โดย John P. Desmond บรรณาธิการ AI Trends
นักวิจัยกำลังมองหาเรดาร์รูปแบบใหม่เพื่อช่วยให้รถยนต์ที่ขับเคลื่อนด้วยตนเองนำทางได้อย่างปลอดภัยท่ามกลางสายฝนและสภาพอากาศที่ไม่เอื้ออำนวย
ยานพาหนะที่ขับด้วยตนเองอาจมีปัญหาในการ "มองเห็น" ท่ามกลางสายฝนหรือหมอก โดยที่เซ็นเซอร์ของรถอาจถูกหิมะ น้ำแข็ง หรือฝนที่ตกลงมาบดบัง และความสามารถในการ "อ่าน" ป้ายถนนและเครื่องหมายบนถนนบกพร่อง
ยานยนต์ไร้คนขับจำนวนมากใช้เทคโนโลยีเรดาร์ไลดาร์ ซึ่งทำงานโดยการสะท้อนลำแสงเลเซอร์ออกจากวัตถุโดยรอบเพื่อให้ภาพ 3 มิติมีความละเอียดสูงในวันที่อากาศแจ่มใส แต่ทำได้ไม่ดีนักในหมอก ฝุ่น ฝน หรือหิมะ รายงานจาก abc10 เมืองแซคราเมนโต รัฐแคลิฟอร์เนีย
“ยานพาหนะอัตโนมัติจำนวนมากในทุกวันนี้ใช้ Lidar และสิ่งเหล่านี้คือเลเซอร์ที่ยิงออกมาและหมุนไปเรื่อย ๆ เพื่อสร้างจุดสำหรับวัตถุเฉพาะ” Kshitiz Bansal ปริญญาเอกด้านวิทยาการคอมพิวเตอร์และวิศวกรรมกล่าว นักศึกษาจาก University of California San Diego ในการให้สัมภาษณ์
ทีมวิจัยการขับขี่อัตโนมัติของมหาวิทยาลัยกำลังหาวิธีใหม่ในการปรับปรุงความสามารถในการถ่ายภาพของเซ็นเซอร์เรดาร์ที่มีอยู่ ดังนั้นพวกเขาจึงคาดการณ์รูปร่างและขนาดของวัตถุในมุมมองของรถยนต์อัตโนมัติได้แม่นยำยิ่งขึ้น
Dinesh Bharadia ศาสตราจารย์ด้านวิศวกรรมไฟฟ้าและคอมพิวเตอร์ที่ UC San Diego Jacobs School of Engineering กล่าวว่า "มันเป็นเรดาร์ที่มีลักษณะคล้ายไลดาร์" กล่าวเสริมว่าเป็นวิธีที่ไม่แพง “การหลอมรวมไลดาร์และเรดาร์สามารถทำได้ด้วยเทคนิคของเรา แต่เรดาร์นั้นมีราคาถูก ด้วยวิธีนี้เราไม่จำเป็นต้องใช้ Lidars ราคาแพง”
ทีมงานได้วางเซ็นเซอร์เรดาร์สองตัวไว้บนฝากระโปรงรถ ทำให้ระบบสามารถมองเห็นพื้นที่และรายละเอียดได้มากกว่าเซ็นเซอร์เรดาร์ตัวเดียว ทีมได้ทำการทดสอบเพื่อเปรียบเทียบประสิทธิภาพของระบบในวันและคืนที่อากาศปลอดโปร่ง จากนั้นด้วยการจำลองสภาพอากาศที่มีหมอกหนา กับระบบที่ใช้ลิดาร์ ผลที่ได้คือระบบเรดาร์บวกไลดาร์ทำงานได้ดีกว่าระบบไลดาร์อย่างเดียว
“ตัวอย่างเช่น รถที่มีฝาปิด หากเข้าไปในสภาพแวดล้อมที่มีหมอกหนามาก มันจะมองไม่เห็นอะไรผ่านหมอกนั้น” แบนซาอิดกล่าว “เรดาร์ของเราสามารถผ่านสภาพอากาศเลวร้ายเหล่านี้ได้ และสามารถมองเห็นผ่านหมอกหรือหิมะได้” เขากล่าว
Tทีมเขาใช้ เรดาร์มิลลิเมตรซึ่งเป็นรุ่นของเรดาร์ที่ใช้คลื่นแม่เหล็กไฟฟ้าความยาวคลื่นสั้นในการตรวจจับช่วง ความเร็ว และมุมของวัตถุ
20 คู่ค้าที่ทำงานเกี่ยวกับ AI-SEE ในยุโรปเพื่อนำ AI มาใช้กับวิสัยทัศน์ของยานพาหนะ
วิสัยทัศน์ของยานยนต์อัตโนมัติที่ได้รับการปรับปรุงยังเป็นเป้าหมายของโครงการในยุโรปที่เรียกว่า AI-SEE ซึ่งเกี่ยวข้องกับการเริ่มต้น อัลโกลักซ์ซึ่งร่วมมือกับพันธมิตร 20 รายในระยะเวลาสามปีเพื่อมุ่งสู่ความเป็นเอกราชระดับ 4 สำหรับยานยนต์ในตลาดมวลชน Algolux ก่อตั้งขึ้นในปี 2014 มีสำนักงานใหญ่ในมอนทรีออล และระดมทุนได้ 31.8 ล้านดอลลาร์จนถึงปัจจุบัน ตามข้อมูลของ Crunchbase
จุดมุ่งหมายคือการสร้างระบบเซ็นเซอร์ที่ทนทานรูปแบบใหม่ซึ่งได้รับการสนับสนุนโดยปัญญาประดิษฐ์ที่ปรับปรุงการมองเห็นยานพาหนะสำหรับสภาพการมองเห็นต่ำ เพื่อให้สามารถเดินทางได้อย่างปลอดภัยในทุกสภาพอากาศและสภาพแสงที่เกี่ยวข้อง เช่น หิมะ ฝนตกหนัก หรือหมอก ตามบัญชีล่าสุดจาก AutoMobilกีฬา.
