Джон П. Десмонд, редактор AI Trends
Щоб допомогти автономним автомобілям безпечно пересуватися під час дощу та інших погодних умов, дослідники шукають новий тип радарів.
Автомобілі можуть мати проблеми із «бачити» в дощ або туман, оскільки датчики автомобіля можуть бути заблоковані снігом, льодом або проливними зливами, а їх здатність «читати» дорожні знаки та дорожню розмітку погіршується.
Багато автономних транспортних засобів покладаються на технологію радар-лідару, яка працює шляхом відбиття лазерних променів від навколишніх об’єктів, щоб отримати 3D-зображення високої роздільної здатності в ясний день, але не так добре працює в тумані, пилу, дощу або снігу, згідно з нещодавніми даними. звіт від Abc10 Сакраменто, Каліфорнія
«Сьогодні багато автоматичних транспортних засобів використовують лідар, і це, в основному, лазери, які вистрілюють і продовжують обертатися, щоб створити точки для певного об’єкта», – сказав Кшитіз Бансал, доктор технічних наук. студент Каліфорнійського університету в Сан-Дієго, в інтерв'ю.
Університетська дослідницька група з автономного водіння працює над новим способом покращення зображень існуючих радіолокаційних датчиків, щоб вони точніше передбачали форму та розмір об’єктів у полі зору автономного автомобіля.
«Це радар, схожий на лідар», — сказав Дінеш Бхарадія, професор електротехніки та комп’ютерної інженерії в Інженерній школі Джейкобса Каліфорнійського університету в Сан-Дієго, додавши, що це недорогий підхід. «Об’єднання лідарів і радарів також можна зробити за допомогою наших методів, але радари дешеві. Таким чином, нам не потрібно використовувати дорогі лідари».
Команда розміщує два радарні датчики на капоті автомобіля, що дозволяє системі бачити більше простору та деталей, ніж один радарний датчик. Команда провела тести, щоб порівняти продуктивність своєї системи в ясні дні та ночі, а потім із моделюванням туманної погоди, з системою на основі лідарів. В результаті система «Радар плюс Лідар» працювала краще, ніж система, що працює окремо.
«Так, наприклад, автомобіль з лідаром, якщо він їде в середовищі, де є багато туману, він не зможе нічого побачити крізь туман», – заявив Бансаїд. «Наш радар може проходити через ці погані погодні умови і може бачити навіть крізь туман або сніг», – сказав він.
Tвін використовує команду міліметровий радар, версія радара, яка використовує короткохвильові електромагнітні хвилі для виявлення дальності, швидкості та кута нахилу об’єктів.
20 партнерів, які працюють над AI-SEE в Європі, щоб застосувати AI до Vehicle Vision
Покращене бачення автономного транспортного засобу також є метою проекту в Європі, який називається AI-SEE, що включає стартап Алголюкс, яка співпрацює з 20 партнерами протягом трьох років, щоб працювати над автономією 4-го рівня для автомобілів масового ринку. Заснована в 2014 році, компанія Algolux зі штаб-квартирою в Монреалі і на сьогоднішній день зібрала 31.8 мільйона доларів, повідомляє Crunchbase.
Мета полягає в тому, щоб створити нову надійну сенсорну систему, що підтримується штучним інтелектом, покращеним баченням транспортного засобу для умов поганої видимості, щоб забезпечити безпечне подорож за будь-яких погодних умов і умов освітлення, таких як сніг, сильний дощ або туман, згідно з нещодавнім повідомленням від АвтоМобілСпорт.
Технологія Algolux використовує підхід до об’єднання мультисенсорних даних, при якому отримані датчики об’єднуються та моделюються за допомогою складних алгоритмів штучного інтелекту, пристосованих до потреб сприйняття несприятливої погоди. Algolux планує надати технологію та експертизу в області алгоритмів штучного інтелекту глибокого навчання, об’єднання даних із різних типів датчиків, дальнього стереозондування та обробки радіолокаційних сигналів.
Д-р Вернер Ріттер, керівник консорціуму Mercedes Benz AG: «Algolux — одна з небагатьох компаній у світі, яка добре розбирається в наскрізних глибоких нейронних мережах, які необхідні для від’єднання базового обладнання від нашої програми», заявив д-р Вернер Ріттер, керівник консорціуму, з Mercedes Benz AG. «Це, разом із глибокими знаннями компанії щодо застосування своїх мереж для надійного сприйняття в погану погоду, безпосередньо підтримує нашу область застосування в AI-SEE».
Проект співфінансуватиметься Національною дослідницькою радою Канади, Програмою сприяння промисловим дослідженням (NRC IRAP), Австрійським агентством сприяння дослідженню (FFG), Бізнес Фінляндією та Федеральним міністерством освіти та досліджень Німеччини BMBF під лейблом PENTA EURIPIDES. схвалено EUREKA.
Nvidia досліджує стаціонарні об'єкти у своїй лабораторії водіння
Здатність автономного автомобіля виявляти, що рухається навколо нього, є вирішальною, незалежно від погодних умов, і здатність автомобіля знати, які предмети навколо нього нерухомі, також важлива, говорить нещодавно блог у серії Drive Lab від Nvidia інженерний погляд на окремі проблеми автономного транспортного засобу. Nvidia — виробник мікросхем, найбільш відомий своїми графічними процесорами, які широко використовуються для розробки та розгортання додатків із застосуванням методів штучного інтелекту.
Лабораторія Nvidia працює над використанням штучного інтелекту для усунення недоліків обробки радіолокаційних сигналів у розрізненні рухомих і нерухомих об’єктів з метою покращення сприйняття автономних транспортних засобів.
