підвищеною безпекою повинні бути доступні в найближчі 5-10 років».