KI kann mithilfe von Radar bereits Objekte auf der Straße klassifizieren

Werden moderne autonome Autos der Zukunft tatsächlich in der Lage sein, anhand von Radardaten genau zwischen Verkehrsobjekten, etwa zwischen Pkw, Lkw und Fußgängern, zu unterscheiden? Es ist möglich, und das alles dank der KI. In einem neuen Forschungspapier, das letzte Woche auf Arxiv.org mit dem Titel „Radar-based Road User Classification and Novel Detection with Recurrent Neural Network Ensembles“ veröffentlicht wurde, berichten Wissenschaftler des Automobilkonzerns Daimler und die Universität Kassel, Deutschland, haben ein neuartiges Framework für maschinelles Lernen detailliert beschrieben, mit dem Einzelpersonen sowie am Verkehr teilnehmende Fahrzeuge eindeutig identifiziert werden können, indem nur Daten verwendet werden, die über das im Fahrzeug eingebaute Radarsystem erfasst werden. Es bedarf keiner Einführung, es zeigt sich, dass sich dieses Modell besonders für die Anwendung in der Automobilindustrie im Besonderen und im Transportsektor im Allgemeinen eignet, wo autonome Fahrzeuge wahrscheinlich der beliebteste Aspekt sein werden. Am meisten profitieren.

• Das MIT ist bestrebt, ein KI-Modell zu entwickeln, das fast wie ein Mensch fahren kann

„Die Gesamtklassifizierungsleistung kann im Vergleich zu aktuellen Objekterkennungsmethoden erheblich verbessert werden und darüber hinaus wird auch die Anzahl der erkannten Objekte größer sein, begleitet von deutlich verbesserten Verbesserungen der Genauigkeit“, sagte das Forschungsteam. Darüber hinaus ist Radar laut den Erklärungen der Wissenschaftler einer der wenigen Sensortypen, der die Geschwindigkeit vieler Objekte in Sichtweite direkt messen kann, und ist insbesondere viel leistungsfähiger als andere Sensortypen. Andere Sensoren sind beim Betrieb unter widrigen Wetterbedingungen wie z Nebel, Schnee oder starker Regen. Allerdings können nur wenige Geräte 100 % perfekt sein, und Radarsensoren bilden da keine Ausnahme. Im Vergleich zu den meisten anderen Sensortypen weist er eine relativ geringe Winkelauflösung auf, wodurch es schwierig ist, dichte und klare Daten auf dem Bildschirm darzustellen.

Die Lösung des Forschungsteams besteht in diesem Fall darin, eine Reihe von Klassifikatoren zu verwenden, die aus 80 Zellen des Langzeit-Kurzzeitgedächtnisses (LSTM) oder speziellen wiederkehrenden neuronalen Netzen bestehen (hier handelt es sich um geschichtete mathematische Funktionen, die die Struktur biologischer Neuronen nachahmen – eine Technik des Deep Learning). Technologie) in der Lage, langfristige Abhängigkeiten zu lernen und sich daran zu erinnern. Insbesondere müssen Wissenschaftler nur eine Teilmenge von 98 Merkmalen verwenden – insbesondere statistische Ableitungen von Entfernung, Winkel, Amplitude, Doppler; geometrische Eigenschaften und Merkmale im Zusammenhang mit der Doppler-Wertverteilung – um die Hauptunterschiede zwischen Objekten zu bestimmen, die identifiziert werden müssen, ohne dass dabei zu viel Rechenleistung für das Training und die Inferenz des Prozessmodells erforderlich ist.

• Der Unterschied zwischen KI (Künstliche Intelligenz) und Cognitive Computing (Cognitive Computing)

Um diese Modelle für maschinelles Lernen zu trainieren, fand das Forschungsteam einen Datensatz mit mehr als 3 Millionen Datenpunkten von über 3.800 realen Verkehrsteilnehmern. Diese Trainingsproben werden über 4 Radarsensoren empfangen, die an der vorderen Hälfte des Testfahrzeugs angebracht sind (mit einer Reichweite von etwa 100 Metern). Nach dem Training waren die resultierenden, auf maschinellem Lernen basierenden Klassifizierungsmodelle in der Lage, die erkannten Objekte, darunter Fußgänger, Fußgängergruppen, Fahrräder, Autos, Lastwagen und Abfall, mit relativ hoher Genauigkeit in entsprechende Kategorien zu sortieren.

Konkret wird die Kategorie „Fußgängergruppe“ Fußgängerdaten zugeordnet, bei denen das System keine klare Trennung zwischen den durch Radardaten gewonnenen Bildern der einzelnen Personen erkennen kann. Andererseits umfassen die Kategorien „Müll“ und „Sonstiges“ seltsame Objekte und Fahrzeuge, die das System nicht erkennen oder falsch identifizieren kann. Mit anderen Worten: Objekte, die in diese beiden Kategorien eingeordnet wurden, wurden so beurteilt, dass sie in keine der anderen oben genannten Klassifizierungsgruppen passten (z. B. Motorradfahrer, Roller, Rollstühle, Kabel usw., hängende Gegenstände sowie Katzen und Hunde).

• Die japanische künstliche Intelligenz hat superrealistische virtuelle Models geschaffen

Wie genau ist dieses fortschrittliche Klassifizierungssystem und kann es in naher Zukunft umfassend angewendet werden? Den Forschern zufolge haben sie eine durchschnittliche Genauigkeit von bis zu 91,46 % bei der Klassifizierung von Objekten und sind sogar noch genauer, wenn sie dieselben Merkmale aufweisen. Aufgrund der komplexen Ähnlichkeiten zwischen diesen beiden Kategorien treten die meisten Klassifizierungsfehler offensichtlich häufig zwischen Fußgängern und Fußgängergruppen auf. Gleichzeitig gibt es auch einige andere Fälle von Verwirrung im Zusammenhang mit den Eigenschaften und der Form von Objekten. Beispielsweise kann das System fälschlicherweise zwischen einer Person im Rollstuhl und einer Person auf einem kleinen Roller unterscheiden.

Abgesehen von den oben genannten kleineren Mängeln ist das Forschungsteam der Ansicht, dass diese vorgeschlagene Struktur neue Erkenntnisse über die Bedeutung von Merkmalen für die kategorieübergreifende Erkennung ermöglichen kann. Diese sind einzeln von entscheidender Bedeutung für die Entwicklung neuer Algorithmen sowie Anforderungen an Sensorsysteme . Darüber hinaus spielt die Fähigkeit, Objekte aus vielen verschiedenen Kategorien mithilfe von Objekten aus Trainingsdaten dynamisch zu erkennen, auch eine wichtige Rolle bei der Entwicklung autonomer Fahrzeugtechnologie im Allgemeinen.

• KI nutzt WLAN-Daten, um die Anzahl der Personen in einem Raum zu schätzen

Zukünftig planen Wissenschaftler, die aktuellen Ergebnisse durch den Einsatz hochauflösender Signalverarbeitungstechniken zu verbessern, die dazu beitragen können, die Radarauflösung in Bezug auf Aufprallreichweite und Aufprallwinkel zu erhöhen. Dynamik und Doppler.