Door John P. Desmond, AI Trends Editor
Om autonome auto's te helpen veilig te navigeren in de regen en ander slecht weer, onderzoeken onderzoekers een nieuw type radar.
Zelfrijdende voertuigen kunnen moeite hebben met 'zien' in de regen of mist, waarbij de sensoren van de auto mogelijk worden geblokkeerd door sneeuw, ijs of stortregens, en hun vermogen om verkeersborden en wegmarkeringen te 'lezen'.
Veel autonome voertuigen vertrouwen op lidar-radartechnologie, die werkt door laserstralen te weerkaatsen van omringende objecten om op een heldere dag een 3D-beeld met hoge resolutie te geven, maar doet het niet zo goed bij mist, stof, regen of sneeuw, volgens een recent onderzoek. verslag van abc10 van Sacramento, Californië.
"Veel automatische voertuigen gebruiken tegenwoordig lidar, en dit zijn in feite lasers die schieten en blijven draaien om punten te creëren voor een bepaald object", zegt Kshitiz Bansal, een informatica en engineering Ph.D. student aan de Universiteit van Californië in San Diego, in een interview.
Het onderzoeksteam voor autonoom rijden van de universiteit werkt aan een nieuwe manier om de beeldvormingscapaciteit van bestaande radarsensoren te verbeteren, zodat ze de vorm en grootte van objecten in het zicht van een autonome auto nauwkeuriger kunnen voorspellen.
"Het is een lidar-achtige radar", zegt Dinesh Bharadia, een professor in elektrische en computertechniek aan de UC San Diego Jacobs School of Engineering, eraan toevoegend dat het een goedkope benadering is. “Het samensmelten van lidar en radar kan ook met onze technieken, maar radars zijn goedkoop. Zo hoeven we geen dure lidars te gebruiken.”
Het team plaatst twee radarsensoren op de motorkap van de auto, waardoor het systeem meer ruimte en details ziet dan een enkele radarsensor. Het team voerde tests uit om de prestaties van hun systeem op heldere dagen en nachten, en vervolgens met mistige weersimulatie, te vergelijken met een op lidar gebaseerd systeem. Het resultaat was dat het radar plus lidar systeem beter presteerde dan het lidar-alone systeem.
"Dus, bijvoorbeeld, een auto met lidar, als hij in een omgeving rijdt waar veel mist is, zal door die mist niets kunnen zien," verklaarde Bansaid. "Onze radar kan door deze slechte weersomstandigheden heen en kan zelfs door mist of sneeuw kijken", verklaarde hij.
Thet team gebruikt millimeter radar, een versie van radar die elektromagnetische golven met korte golflengte gebruikt om het bereik, de snelheid en de hoek van objecten te detecteren.
20 partners werken aan AI-SEE in Europa om AI toe te passen op voertuigvisie
Verbeterde visie op autonome voertuigen is ook het doel van een project in Europa, genaamd AI-SEE, waarbij startups betrokken zijn Algolux, dat gedurende een periode van drie jaar met 20 partners samenwerkt om te werken aan autonomie van niveau 4 voor voertuigen voor de massamarkt. Algolux, opgericht in 2014, heeft zijn hoofdkantoor in Montreal en heeft tot nu toe $ 31.8 miljoen opgehaald, volgens Crunchbase.
De bedoeling is om een nieuw robuust sensorsysteem te bouwen dat wordt ondersteund door kunstmatige intelligentie, verbeterd voertuigzicht voor omstandigheden met slecht zicht, om veilig reizen mogelijk te maken in alle relevante weers- en lichtomstandigheden zoals sneeuw, zware regen of mist, volgens een recent verslag van AutoMobilSport.