เทคโนโลยี Algolux ใช้วิธีการฟิวชั่นข้อมูลแบบมัลติเซนเซอร์ ซึ่งข้อมูลเซ็นเซอร์ที่ได้รับจะถูกหลอมรวมและจำลองโดยใช้อัลกอริธึม AI ที่ซับซ้อนซึ่งปรับแต่งให้เข้ากับความต้องการการรับรู้สภาพอากาศที่ไม่เอื้ออำนวย Algolux วางแผนที่จะมอบความเชี่ยวชาญด้านเทคโนโลยีและโดเมนในด้านอัลกอริธึม AI การเรียนรู้เชิงลึก การรวมข้อมูลจากประเภทเซ็นเซอร์ที่แตกต่างกัน การตรวจจับสเตอริโอระยะไกล และการประมวลผลสัญญาณเรดาร์
Dr. Werner Ritter, Consortium Lead, Mercedes Benz AG: “Algolux เป็นหนึ่งในบริษัทไม่กี่แห่งในโลกที่มีความเชี่ยวชาญในเครือข่ายนิวรัลเชิงลึกแบบ end-to-end ที่จำเป็นในการแยกฮาร์ดแวร์พื้นฐานออกจากแอปพลิเคชันของเรา” Dr. Werner Ritter หัวหน้ากลุ่มบริษัทจาก Mercedes Benz AG กล่าว “สิ่งนี้ควบคู่ไปกับความรู้เชิงลึกของบริษัทเกี่ยวกับการใช้เครือข่ายเพื่อการรับรู้ที่แข็งแกร่งในสภาพอากาศเลวร้าย สนับสนุนโดเมนแอปพลิเคชันของเราใน AI-SEE โดยตรง”
โครงการนี้จะร่วมทุนสนับสนุนโดย National Research Council of Canada Industrial Research Assistance Program (NRC IRAP), the Austrian Research Promotion Agency (FFG), Business Finland และ BMBF กระทรวงศึกษาธิการและการวิจัยแห่งสหพันธรัฐเยอรมันภายใต้ฉลาก PENTA EURIPIDES รับรองโดย EUREKA
Nvidia ค้นคว้าเกี่ยวกับวัตถุที่อยู่กับที่ใน Driving Lab
ความสามารถของรถยนต์ที่เป็นอิสระในการตรวจจับสิ่งที่กำลังเคลื่อนที่อยู่รอบตัวเป็นสิ่งสำคัญ ไม่ว่าสภาพอากาศจะเป็นอย่างไร และความสามารถของรถที่จะรู้ว่าสิ่งของรอบตัวใดที่อยู่นิ่งก็มีความสำคัญเช่นกัน โพสต์บล็อก ในซีรี่ส์ Drive Lab จาก nvidia, วิศวกรรมดูที่ความท้าทายของรถยนต์ขับเคลื่อนอัตโนมัติส่วนบุคคล Nvidia เป็นผู้ผลิตชิปที่รู้จักกันเป็นอย่างดีในด้านหน่วยประมวลผลกราฟิก ซึ่งใช้กันอย่างแพร่หลายสำหรับการพัฒนาและปรับใช้แอปพลิเคชันที่ใช้เทคนิค AI
ห้องปฏิบัติการของ Nvidia กำลังทำงานเกี่ยวกับการใช้ AI เพื่อแก้ไขข้อบกพร่องของการประมวลผลสัญญาณเรดาร์ในการแยกแยะวัตถุที่เคลื่อนที่และอยู่กับที่ โดยมีเป้าหมายเพื่อปรับปรุงการรับรู้ของรถยนต์ที่เป็นอิสระ
“เราฝึก DNN [โครงข่ายประสาทลึก] เพื่อตรวจจับวัตถุเคลื่อนที่และอยู่กับที่ รวมทั้งแยกแยะสิ่งกีดขวางที่อยู่นิ่งประเภทต่าง ๆ ได้อย่างแม่นยำโดยใช้ข้อมูลจากเซ็นเซอร์เรดาร์” กล่าว Neda Cvijetic ผู้ซึ่งทำงานเกี่ยวกับยานยนต์ไร้คนขับและคอมพิวเตอร์วิทัศน์สำหรับ Nvidia; ผู้เขียนโพสต์บล็อก ในตำแหน่งของเธอเป็นเวลาประมาณสี่ปี ก่อนหน้านี้เธอทำงานเป็นสถาปนิกระบบสำหรับซอฟต์แวร์ Autopilot ของเทสลา
