LIA peut déjà classer les objets sur la route grâce au radar

Les voitures autonomes modernes du futur seront-elles vraiment capables de distinguer avec précision les objets dans la circulation, comme les voitures, les camions et les piétons, sur la base des données radar ? C'est possible, et tout cela grâce à l'IA. Dans un nouveau document de recherche publié la semaine dernière sur Arxiv.org sous le titre : "Classification des usagers de la route basée sur le radar et détection de nouveautés avec des ensembles de réseaux neuronaux récurrents". (trafic et détection nouvelle basée sur les réseaux neuronaux récurrents), des scientifiques du groupe automobile Daimler et l'Université de Kassel, en Allemagne, ont détaillé un nouveau cadre d'apprentissage automatique capable de classer clairement les individus ainsi que les véhicules participant à la circulation en utilisant uniquement les données obtenues via le système radar équipé sur le véhicule. Inutile de le présenter, on constate que ce modèle est particulièrement adapté à une application dans l'industrie automobile en particulier et dans le secteur des transports en général, dans lequel les véhicules autonomes seront probablement l'aspect le plus apprécié.

• Le MIT s'efforce de développer un modèle d'IA capable de conduire presque comme un humain

"Les performances globales de classification peuvent être considérablement améliorées par rapport aux méthodes actuelles de reconnaissance d'objets et, en outre, le nombre d'objets reconnus sera également plus grand, accompagné d'améliorations qui amélioreront considérablement le niveau de précision", a déclaré l'équipe de recherche. En outre, selon les explications des scientifiques, le radar est l'un des rares types de capteurs capables de mesurer directement la vitesse de nombreux objets en vue et est surtout beaucoup plus puissant que d'autres types de capteurs lorsqu'ils fonctionnent dans des conditions météorologiques défavorables telles que brouillard, neige ou forte pluie. Cependant, peu d’appareils peuvent être parfaits à 100 % et les capteurs radar ne font pas exception. Il a une résolution angulaire relativement faible par rapport à la plupart des autres types de capteurs, ce qui rend difficile la représentation de données denses et claires sur l'écran.

La solution de l'équipe de recherche dans ce cas consiste à utiliser un ensemble de classificateurs constitués de 80 cellules à mémoire à long terme (LSTM) ou de réseaux neuronaux récurrents spéciaux (il s'agit ici de fonctions mathématiques en couches qui imitent la structure des neurones biologiques - une technique d'apprentissage en profondeur technologie) capable d’apprendre et de se souvenir des dépendances à long terme. En particulier, les scientifiques n’ont besoin d’utiliser qu’un sous-ensemble de 98 caractéristiques – en particulier les dérivées statistiques de portée, d’angle, d’amplitude, Doppler ; caractéristiques géométriques et caractéristiques liées à la distribution des valeurs Doppler - pour déterminer les principales différences entre les objets qui doivent être identifiés, tout en ne nécessitant pas trop de puissance de calcul dans la formation et l'inférence du modèle de processus.

• La différence entre l'IA (Intelligence Artificielle) et l'Informatique Cognitive (Cognitive Computing)

Pour entraîner ces modèles d’apprentissage automatique, l’équipe de recherche a trouvé un ensemble de données contenant plus de 3 millions de points de données sur plus de 3 800 usagers réels du trafic. Ces échantillons d'entraînement sont reçus via 4 capteurs radar montés sur la moitié avant du véhicule d'essai (avec une portée d'environ 100 mètres). Une fois formés, les modèles de classification basés sur l'apprentissage automatique qui en ont résulté ont été capables de trier les objets détectés, notamment : les piétons, les groupes de piétons, les vélos, les voitures, les camions et les déchets, en catégories correspondantes avec une précision relativement élevée.

Plus précisément, la catégorie « groupe de piétons » sera attribuée aux données de piétons dans lesquelles le système ne peut pas reconnaître une séparation claire entre les images de chaque individu obtenues grâce aux données radar. En revanche, les catégories « déchets » et « autres » comprendront des objets et des véhicules étranges que le système ne peut pas reconnaître ou identifier à tort. En d'autres termes, les objets placés dans ces deux catégories ont été jugés ne rentrant dans aucun des autres groupes de classification susmentionnés (tels que les motocyclistes, les scooters, les fauteuils roulants, les câbles suspendus et les chats et chiens).

• L'intelligence artificielle japonaise a créé des mannequins virtuels super réalistes

Alors, quelle est la précision de ce système de classification avancé et peut-il être largement appliqué dans un avenir proche ? Selon les chercheurs, ils ont une précision moyenne allant jusqu’à 91,46 % dans la classification des objets et sont encore plus précis lorsqu’ils partagent le même ensemble de caractéristiques. De toute évidence, la plupart des erreurs de classification se produisent souvent entre les piétons et les groupes de piétons en raison des similitudes complexes entre ces deux catégories. Parallèlement, il existe également d’autres cas de confusion liés aux caractéristiques et à la forme des objets. Par exemple, le système peut faire une erreur d'identification entre une personne en fauteuil roulant et une personne conduisant un petit scooter.

En mettant de côté les défauts mineurs mentionnés ci-dessus, l'équipe de recherche estime que cette structure proposée peut permettre de nouvelles informations sur l'importance des fonctionnalités pour la reconnaissance inter-catégories individuellement, ce qui est crucial pour le développement de nouveaux algorithmes ainsi que pour les exigences relatives aux systèmes de capteurs. . En outre, la capacité de reconnaître dynamiquement des objets de nombreuses catégories différentes avec les objets vus dans les données d'entraînement joue également un rôle important dans le développement de la technologie des véhicules autonomes en général.

• L'IA utilise les données WiFi pour estimer le nombre de personnes dans une pièce

À l'avenir, les scientifiques prévoient d'améliorer les résultats actuels en appliquant des techniques de traitement du signal à haute résolution, qui peuvent contribuer à augmenter la résolution du radar en termes de portée d'impact et d'angle d'impact, dynamique et Doppler.