Bởi John P. Desmond, Biên tập viên Xu hướng AI
Để giúp ô tô tự hành điều hướng an toàn trong mưa và thời tiết khắc nghiệt khác, các nhà nghiên cứu đang nghiên cứu một loại radar mới.
Các phương tiện tự lái có thể gặp khó khăn khi “nhìn” trong mưa hoặc sương mù, với các cảm biến của xe có thể bị chặn bởi tuyết, băng hoặc những trận mưa như trút nước và khả năng “đọc” các biển báo và vạch kẻ đường bị suy giảm.
Nhiều phương tiện tự hành dựa trên công nghệ radar lidar, hoạt động bằng cách dội lại chùm tia laze từ các vật thể xung quanh để tạo ra hình ảnh 3D có độ phân giải cao vào một ngày trời quang, nhưng không hoạt động tốt trong điều kiện sương mù, bụi, mưa hoặc tuyết, theo một số thông tin gần đây báo cáo từ Abc10 của Sacramento, Calif.
Kshitiz Bansal, một tiến sĩ khoa học máy tính và kỹ thuật, cho biết: “Rất nhiều phương tiện tự động ngày nay đang sử dụng lidar, và về cơ bản đây là những tia laser bắn ra và liên tục quay để tạo ra các điểm cho một vật thể cụ thể. sinh viên tại Đại học California San Diego, trong một cuộc phỏng vấn.
Nhóm nghiên cứu về lái xe tự hành của trường đại học đang nghiên cứu một phương pháp mới để cải thiện khả năng chụp ảnh của các cảm biến radar hiện có, để chúng dự đoán chính xác hơn hình dạng và kích thước của các vật thể trong tầm nhìn của ô tô tự hành.
Dinesh Bharadia, một giáo sư về kỹ thuật điện và máy tính tại Trường Kỹ thuật UC San Diego Jacobs cho biết: “Đó là một radar giống như chiếc nắp đậy, cho biết thêm rằng đây là một cách tiếp cận không tốn kém. “Việc hợp nhất lidar và radar cũng có thể được thực hiện bằng các kỹ thuật của chúng tôi, nhưng radar rất rẻ. Bằng cách này, chúng tôi không cần phải sử dụng những chiếc lidar đắt tiền ”.
Nhóm nghiên cứu đặt hai cảm biến radar trên mui xe, giúp hệ thống này có thể nhìn thấy nhiều không gian và chi tiết hơn so với một cảm biến radar đơn lẻ. Nhóm đã tiến hành các thử nghiệm để so sánh hiệu suất của hệ thống của họ vào những ngày và đêm rõ ràng, sau đó với mô phỏng thời tiết sương mù, với một hệ thống dựa trên lidar. Kết quả là hệ thống radar cộng với lidar hoạt động tốt hơn hệ thống chỉ có lidar.
“Ví dụ, một chiếc xe có nắp đậy, nếu đi trong môi trường có nhiều sương mù, nó sẽ không thể nhìn thấy gì qua lớp sương mù đó,” Bansaid nói. Ông nói: “Radar của chúng tôi có thể đi qua những điều kiện thời tiết xấu này và thậm chí có thể nhìn xuyên qua sương mù hoặc tuyết.
Tđội anh ấy sử dụng radar milimet, một phiên bản của radar sử dụng sóng điện từ bước sóng ngắn để phát hiện phạm vi, vận tốc và góc của vật thể.
20 đối tác làm việc về AI-XEM ở Châu Âu để Ứng dụng AI vào Tầm nhìn của Xe
Nâng cao tầm nhìn xe tự hành cũng là mục tiêu của một dự án ở Châu Âu - được gọi là AI-XEM - liên quan đến công ty khởi nghiệp thuật toán, công ty đang hợp tác với 20 đối tác trong thời gian ba năm để hướng tới quyền tự chủ Cấp độ 4 cho các loại xe phổ thông. Được thành lập vào năm 2014, Algolux có trụ sở chính tại Montreal và đã huy động được 31.8 triệu đô la cho đến nay, theo Crunchbase.
Mục đích là xây dựng một hệ thống cảm biến mạnh mẽ mới được hỗ trợ bởi trí thông minh nhân tạo nâng cao tầm nhìn của xe trong điều kiện tầm nhìn thấp, để cho phép đi lại an toàn trong mọi điều kiện thời tiết và ánh sáng liên quan như tuyết, mưa lớn hoặc sương mù, theo một tài khoản gần đây từ AutoMobilThể thao.