การประมวลผลเรดาร์แบบธรรมดาจะสะท้อนสัญญาณเรดาร์ออกจากวัตถุในสภาพแวดล้อม และวิเคราะห์ความแรงและความหนาแน่นของการสะท้อนที่สะท้อนกลับมา หากเกิดการสะท้อนที่หนาแน่นและหนาแน่นเพียงพอกลับมา การประมวลผลเรดาร์แบบคลาสสิกสามารถระบุได้ว่าสิ่งนี้น่าจะเป็นวัตถุขนาดใหญ่บางประเภท หากกลุ่มนั้นเคลื่อนที่เมื่อเวลาผ่านไป แสดงว่าวัตถุนั้นน่าจะเป็นรถยนต์
แม้ว่าวิธีนี้จะใช้ได้ผลดีในการอนุมานรถที่กำลังเคลื่อนที่ แต่วิธีการนี้อาจไม่ได้ผลกับรถที่จอดอยู่กับที่ ในกรณีนี้ วัตถุจะสร้างกลุ่มการสะท้อนที่หนาแน่นซึ่งไม่เคลื่อนที่ การประมวลผลเรดาร์แบบคลาสสิกจะตีความวัตถุว่าเป็นราวบันได รถเสีย สะพานลอยทางหลวง หรือวัตถุอื่นๆ "วิธีการนี้มักไม่มีทางแยกแยะได้" ผู้เขียนกล่าว
โครงข่ายประสาทลึกเป็นโครงข่ายประสาทเทียมที่มีหลายชั้นระหว่างชั้นอินพุตและเอาต์พุต ตามวิกิพีเดีย ทีมงานของ Nvidia ได้ฝึกฝน DNN ของพวกเขาเพื่อตรวจจับวัตถุที่เคลื่อนที่และอยู่กับที่ ตลอดจนแยกแยะระหว่างวัตถุที่อยู่กับที่ประเภทต่างๆ โดยใช้ข้อมูลจากเซ็นเซอร์เรดาร์
โดยเฉพาะอย่างยิ่ง เราได้ฝึก DNN เพื่อตรวจจับวัตถุที่เคลื่อนที่และอยู่กับที่ ตลอดจนแยกแยะสิ่งกีดขวางที่อยู่นิ่งประเภทต่างๆ ได้อย่างแม่นยำ โดยใช้ข้อมูลจาก เซ็นเซอร์เรดาร์
การฝึกอบรม DNN จำเป็นต้องเอาชนะปัญหาการขาดแคลนข้อมูลเรดาร์ก่อน เนื่องจากการสะท้อนของเรดาร์นั้นค่อนข้างจะเบาบาง มนุษย์จึงแทบจะเป็นไปไม่ได้เลยที่จะระบุและติดป้ายยานพาหนะจากข้อมูลเรดาร์เพียงอย่างเดียว อย่างไรก็ตาม ข้อมูล Lidar ซึ่งสามารถสร้างภาพ 3 มิติของวัตถุโดยรอบโดยใช้พัลส์เลเซอร์ สามารถเสริมข้อมูลเรดาร์ได้ “ด้วยวิธีนี้ ความสามารถของผู้ติดฉลากที่เป็นมนุษย์ในการระบุและติดฉลากรถยนต์จากข้อมูลไลดาร์จะถูกถ่ายโอนไปยังโดเมนเรดาร์อย่างมีประสิทธิภาพ” ผู้เขียนกล่าว
วิธีการนี้นำไปสู่ผลลัพธ์ที่ดีขึ้น “ด้วยข้อมูลเพิ่มเติมนี้ DNN ของเรดาร์สามารถแยกแยะระหว่างสิ่งกีดขวางประเภทต่างๆ ได้ แม้ว่าจะหยุดนิ่งก็ตาม—ช่วยเพิ่มความมั่นใจในการตรวจพบผลบวกที่แท้จริง และลดการตรวจจับเชิงบวกที่ผิดพลาด” ผู้เขียนกล่าว
