Міжнародна команда робить великий крок вперед у технології автономних транспортних засобів

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.

Самохідні 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 по різним територіям і об’єктам. В кінцевому підсумку, це дозволяє автономному транспортному засобу приймати рішення за долю секунди з набагато вищою точністю, ніж традиційні людські водії.

Великий крок вперед у технології автономного руху

Проривні дослідження, проведені професором Гвангджилом Джоном з Університету Інчхон, Корея, і його міжнародною командою, означають великий крок вперед у технології автономного руху. Інноваційна система «розумного» Інтернету речей, яку вони розробили, дозволяє здійснювати детекцію 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 по різним дорожнім ситуаціям, 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 свої оточення та умови, щоб здійснити відповідну дію», пояснює професор Джон. «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 про 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. Як такий, технологія, використовувана у автономних транспортних засобах, змінюється кожної миті, і ми перебуваємо на передовій», каже професор Джон. «На основі розвитку елементних технологій автономні транспортні засоби з покращеною безпекою повинні бути доступні протягом наступних 5-10 років».