Công nghệ Algolux sử dụng phương pháp tổng hợp dữ liệu đa giác quan, trong đó dữ liệu cảm biến thu được sẽ được hợp nhất và mô phỏng bằng các thuật toán AI tinh vi phù hợp với nhu cầu nhận thức thời tiết bất lợi. Algolux có kế hoạch cung cấp chuyên môn về lĩnh vực và công nghệ trong các lĩnh vực thuật toán AI học sâu, tổng hợp dữ liệu từ các loại cảm biến riêng biệt, cảm biến âm thanh nổi tầm xa và xử lý tín hiệu radar.
Tiến sĩ Werner Ritter, Trưởng nhóm liên minh, Mercedes Benz AG: “Algolux là một trong số ít công ty trên thế giới thành thạo trong các mạng nơ-ron sâu end-to-end cần thiết để tách phần cứng cơ bản khỏi ứng dụng của chúng tôi,” Tiến sĩ Werner Ritter, lãnh đạo tập đoàn, từ Mercedes Benz AG cho biết. “Điều này, cùng với kiến thức chuyên sâu của công ty về việc áp dụng mạng của họ để nhận thức mạnh mẽ trong thời tiết xấu, hỗ trợ trực tiếp miền ứng dụng của chúng tôi trong AI-XEM.”
Dự án sẽ được đồng tài trợ bởi Hội đồng Nghiên cứu Quốc gia của Chương trình Hỗ trợ Nghiên cứu Công nghiệp Canada (NRC IRAP), Cơ quan Xúc tiến Nghiên cứu Áo (FFG), Doanh nghiệp Phần Lan và Bộ Giáo dục và Nghiên cứu Liên bang Đức BMBF dưới nhãn PENTA EURIPIDES xác nhận bởi EUREKA.
Nvidia đang nghiên cứu các đối tượng tĩnh trong phòng thí nghiệm lái xe của mình
Khả năng phát hiện những gì đang chuyển động xung quanh nó là rất quan trọng, bất kể điều kiện thời tiết nào và khả năng của chiếc xe để biết những vật dụng nào xung quanh nó đang đứng yên cũng rất quan trọng, một gợi ý gần đây blog đăng bài trong chuỗi Drive Lab từ Nvidia, một cái nhìn kỹ thuật về những thách thức của xe tự hành cá nhân. Nvidia là nhà sản xuất chip nổi tiếng với các đơn vị xử lý đồ họa, được sử dụng rộng rãi để phát triển và triển khai các ứng dụng sử dụng kỹ thuật AI.
Phòng thí nghiệm Nvidia đang nghiên cứu sử dụng AI để giải quyết những thiếu sót của quá trình xử lý tín hiệu radar trong việc phân biệt các vật thể chuyển động và đứng yên, với mục đích cải thiện nhận thức của xe tự hành.
“Chúng tôi đã đào tạo một DNN [mạng nơ ron sâu] để phát hiện các vật thể chuyển động và đứng yên, cũng như phân biệt chính xác giữa các loại chướng ngại vật cố định khác nhau, bằng cách sử dụng dữ liệu từ cảm biến radar”. Neda Cvijetic, người làm việc về xe tự hành và thị giác máy tính cho Nvidia; tác giả của bài đăng trên blog. Ở vị trí của mình trong khoảng XNUMX năm, trước đây cô từng là kiến trúc sư hệ thống cho phần mềm Autopilot của Tesla.
Xử lý radar thông thường trả lại tín hiệu radar của các đối tượng trong môi trường và phân tích cường độ và mật độ phản xạ quay trở lại. Nếu một cụm phản xạ đủ mạnh và dày đặc quay trở lại, quá trình xử lý radar cổ điển có thể xác định đây có thể là một loại vật thể lớn nào đó. Nếu cụm đó cũng di chuyển theo thời gian, thì vật thể đó có thể là một chiếc ô tô, bài đăng phác thảo.
Mặc dù phương pháp này có thể hoạt động tốt để suy ra một chiếc xe đang chuyển động, nhưng điều này có thể không đúng với một chiếc xe đứng yên. Trong trường hợp này, vật thể tạo ra một cụm phản xạ dày đặc không chuyển động. Xử lý radar cổ điển sẽ diễn giải đối tượng là lan can, một chiếc ô tô bị hỏng, cầu vượt đường cao tốc hoặc một số đối tượng khác. “Cách tiếp cận thường không có cách nào để phân biệt cái nào,” tác giả nói.
Mạng nơ-ron sâu là một mạng nơ-ron nhân tạo có nhiều lớp giữa các lớp đầu vào và đầu ra, theo Wikipedia. Nhóm Nvidia đã huấn luyện DNN của họ để phát hiện các vật thể chuyển động và đứng yên, cũng như phân biệt giữa các loại vật thể đứng yên khác nhau, bằng cách sử dụng dữ liệu từ cảm biến radar.