«Ми навчили DNN [глибинну нейронну мережу] виявляти рухомі та нерухомі об’єкти, а також точно розрізняти різні типи стаціонарних перешкод, використовуючи дані з радіолокаційних датчиків», – йдеться в повідомленні. Неда Цвієтіч, яка працює над автономними транспортними засобами та комп’ютерним зором для Nvidia; автор публікації в блозі. На своїй посаді близько чотирьох років вона раніше працювала системним архітектором у програмному забезпеченні Tesla Autopilot.
Звичайна радіолокаційна обробка відбиває радіолокаційні сигнали від об’єктів в навколишньому середовищі та аналізує силу та щільність відображень, які повертаються. Якщо досить сильний і щільний кластер відображень повертається, класична радарна обробка може визначити, що це, ймовірно, якийсь великий об’єкт. Якщо це скупчення також рухається з часом, то цей об’єкт, ймовірно, є автомобілем, підкреслює пост.
Хоча цей підхід може добре працювати для визначення рухомого транспортного засобу, те ж саме може бути не вірним для нерухомого. У цьому випадку об’єкт створює щільний кластер відображень, які не рухаються. Класична радіолокаційна обробка інтерпретує об’єкт як перила, зламаний автомобіль, шляхопровод або якийсь інший об’єкт. «Підхід часто не має способу розрізнити який», – зазначає автор.
Згідно з Вікіпедією, глибока нейронна мережа — це штучна нейронна мережа з кількома шарами між вхідним і вихідним шарами. Команда Nvidia навчила свій DNN виявляти рухомі та нерухомі об’єкти, а також розрізняти різні типи нерухомих об’єктів, використовуючи дані з радарних датчиків.
Зокрема, ми навчили DNN виявляти рухомі та нерухомі об’єкти, а також точно розрізняти різні типи стаціонарних перешкод, використовуючи дані з радарні датчики.
Навчання DNN спочатку вимагало подолання проблем із розрідженістю радіолокаційних даних. Оскільки радарні відбиття можуть бути досить рідкісними, для людей практично неможливо візуально ідентифікувати та позначити транспортні засоби лише на основі радіолокаційних даних. Однак дані Лідару, які можуть створювати тривимірне зображення навколишніх об’єктів за допомогою лазерних імпульсів, можуть доповнювати дані радара. «Таким чином, здатність людини, що наносить етикетки, візуально ідентифікувати та маркувати автомобілі за даними лідару ефективно передається в область радара», — стверджує автор.
Такий підхід веде до покращення результатів. «За допомогою цієї додаткової інформації радар DNN здатний розрізняти різні типи перешкод — навіть якщо вони нерухомі — підвищують впевненість у справжньому позитивному виявленні та зменшують хибнопозитивні виявлення», — заявив автор.
Багато зацікавлених сторін, які беруть участь у створенні безпечних автономних транспортних засобів, вирішують подібні проблеми зі своїх окремих точок зору. Деякі з цих зусиль, імовірно, призведуть до того, що відповідне програмне забезпечення стане доступним з відкритим кодом, щоб постійно вдосконалювати системи автономного водіння, що є спільним інтересом.
Прочитайте вихідні статті та інформацію від Abc10 Сакраменто, Каліфорнія, від АвтоМобілСпорт і в а блог у серії Drive Lab від Nvidia.
- 3d
- рахунки
- Додатковий
- AI
- алгоритми
- додаток
- застосування
- навколо
- статті
- штучний інтелект
- автоматичний
- автономний
- автономний автомобіль
- автономні машини
- автономний транспортний засіб
- автономні транспортні засоби
- автопілот
- КРАЩЕ
- Блог
- будувати
- бізнес
- Каліфорнія
- Канада
- автомобіль
- автомобілів
- Компанії
- Інформатика
- Комп'ютерне бачення
- довіра
- Рада
- кредит
- CrunchBase
- дані
- день
- глибоке навчання
- глибока нервова мережа
- глибокі нейронні мережі
- деталь
- розробка
- водіння
- Освіта
- Машинобудування
- Навколишнє середовище
- Європа
- Федеральний
- Перший
- апаратні засоби
- HTTPS
- Людей
- ICE
- ідентифікувати
- зображення
- Зображеннями
- промислові
- інформація
- Інтелект
- намір
- інтерес
- інтерв'ю
- залучений
- IT
- знання
- великий
- лазер
- лазери
- вести
- вивчення
- рівень
- Рівень 4
- справа
- мільйона
- Монреаль
- мережу
- мереж
- Нейронний
- нейронної мережі
- нейронні мережі
- новини
- Nvidia
- відкрити
- з відкритим вихідним кодом
- операційний
- Інше
- партнери
- Penta
- продуктивність
- картина
- програма
- проект
- просування
- радар
- діапазон
- зменшити
- Роздуми
- звітом
- дослідження
- результати
- сейф
- Сан -
- Сан - Дієго
- Школа
- наука
- датчиків
- Серія
- загальні
- Ознаки
- моделювання
- Розмір
- сніг
- So
- Софтвер
- Простір
- Рекламні
- Штати
- студент
- доповнювати
- Підтриманий
- Опори
- система
- Systems
- Технологія
- Тести
- Джерело
- час
- подорожувати
- Тенденції
- університет
- Університет Каліфорнії
- автомобіль
- Транспортні засоби
- VeloCity
- вид
- видимість
- бачення
- хвилі
- Що таке
- Whitepaper
- ВООЗ
- Вікіпедія
- Work
- працює
- світ
- років