De Algolux-technologie maakt gebruik van een multisensorische datafusiebenadering, waarbij de verkregen sensorgegevens worden samengevoegd en gesimuleerd door middel van geavanceerde AI-algoritmen die zijn afgestemd op de behoeften van slecht weer. Algolux is van plan technologie en domeinexpertise te bieden op het gebied van deep learning AI-algoritmen, fusie van gegevens van verschillende sensortypen, langeafstandsstereodetectie en radarsignaalverwerking.
Dr. Werner Ritter, Consortium Lead, Mercedes Benz AG: "Algolux is een van de weinige bedrijven ter wereld die goed thuis is in de end-to-end diepe neurale netwerken die nodig zijn om de onderliggende hardware te ontkoppelen van onze applicatie," verklaarde Dr. Werner Ritter, consortiumleider, van Mercedes Benz AG. "Dit, samen met de diepgaande kennis van het bedrijf over het toepassen van hun netwerken voor robuuste waarneming bij slecht weer, ondersteunt ons toepassingsdomein in AI-SEE rechtstreeks."
Het project wordt medegefinancierd door de National Research Council of Canada Industrial Research Assistance Program (NRC IRAP), het Oostenrijkse Research Promotion Agency (FFG), Business Finland en het Duitse federale ministerie van Onderwijs en Onderzoek BMBF onder het PENTA EURIPIDES-label goedgekeurd door EUREKA.
Nvidia onderzoekt stationaire objecten in zijn rijlab
Het vermogen van de autonome auto om te detecteren wat er omheen beweegt is cruciaal, ongeacht de weersomstandigheden, en het vermogen van de auto om te weten welke items eromheen stilstaan is ook belangrijk, suggereert een recent onderzoek. blogpost in de Drive Lab-serie van Nvidia, een technische kijk op de uitdagingen van individuele autonome voertuigen. Nvidia is een chipmaker die vooral bekend staat om zijn grafische verwerkingseenheden, die veel worden gebruikt voor de ontwikkeling en implementatie van applicaties die gebruikmaken van AI-technieken.
Het Nvidia-lab werkt aan het gebruik van AI om de tekortkomingen van radarsignaalverwerking bij het onderscheiden van bewegende en stilstaande objecten aan te pakken, met als doel de waarneming van autonome voertuigen te verbeteren.
"We hebben een DNN [diep neuraal netwerk] getraind om bewegende en stilstaande objecten te detecteren, en om nauwkeurig onderscheid te maken tussen verschillende soorten stationaire obstakels, met behulp van gegevens van radarsensoren," verklaarde Neda Cvijetic, die werkt aan autonome voertuigen en computervisie voor Nvidia; de auteur van de blogpost. In haar functie van ongeveer vier jaar werkte ze eerder als systeemarchitect voor Tesla's Autopilot-software.
Gewone radarverwerking stuitert radarsignalen van objecten in de omgeving en analyseert de sterkte en dichtheid van reflecties die terugkomen. Als een voldoende sterke en dichte cluster van reflecties terugkeert, kan klassieke radarverwerking bepalen dat dit waarschijnlijk een soort groot object is. Als dat cluster ook in de loop van de tijd beweegt, dan is dat object waarschijnlijk een auto, schetst de post.
Hoewel deze benadering goed kan werken voor het afleiden van een bewegend voertuig, geldt dit misschien niet voor een stilstaand voertuig. In dit geval produceert het object een dichte cluster van reflecties die niet bewegen. Klassieke radarverwerking zou het object interpreteren als een reling, een kapotte auto, een snelwegviaduct of een ander object. "De aanpak heeft vaak geen manier om te onderscheiden welke", stelt de auteur.
Een diep neuraal netwerk is een kunstmatig neuraal netwerk met meerdere lagen tussen de invoer- en uitvoerlagen, volgens Wikipedia. Het Nvidia-team heeft hun DNN getraind om bewegende en stationaire objecten te detecteren, en om onderscheid te maken tussen verschillende soorten stationaire objecten, met behulp van gegevens van radarsensoren.