Cụ thể, chúng tôi đã đào tạo một DNN để phát hiện các vật thể chuyển động và đứng yên, cũng như phân biệt chính xác giữa các loại chướng ngại vật cố định khác nhau, sử dụng dữ liệu từ cảm biến radar.
Huấn luyện DNN trước tiên là yêu cầu khắc phục các vấn đề về dữ liệu radar. Vì phản xạ radar có thể khá thưa thớt, con người thực tế không thể xác định trực quan và gắn nhãn các phương tiện chỉ từ dữ liệu radar. Tuy nhiên, dữ liệu Lidar, có thể tạo ra hình ảnh 3D của các vật thể xung quanh bằng cách sử dụng xung laser, có thể bổ sung cho dữ liệu radar. Tác giả cho biết: “Bằng cách này, khả năng xác định trực quan và gắn nhãn xe ô tô từ dữ liệu lidar của một thợ gắn nhãn con người được chuyển vào miền radar một cách hiệu quả.
Cách tiếp cận dẫn đến kết quả được cải thiện. “Với thông tin bổ sung này, radar DNN có thể phân biệt giữa các loại chướng ngại vật khác nhau - ngay cả khi chúng đứng yên - tăng độ tin cậy của các phát hiện dương tính thật và giảm phát hiện dương tính giả,” tác giả nói.
Nhiều bên liên quan tham gia vào việc bảo vệ các phương tiện tự hành an toàn, nhận thấy mình đang giải quyết các vấn đề tương tự từ các điểm thuận lợi của cá nhân họ. Một số nỗ lực đó có khả năng dẫn đến việc phần mềm liên quan có sẵn dưới dạng mã nguồn mở, trong nỗ lực cải tiến liên tục các hệ thống lái xe tự hành, một lợi ích chung.
Đọc các bài báo nguồn và thông tin từ Abc10 của Sacramento, Calif., từ AutoMobilThể thao và trong một blog đăng bài trong loạt Drive Lab từ Nvidia.
- 3d
- Tài khoản
- thêm vào
- AI
- thuật toán
- Các Ứng Dụng
- các ứng dụng
- xung quanh
- bài viết
- trí tuệ nhân tạo
- tự động
- tự trị
- xe tự trị
- xe tự trị
- xe tự trị
- xe tự trị
- lái tự động
- BEST
- Blog
- xây dựng
- kinh doanh
- california
- Canada
- xe hơi
- xe ô tô
- Các công ty
- Khoa học Máy tính
- Tầm nhìn máy tính
- sự tự tin
- hội đồng
- tín dụng
- CrunchBase
- dữ liệu
- ngày
- học kĩ càng
- mạng lưới thần kinh sâu
- mạng lưới thần kinh sâu
- chi tiết
- Phát triển
- lái xe
- Đào tạo
- Kỹ Sư
- Môi trường
- Châu Âu
- Liên bang
- Tên
- phần cứng
- HTTPS
- Con người
- ICE
- xác định
- hình ảnh
- Hình ảnh
- công nghiệp
- thông tin
- Sự thông minh
- ý định
- quan tâm
- Phỏng vấn
- tham gia
- IT
- kiến thức
- lớn
- tia laser
- laser
- dẫn
- học tập
- Cấp
- mức 4
- LIDAR
- triệu
- Montreal
- mạng
- mạng
- Thần kinh
- mạng lưới thần kinh
- mạng thần kinh
- tin tức
- Nvidia
- mở
- mã nguồn mở
- hoạt động
- Nền tảng khác
- Đối tác
- Penta
- hiệu suất
- hình ảnh
- chương trình
- dự án
- xúc tiến
- radar
- phạm vi
- giảm
- Những phản ánh
- báo cáo
- nghiên cứu
- Kết quả
- an toàn
- San
- thành phố San Diego
- Trường học
- Khoa học
- cảm biến
- Loạt Sách
- chia sẻ
- Dấu hiệu
- mô phỏng
- Kích thước máy
- tuyết
- So
- Phần mềm
- Không gian
- Được tài trợ
- Bang
- Sinh viên
- bổ sung
- Hỗ trợ
- Hỗ trợ
- hệ thống
- hệ thống
- Công nghệ
- kiểm tra
- Nguồn
- thời gian
- đi du lịch
- Xu hướng
- trường đại học
- Đại học California
- xe
- Xe cộ
- Thành phố Velo
- Xem
- khả năng hiển thị
- tầm nhìn
- sóng biển
- Là gì
- Bản cáo bạch
- CHÚNG TÔI LÀ
- Wikipedia
- Công việc
- công trinh
- thế giới
- năm