L’intelligenza artificiale può già classificare gli oggetti sulla strada utilizzando il radar

Le moderne auto autonome del futuro saranno davvero in grado di distinguere con precisione gli oggetti nel traffico, ad esempio tra automobili, camion e pedoni, sulla base dei dati radar? È possibile ed è tutto grazie all'intelligenza artificiale. In un nuovo articolo di ricerca pubblicato su Arxiv.org la scorsa settimana con il titolo: "Classificazione degli utenti stradali basata su radar e rilevamento di novità con gruppi di reti neurali ricorrenti". traffico e rilevamento di nuovi casi basati su reti neurali ricorrenti), scienziati della società automobilistica Daimler e l'Università di Kassel, in Germania, hanno dettagliato un nuovo quadro di apprendimento automatico in grado di classificare chiaramente identificare individui e veicoli che partecipano al traffico utilizzando solo i dati ottenuti attraverso il sistema radar equipaggiato sul veicolo. Non c'è bisogno di presentazioni, si può vedere che questo modello è particolarmente adatto per l'applicazione nell'industria automobilistica in particolare e nel settore dei trasporti in generale, in cui i veicoli autonomi saranno probabilmente l'aspetto più popolare e che ne trarranno maggiori benefici.

• Il MIT si impegna a sviluppare un modello di intelligenza artificiale in grado di guidare quasi come un essere umano

"Le prestazioni di classificazione complessive possono essere significativamente migliorate rispetto agli attuali metodi di riconoscimento degli oggetti e inoltre, anche il numero di oggetti riconosciuti sarà maggiore, accompagnato da miglioramenti che migliorano significativamente il livello di precisione", ha affermato il gruppo di ricerca. Inoltre, secondo le spiegazioni degli scienziati, il radar è uno dei pochi tipi di sensori in grado di misurare direttamente la velocità di molti oggetti in vista ed è soprattutto molto più potente di altri tipi di sensori quando si opera in condizioni meteorologiche avverse come ad esempio nebbia, neve o pioggia battente. Tuttavia, pochi dispositivi possono essere perfetti al 100% e i sensori radar non fanno eccezione. Ha una risoluzione angolare relativamente bassa rispetto alla maggior parte degli altri tipi di sensori, rendendo difficile la rappresentazione di dati densi e chiari sullo schermo.

La soluzione del gruppo di ricerca in questo caso è quella di utilizzare una serie di classificatori costituiti da 80 cellule di memoria a lungo termine (LSTM) o speciali reti neurali ricorrenti (qui ci sono funzioni matematiche stratificate che imitano la struttura dei neuroni biologici - una tecnica di deep learning tecnologia) in grado di apprendere e ricordare le dipendenze a lungo termine. In particolare, gli scienziati devono utilizzare solo un sottoinsieme di 98 caratteristiche, in particolare i derivati ​​statistici di distanza, angolo, ampiezza, Doppler; caratteristiche geometriche e caratteristiche relative alla distribuzione del valore Doppler - per determinare le principali differenze tra gli oggetti che devono essere identificati, senza richiedere troppa potenza di calcolo nell'addestramento e nell'inferenza del modello di processo.

• La differenza tra AI (Intelligenza Artificiale) e Cognitive Computing (Cognitive Computing)

Per addestrare questi modelli di apprendimento automatico, il team di ricerca ha trovato un set di dati contenente più di 3 milioni di punti dati di oltre 3.800 partecipanti al traffico nella vita reale. Questi campioni di addestramento vengono ricevuti attraverso 4 sensori radar montati sulla metà anteriore del veicolo di prova (con una portata di circa 100 metri). Una volta addestrati, i modelli di classificazione basati sull’apprendimento automatico risultanti sono stati in grado di ordinare gli oggetti rilevati, tra cui: pedoni, gruppi di pedoni, biciclette, automobili, camion e rifiuti, in categorie corrispondenti con una precisione relativamente elevata.

Nello specifico, la categoria "gruppo pedonale" verrà assegnata ai dati pedonali in cui il sistema non è in grado di riconoscere una netta separazione tra le immagini di ciascun individuo ottenute attraverso i dati radar. D'altra parte, le categorie "spazzatura" e "altro" includeranno oggetti e veicoli strani che il sistema non è in grado di riconoscere o identificare erroneamente. In altre parole, gli oggetti collocati in queste due categorie sono stati giudicati non rientranti in nessuno degli altri gruppi di classificazione sopra menzionati (come motociclisti, scooter, sedie a rotelle, cavi, ecc., appesi e cani e gatti).

• L'intelligenza artificiale giapponese ha creato modelli di moda virtuali super realistici

Quindi, quanto è accurato questo sistema di classificazione avanzato e quanto può essere ampiamente applicato nel prossimo futuro? Secondo i ricercatori, hanno una precisione media fino al 91,46% nella classificazione degli oggetti e sono ancora più accurati quando condividono lo stesso insieme di caratteristiche. Chiaramente, la maggior parte degli errori di classificazione si verificano spesso tra pedoni e gruppi di pedoni a causa delle complesse somiglianze tra queste due categorie. Allo stesso tempo, esistono anche altri casi di confusione legati alle caratteristiche e alla forma degli oggetti. Ad esempio, il sistema potrebbe identificare erroneamente una persona su una sedia a rotelle e una persona che guida un piccolo scooter.

Mettendo da parte i piccoli difetti sopra menzionati, il gruppo di ricerca ritiene che questa struttura proposta possa consentire nuove intuizioni sull’importanza delle caratteristiche per il riconoscimento intercategoriale individualmente, il che è cruciale per lo sviluppo di nuovi algoritmi e requisiti per i sistemi di sensori . Inoltre, anche la capacità di riconoscere dinamicamente oggetti di molte categorie diverse con oggetti visti nei dati di addestramento gioca un ruolo importante nello sviluppo della tecnologia dei veicoli autonomi in generale.

• L'intelligenza artificiale utilizza i dati WiFi per stimare il numero di persone in una stanza

In futuro, gli scienziati intendono migliorare i risultati attuali applicando tecniche di elaborazione del segnale ad alta risoluzione, che possono contribuire ad aumentare la risoluzione del radar in termini di portata e angolo di impatto, dinamica e Doppler.