La IA ya puede clasificar objetos en la carretera mediante radar

¿Serán realmente capaces los coches autónomos modernos del futuro de distinguir con precisión entre objetos en el tráfico, como por ejemplo entre coches, camiones y peatones, basándose en datos de radar? Es posible y todo gracias a la IA. En un nuevo artículo de investigación publicado en Arxiv.org la semana pasada con el título: "Clasificación de usuarios de la carretera basada en radar y detección de novedades con conjuntos de redes neuronales recurrentes" (tráfico y detección de novedades basadas en redes neuronales recurrentes), científicos de la corporación automovilística Daimler y la Universidad de Kassel, Alemania, han detallado un novedoso marco de aprendizaje automático que puede clasificar claramente a personas y vehículos que participan en el tráfico utilizando únicamente datos obtenidos a través del sistema de radar equipado en el vehículo. Sin necesidad de presentación, se ve que este modelo es especialmente adecuado para su aplicación en la industria del automóvil en particular y en el sector del transporte en general, en el que los vehículos autónomos probablemente serán el aspecto más beneficiado.

• El MIT se esfuerza por desarrollar un modelo de IA que pueda conducir casi como un humano

"El rendimiento general de la clasificación se puede mejorar significativamente en comparación con los métodos actuales de reconocimiento de objetos y, además, el número de objetos reconocidos también será mayor, acompañado de mejoras significativas en el nivel de precisión", afirmó el equipo de investigación. Además, según explican los científicos, el radar es uno de los pocos tipos de sensores que pueden medir directamente la velocidad de muchos objetos a la vista y, sobre todo, es mucho más potente que otros tipos de sensores cuando funcionan en condiciones climáticas adversas como, por ejemplo, niebla, nieve o lluvia intensa. Sin embargo, pocos dispositivos pueden ser 100% perfectos y los sensores de radar no son una excepción. Tiene una resolución angular relativamente baja en comparación con la mayoría de los otros tipos de sensores, lo que dificulta la representación de datos densos y claros en la pantalla.

La solución del equipo de investigación en este caso es utilizar un conjunto de clasificadores que consta de 80 células de memoria a corto plazo (LSTM) o redes neuronales recurrentes especiales (aquí hay funciones matemáticas en capas que imitan la estructura de las neuronas biológicas, una técnica de aprendizaje profundo). tecnología) capaz de aprender y recordar dependencias a largo plazo. En particular, los científicos sólo necesitan utilizar un subconjunto de 98 características - específicamente, derivadas estadísticas de rango, ángulo, amplitud, Doppler; características geométricas y características relacionadas con la distribución de valores Doppler: para determinar las principales diferencias entre los objetos que deben identificarse, sin requerir demasiada potencia de cálculo en el proceso de entrenamiento e inferencia del modelo.

• La diferencia entre IA (Inteligencia Artificial) y Computación Cognitiva (Cognitive Computing)

Para entrenar estos modelos de aprendizaje automático, el equipo de investigación encontró un conjunto de datos que contiene más de 3 millones de puntos de datos de más de 3800 participantes del tráfico de la vida real. Estas muestras de entrenamiento se reciben a través de 4 sensores de radar montados en la mitad delantera del vehículo de prueba (con un alcance de unos 100 metros). Una vez entrenados, los modelos de clasificación basados ​​en aprendizaje automático resultantes pudieron clasificar los objetos detectados, incluidos: peatones, grupos de peatones, bicicletas, automóviles, camiones y desechos, en categorías correspondientes con una precisión relativamente alta.

En concreto, se asignará la categoría "grupo de peatones" a los datos de peatones en los que el sistema no pueda reconocer una separación clara entre las imágenes de cada individuo obtenidas a través de datos de radar. Por otro lado, las categorías "basura" y "otros" incluirán objetos extraños y vehículos que el sistema no puede reconocer o identificar erróneamente. En otras palabras, se consideró que los objetos colocados en estas dos categorías no encajaban en ninguno de los otros grupos de clasificación antes mencionados (como motociclistas, scooters, sillas de ruedas, cables, etc., colgados y gatos y perros).

• La inteligencia artificial japonesa ha creado modelos de moda virtuales súper realistas

Entonces, ¿qué precisión tiene este sistema de clasificación avanzado? ¿Se podrá aplicar ampliamente en un futuro próximo? Según los investigadores, tienen una precisión media de hasta el 91,46% en la clasificación de objetos y son aún más precisos cuando comparten el mismo conjunto de características. Claramente, la mayoría de los errores de clasificación ocurren a menudo entre peatones y grupos de peatones debido a las complejas similitudes entre estas dos categorías. Al mismo tiempo, también existen otros casos de confusión relacionados con las características y forma de los objetos. Por ejemplo, el sistema puede identificar erróneamente entre una persona en silla de ruedas y una persona que viaja en un scooter pequeño.

Dejando de lado los defectos menores mencionados anteriormente, el equipo de investigación cree que esta estructura propuesta puede permitir nuevos conocimientos sobre la importancia de las características para el reconocimiento entre categorías de forma individual, lo cual es crucial para el desarrollo de nuevos algoritmos, así como los requisitos para los sistemas de sensores. . Además, la capacidad de reconocer dinámicamente objetos de muchas categorías diferentes con objetos vistos en datos de entrenamiento también juega un papel importante en el desarrollo de la tecnología de vehículos autónomos en general.

• La IA utiliza datos de WiFi para estimar la cantidad de personas en una habitación

En el futuro, los científicos planean mejorar los resultados actuales aplicando técnicas de procesamiento de señales de alta resolución, que pueden ayudar a aumentar la resolución del radar en términos de rango de impacto y ángulo de impacto, dinámico y Doppler.