De John P. Desmond, editor AI Trends
Pentru a ajuta mașinile autonome să navigheze în siguranță pe ploaie și alte condiții meteorologice nefavorabile, cercetătorii caută un nou tip de radar.
Vehiculele care se conduc singure pot avea dificultăți în „văd” în ploaie sau ceață, cu senzorii mașinii potențial blocați de zăpadă, gheață sau ploi torenţiale, iar capacitatea lor de a „citi” semnele rutiere și marcajele rutiere este afectată.
Multe vehicule autonome se bazează pe tehnologia radar lidar, care funcționează prin aruncarea razelor laser de obiectele din jur pentru a oferi o imagine 3D de înaltă rezoluție într-o zi senină, dar nu se descurcă atât de bine în ceață, praf, ploaie sau zăpadă, potrivit unui studiu recent. raport de la abc10 din Sacramento, California.
„O mulțime de vehicule automate în zilele noastre folosesc lidar și acestea sunt practic lasere care se împușcă și se rotesc în continuare pentru a crea puncte pentru un anumit obiect”, a declarat Kshitiz Bansal, doctor în informatică și inginerie. student la Universitatea din California San Diego, într-un interviu.
Echipa de cercetare a conducerii autonome a universității lucrează la o nouă modalitate de a îmbunătăți capacitatea de imagistică a senzorilor radar existenți, astfel încât aceștia să prezică mai precis forma și dimensiunea obiectelor în vederea unei mașini autonome.
„Este un radar asemănător unui lidar”, a declarat Dinesh Bharadia, profesor de inginerie electrică și informatică la UC San Diego Jacobs School of Engineering, adăugând că este o abordare ieftină. „Contopirea lidarului și a radarului se poate face și cu tehnicile noastre, dar radarele sunt ieftine. În acest fel, nu trebuie să folosim lidare scumpe.”
Echipa plasează doi senzori radar pe capota mașinii, permițând sistemului să vadă mai mult spațiu și detalii decât un singur senzor radar. Echipa a efectuat teste pentru a compara performanța sistemului lor în zilele și nopțile senine și apoi cu simularea vremii cu ceață, cu un sistem bazat pe lidar. Rezultatul a fost sistemul radar plus lidar a funcționat mai bine decât sistemul lidar singur.
„Deci, de exemplu, o mașină care are lidar, dacă merge într-un mediu în care este multă ceață, nu va putea vedea nimic prin acea ceață”, a spus Bansaid. „Radarul nostru poate trece prin aceste condiții meteorologice nefavorabile și poate chiar să vadă prin ceață sau zăpadă”, a spus el.
Tel folosește echipa radar milimetric, o versiune de radar care folosește unde electromagnetice cu lungime de undă scurtă pentru a detecta intervalul, viteza și unghiul obiectelor.
20 de parteneri care lucrează la AI-SEE în Europa pentru a aplica IA la Vehicle Vision
Viziunea îmbunătățită a vehiculelor autonome este, de asemenea, scopul unui proiect în Europa – numit AI-SEE – care implică startup. Algolux, care cooperează cu 20 de parteneri pe o perioadă de trei ani pentru a lucra la nivelul 4 de autonomie pentru vehiculele de pe piața de masă. Fondată în 2014, Algolux are sediul în Montreal și a strâns până în prezent 31.8 milioane de dolari, potrivit Crunchbase.
Intenția este de a construi un nou sistem de senzori robust, susținut de inteligența artificială, viziunea vehiculului îmbunătățită pentru condiții de vizibilitate scăzută, pentru a permite călătoriile în siguranță în orice vreme și condiții de iluminare relevante, cum ar fi zăpada, ploaie abundentă sau ceață, potrivit unui raport recent de la AutoMobilSport.
Tehnologia Algolux folosește o abordare de fuziune a datelor multisenzoriale, în care datele senzorului dobândite vor fi fuzionate și simulate prin intermediul algoritmilor AI sofisticați adaptați nevoilor de percepție a vremii nefavorabile. Algolux intenționează să ofere tehnologie și expertiză de domeniu în domeniile algoritmilor AI de învățare profundă, fuziunea datelor de la tipuri diferite de senzori, detecție stereo pe distanță lungă și procesare a semnalului radar.
Dr. Werner Ritter, lider consorțiu, Mercedes Benz AG: „Algolux este una dintre puținele companii din lume care cunoaște bine rețelele neuronale profunde end-to-end necesare pentru a decupla hardware-ul de bază de aplicația noastră.” a declarat Dr. Werner Ritter, liderul consorțiului, de la Mercedes Benz AG. „Acest lucru, împreună cu cunoștințele aprofundate ale companiei despre aplicarea rețelelor pentru o percepție robustă pe vreme rea, susțin direct domeniul nostru de aplicații în AI-SEE.”
Proiectul va fi cofinanțat de Consiliul Național de Cercetare al Canadei Programul de Asistență pentru Cercetare Industrială (NRC IRAP), Agenția Austriacă de Promovare a Cercetării (FFG), Business Finland și Ministerul Federal German al Educației și Cercetării BMBF sub eticheta PENTA EURIPIDES aprobat de EUREKA.
Nvidia cercetează obiecte staționare în laboratorul său de conducere
Capacitatea mașinii autonome de a detecta ceea ce este în mișcare în jurul ei este crucială, indiferent de condițiile meteorologice, iar capacitatea mașinii de a ști ce elemente din jurul ei sunt staționare este de asemenea importantă, sugerează un recent studiu. blog în seria Drive Lab de la Nvidia, o privire inginerească asupra provocărilor individuale ale vehiculelor autonome. Nvidia este un producător de cipuri cel mai bine cunoscut pentru unitățile sale de procesare grafică, utilizat pe scară largă pentru dezvoltarea și implementarea aplicațiilor care folosesc tehnici AI.
