Моделі та платформи ШІ

Міжнародна команда робить великий крок уперед у технології автономних транспортних засобів

Alex McFarland
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиКоманда професора Чона досягла понад 96% точності виявлення за допомогою YOLOv3 для…
Показати більше
  • Команда професора Чона досягла понад 96% точності виявлення за допомогою YOLOv3 для 3D-об'єктів.
  • Розумна IoT-система надійно виявляє об'єкти в умовах слабкого освітлення та незвичних погодних умов.
  • Ця технологія може забезпечити безпечніше автономне водіння, паркування, доставку та роботів протягом 5-10 років.

Автономні транспортні засоби мають революціонізувати транспорт — однак їх успішна реалізація залежить від здатності точно розпізнавати та реагувати на зовнішні загрози. Від обробки сигналів і алгоритмів аналізу зображень до інтелектуальних систем глибокого навчання, інтегрованих з інфраструктурою Інтернету речей, необхідно використовувати ряд технологій, щоб автономні автомобілі могли забезпечувати безпечну експлуатацію на різному терені. Для того, щоб не ставити під загрозу безпеку пасажирів, коли ці автомобілі стануть більш поширеними, необхідно розробити надійні методи, які можуть ефективно виявляти потенційні небезпеки швидко та надійно.

Самокеровані транспортні засоби використовують високотехнологічні сенсори, такі як LiDAR, радар і RGB-камери, для генерації великої кількості інформації для правильної ідентифікації пішоходів, інших водіїв і потенційних небезпек. Інтеграція передових обчислювальних можливостей і Інтернету речей у ці автоматизовані автомобілі дозволяє швидко обробляти ці дані на місці, щоб більш ефективно переміщатися різними територіями та навколо об’єктів. Зрештою, це дозволяє автономному транспортному засобу приймати рішення за частку секунди з набагато вищою точністю, ніж традиційні людські водії.

Великий крок вперед у технології автономного руху

Проривні дослідження, проведені професором Гванггілом Чоном з Національного університету Інчхон, Корея, і його міжнародною командою, означають великий крок вперед у технології автономного руху. Інноваційна наскрізна інтелектуальна система з підтримкою Інтернету речей, яку вони розробили, дозволяє здійснювати виявлення тривимірних об’єктів у реальному часі за допомогою глибокого навчання, що робить її більш надійною та ефективною, ніж будь-коли раніше. Вона може виявляти збільшену кількість об’єктів більш точно, навіть у складних умовах, таких як низький рівень освітлення або незвичайна погода — щось, чого інші системи не можуть зробити. Ці можливості дозволяють здійснювати безпечніше переміщення у різних дорожніх ситуаціях, підвищуючи планку для систем автономного руху і сприяючи поліпшенню безпеки дорожнього руху у світі.

Дослідження було опубліковано у журналі IEEE Transactions of Intelligent Transport Systems.

«Для автономних транспортних засобів сприйняття середовища є критичним для відповіді на основне питання: «Що навколо мене?» Надзвичайно важливо, щоб автономний транспортний засіб міг ефективно та точно зрозуміти своє оточення та навколишні умови, щоб здійснити відповідну дію», пояснює професор Чон. «Ми розробили модель виявлення на основі YOLOv3, добре відомого алгоритму ідентифікації. Спочатку ця модель була використана для виявлення двовимірних об’єктів, а потім модифікована для тривимірних об’єктів», продовжує він.

Базування моделі на YOLOv3

Команда надала зібрані RGB-зображення та дані хмари точок YOLOv3, який потім виводив мітки класифікації та обмежувальні рамки з оцінками впевненості. Його продуктивність була потім перевірена на наборі даних Lyft, і перші результати продемонстрували, що YOLOv3 досягнув надзвичайно високої точності виявлення (>96%) для об’єктів як 2D, так і 3D. Модель перевершила різні моделі виявлення останнього покоління.

Цей новий метод може бути використаний для автономних транспортних засобів, автономної парковки, автономної доставки та майбутніх автономних роботів. Його також можна використовувати у застосуваннях, де потрібне виявлення об’єктів та перешкод, відстеження та візуальна локалізація.

«Наразі автономний рух здійснюється за допомогою обробки зображень на основі LiDAR, але передбачається, що звичайна камера замінить роль LiDAR у майбутньому. Таким чином, технологія, використовувана у автономних транспортних засобах, змінюється кожної миті, і ми перебуваємо на передовій», каже професор Чон. «На основі розвитку базових технологій автономні транспортні засоби з покращеною безпекою повинні бути доступні протягом наступних 5-10 років».

Alex McFarland

Alex очолює новинний підрозділ Unite.AI, що працює на базі ШІ, поєднуючи журналістику, дослідження та автоматизацію для підтримки своєчасного та масштабованого висвітлення штучного інтелекту. Його робота допомагає забезпечити ефективне виявлення нових розробок ШІ, зберігаючи редакційні стандарти видання.