ผู้มีส่วนได้ส่วนเสียจำนวนมากที่เกี่ยวข้องกับการจัดหายานพาหนะที่เป็นอิสระที่ปลอดภัย พบว่าตนเองกำลังประสบปัญหาที่คล้ายกันจากจุดได้เปรียบของแต่ละคน ความพยายามเหล่านี้บางส่วนมีแนวโน้มที่จะส่งผลให้ซอฟต์แวร์ที่เกี่ยวข้องพร้อมใช้งานเป็นโอเพ่นซอร์ส เพื่อปรับปรุงระบบการขับขี่อัตโนมัติอย่างต่อเนื่อง ซึ่งเป็นผลประโยชน์ร่วมกัน
อ่านบทความและข้อมูลที่มา ราคาเริ่มต้นที่ abc10 เมืองแซคราเมนโต รัฐแคลิฟอร์เนีย ราคาเริ่มต้นที่ AutoMobilกีฬา และใน a โพสต์บล็อก ในซีรี่ส์ Drive Lab จาก Nvidia
- 3d
- ลงชื่อเข้าใช้
- เพิ่มเติม
- AI
- อัลกอริทึม
- การใช้งาน
- การใช้งาน
- รอบ
- บทความ
- ปัญญาประดิษฐ์
- รถยนต์
- อิสระ
- รถอิสระ
- รถยนต์อิสระ
- รถยนต์ที่เป็นอิสระ
- ยานพาหนะอิสระ
- หม้อแปลงไฟฟ้า
- ที่ดีที่สุด
- บล็อก
- สร้าง
- ธุรกิจ
- แคลิฟอร์เนีย
- แคนาดา
- รถ
- รถยนต์
- บริษัท
- วิทยาการคอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- ความมั่นใจ
- สภา
- เครดิต
- CrunchBase
- ข้อมูล
- วัน
- การเรียนรู้ลึก ๆ
- โครงข่ายประสาทลึก
- เครือข่ายประสาทลึก
- รายละเอียด
- พัฒนาการ
- การขับขี่
- การศึกษา
- ชั้นเยี่ยม
- สิ่งแวดล้อม
- ยุโรป
- รัฐบาลกลาง
- ชื่อจริง
- ฮาร์ดแวร์
- HTTPS
- มนุษย์
- ICE
- แยกแยะ
- ภาพ
- การถ่ายภาพ
- อุตสาหกรรม
- ข้อมูล
- Intelligence
- ความตั้งใจ
- อยากเรียนรู้
- สัมภาษณ์
- ร่วมมือ
- IT
- ความรู้
- ใหญ่
- เลเซอร์
- เลเซอร์
- นำ
- การเรียนรู้
- ชั้น
- ระดับ 4
- LIDAR
- ล้าน
- มอนทรีออ
- เครือข่าย
- เครือข่าย
- ประสาท
- เครือข่ายประสาท
- เครือข่ายประสาทเทียม
- ข่าว
- Nvidia
- เปิด
- โอเพนซอร์ส
- การดำเนินงาน
- อื่นๆ
- พาร์ทเนอร์
- Penta
- การปฏิบัติ
- ภาพ
- โครงการ
- โครงการ
- โปรโมชั่น
- เรดาร์
- พิสัย
- ลด
- สะท้อน
- รายงาน
- การวิจัย
- ผลสอบ
- ปลอดภัย
- ซาน
- ซานดิเอโก
- โรงเรียน
- วิทยาศาสตร์
- เซ็นเซอร์
- ชุด
- ที่ใช้ร่วมกัน
- สัญญาณ
- จำลอง
- ขนาด
- หิมะ
- So
- ซอฟต์แวร์
- ช่องว่าง
- ผู้ให้การสนับสนุน
- สหรัฐอเมริกา
- นักเรียน
- เสริม
- ที่สนับสนุน
- รองรับ
- ระบบ
- ระบบ
- เทคโนโลยี
- การทดสอบ
- ที่มา
- เวลา
- การเดินทาง
- แนวโน้ม
- มหาวิทยาลัย
- มหาวิทยาลัยแห่งแคลิฟอร์เนีย
- พาหนะ
- ยานพาหนะ
- ความเร็ว
- รายละเอียด
- ความชัดเจน
- วิสัยทัศน์
- คลื่น
- ความหมายของ
- Whitepaper
- WHO
- วิกิพีเดีย
- งาน
- โรงงาน
- โลก
- ปี