Laboratorul Nvidia lucrează la utilizarea AI pentru a rezolva deficiențele procesării semnalului radar în distingerea obiectelor în mișcare și staționare, cu scopul de a îmbunătăți percepția vehiculelor autonome.
„Am antrenat o DNN [rețea neuronală profundă] pentru a detecta obiectele în mișcare și staționare, precum și pentru a distinge cu precizie diferitele tipuri de obstacole staționare, folosind date de la senzorii radar”, a spus Neda Cvijetic, care lucrează la vehicule autonome și viziune computerizată pentru Nvidia; autorul postării pe blog. În poziția ei timp de aproximativ patru ani, ea a lucrat anterior ca arhitect de sisteme pentru software-ul Autopilot de la Tesla.
Procesarea radar obișnuită trimite semnalele radar de la obiectele din mediu și analizează puterea și densitatea reflexiilor care revin. Dacă un grup de reflexii suficient de puternic și dens revine, procesarea clasică a radarului poate determina că este probabil un fel de obiect mare. Dacă se întâmplă și acel grup să se miște în timp, atunci acel obiect este probabil o mașină, subliniază postul.
Deși această abordare poate funcționa bine pentru a deduce un vehicul în mișcare, este posibil să nu fie același lucru valabil pentru unul staționar. În acest caz, obiectul produce un grup dens de reflexii care nu se mișcă. Procesarea clasică de radar ar interpreta obiectul ca o balustradă, o mașină defectă, un pasaj superior de autostradă sau un alt obiect. „Abordarea adesea nu are nicio modalitate de a distinge care”, afirmă autorul.
O rețea neuronală profundă este o rețea neuronală artificială cu mai multe straturi între straturile de intrare și de ieșire, conform Wikipedia. Echipa Nvidia și-a antrenat DNN-ul pentru a detecta obiectele în mișcare și staționare, precum și pentru a distinge diferite tipuri de obiecte staționare, folosind date de la senzorii radar.
Mai exact, am antrenat un DNN pentru a detecta obiectele în mișcare și staționare, precum și pentru a distinge cu precizie diferitele tipuri de obstacole staționare, folosind date din senzori radar.
Antrenarea DNN a necesitat mai întâi depășirea problemelor de dispersie a datelor radar. Deoarece reflexiile radar pot fi destul de rare, este practic imposibil pentru oameni să identifice vizual și să eticheteze vehiculele doar din datele radar. Cu toate acestea, datele Lidar, care pot crea o imagine 3D a obiectelor din jur folosind impulsuri laser, pot completa datele radar. „În acest fel, capacitatea unui etichetator uman de a identifica și eticheta vizual mașinile din datele lidar este transferată în mod eficient în domeniul radar”, afirmă autorul.
Abordarea conduce la rezultate îmbunătățite. „Cu aceste informații suplimentare, radarul DNN este capabil să distingă între diferitele tipuri de obstacole – chiar dacă sunt staționare – crește încrederea în detecțiile pozitive adevărate și reduce detecțiile fals pozitive”, a declarat autorul.
Multe părți interesate implicate în implementarea vehiculelor autonome sigure, se trezesc să lucreze la probleme similare din punctele lor de vedere individuale. Este posibil ca unele dintre aceste eforturi să aibă ca rezultat disponibil software relevant ca sursă deschisă, într-un efort de a îmbunătăți continuu sistemele de conducere autonomă, un interes comun.
Citiți articolele sursă și informațiile din abc10 din Sacramento, California, din AutoMobilSport și în a blog în seria Drive Lab de la Nvidia.
- 3d
- Cont
- Suplimentar
- AI
- algoritmi
- aplicație
- aplicatii
- în jurul
- bunuri
- inteligență artificială
- Auto
- autonom
- masina autonoma
- autoturisme autonome
- vehicul autonom
- autovehicule autonome
- autopilot
- CEL MAI BUN
- Blog
- construi
- afaceri
- California
- Canada
- mașină
- masini
- Companii
- Informatică
- Computer Vision
- încredere
- Consiliu
- credit
- CrunchBase
- de date
- zi
- învățare profundă
- rețea neuronală profundă
- rețele neuronale profunde
- detaliu
- Dezvoltare
- conducere
- Educaţie
- Inginerie
- Mediu inconjurator
- Europa
- federal
- First
- Piese metalice
- HTTPS
- Oamenii
- ICE
- identifica
- imagine
- Imaging
- industrial
- informații
- Inteligență
- scop
- interes
- Interviu
- implicat
- IT
- cunoştinţe
- mare
- cu laser
- lasere
- conduce
- învăţare
- Nivel
- Nivelul 4
- trata
- milion
- Montreal
- reţea
- rețele
- neural
- rețele neuronale
- rețele neuronale
- ştiri
- Nvidia
- deschide
- open-source
- de operare
- Altele
- parteneri
- Penta
- performanță
- imagine
- Program
- proiect
- de promovare
- radar
- gamă
- reduce
- Reflecții
- raportează
- cercetare
- REZULTATE
- sigur
- San
- San Diego
- Şcoală
- Ştiinţă
- senzori
- serie
- comun
- Semne
- simulare
- Mărimea
- zăpadă
- So
- Software
- Spaţiu
- Sponsorizat
- Statele
- student
- completa
- Suportat
- Sprijină
- sistem
- sisteme
- Tehnologia
- teste
- Sursa
- timp
- călătorie
- Tendinţe
- universitate
- Universitatea din California
- vehicul
- Vehicule
- Viteză
- Vizualizare
- vizibilitate
- viziune
- valuri
- Ce este
- Hartie alba
- OMS
- Wikipedia
- Apartamente
- fabrică
- lume
- ani