We hebben met name een DNN getraind om bewegende en stilstaande objecten te detecteren, en om nauwkeurig onderscheid te maken tussen verschillende soorten stationaire obstakels, met behulp van gegevens van radarsensoren.
Het trainen van de DNN vereiste eerst het overwinnen van problemen met de schaarste van radargegevens. Omdat radarreflecties vrij schaars kunnen zijn, is het voor mensen praktisch onhaalbaar om voertuigen visueel te identificeren en te labelen op basis van alleen radargegevens. Lidar-gegevens, die een 3D-beeld van omringende objecten kunnen maken met behulp van laserpulsen, kunnen de radargegevens echter aanvullen. "Op deze manier wordt het vermogen van een menselijke labeler om auto's visueel te identificeren en te labelen op basis van lidar-gegevens effectief overgebracht naar het radardomein", stelt de auteur.
De aanpak leidt tot betere resultaten. "Met deze aanvullende informatie is de radar DNN in staat om onderscheid te maken tussen verschillende soorten obstakels, zelfs als ze stationair zijn, het vertrouwen van echte positieve detecties te vergroten en fout-positieve detecties te verminderen", aldus de auteur.
Veel belanghebbenden die betrokken zijn bij het afhandelen van veilige autonome voertuigen, merken dat ze vanuit hun individuele gezichtspunten aan soortgelijke problemen werken. Sommige van die inspanningen zullen er waarschijnlijk toe leiden dat relevante software als open source beschikbaar komt, in een poging om autonome rijsystemen continu te verbeteren, een gedeeld belang.
Lees de bronartikelen en informatie oppompen van abc10 van Sacramento, Californië, oppompen van AutoMobilSport en in een blogpost in de Drive Lab-serie van Nvidia.
- 3d
- Account
- Extra
- AI
- algoritmen
- Aanvraag
- toepassingen
- rond
- artikelen
- kunstmatige intelligentie
- auto
- autonoom
- autonome auto
- autonome auto's
- autonoom voertuig
- autonome voertuigen
- automatische piloot
- BEST
- Blog
- bouw
- bedrijfsdeskundigen
- Californië
- Canada
- auto
- auto's
- Bedrijven
- Computer Science
- Computer visie
- vertrouwen
- Raad
- Credits
- CrunchBase
- gegevens
- dag
- diepgaand leren
- diep neuraal netwerk
- diepe neurale netwerken
- detail
- Ontwikkeling
- aandrijving
- Onderwijs
- Engineering
- Milieu
- Europa
- Federaal
- Voornaam*
- Hardware
- HTTPS
- Mensen
- ICE
- identificeren
- beeld
- Imaging
- industrieel
- informatie
- Intelligentie
- aandachtig
- belang
- Interview
- betrokken zijn
- IT
- kennis
- Groot
- laser
- lasers
- leiden
- leren
- Niveau
- level 4
- transactie
- miljoen
- Montreal
- netwerk
- netwerken
- Neural
- neuraal netwerk
- neurale netwerken
- nieuws
- Nvidia
- open
- open source
- werkzaam
- Overige
- partners
- Penta
- prestatie
- beeld
- Programma
- project
- promotie
- radar
- reeks
- verminderen
- Reflections
- verslag
- onderzoek
- Resultaten
- veilig
- heilige
- San Diego
- School
- Wetenschap
- sensor
- -Series
- gedeeld
- Signs
- simulatie
- Maat
- sneeuw
- So
- Software
- Tussenruimte
- Gesponsorde
- Staten
- Student
- aanvullen
- ondersteunde
- steunen
- system
- Systems
- Technologie
- testen
- De Bron
- niet de tijd of
- reizen
- Trends
- universiteit-
- University of California
- voertuig
- Voertuigen
- Snelheid
- Bekijk
- zichtbaarheid
- visie
- golven
- Wat is
- whitepaper
- WIE
- Wikipedia
- Mijn werk
- Bedrijven
- wereld
- jaar