AI는 이미 레이더를 사용해 도로 위의 물체를 분류할 수 있습니다.

미래의 현대 자율주행차는 과연 레이더 데이터를 기반으로 자동차, 트럭, 보행자 등 교통 중인 물체를 정확하게 구별할 수 있을까요? 가능합니다. 모두 AI 덕분입니다. 지난주 Arxiv.org에 "Radar-based Road User Classification and Novelty 탐지 with Recurrent Neural Network Ensembles"라는 제목으로 발표된 새로운 연구 논문에서 Recurrent Neural Networks 기반의 트래픽 및 새로운 탐지)에서 Daimler 자동차 회사의 과학자들은 그리고 독일 카셀 대학교(University of Kassel)는 차량에 장착된 레이더 시스템을 통해 얻은 데이터만을 사용하여 교통에 참여하는 차량은 물론 개인을 명확하게 분류할 수 있는 새로운 기계 학습 프레임워크를 자세히 설명했습니다. 소개할 필요 없이, 이 모델은 특히 자동차 산업과 일반적으로 자율주행차가 가장 인기 있는 측면인 운송 부문에 적용하기에 가장 적합하다는 것을 알 수 있습니다.

• MIT, 거의 인간처럼 운전할 수 있는 AI 모델 개발 노력

연구팀은 “현재 객체 인식 방식과 비교했을 때 전반적인 분류 성능이 크게 향상될 수 있으며, 인식되는 객체 수도 많아지고 정확도도 크게 향상될 것”이라고 말했다. 게다가 과학자들의 설명에 따르면 레이더는 시야에 있는 많은 물체의 속도를 직접 측정할 수 있는 몇 안 되는 유형의 센서 중 하나이며 특히 다른 유형의 센서보다 훨씬 강력합니다. 안개, 눈 또는 폭우. 그러나 100% 완벽할 수 있는 장치는 거의 없으며 레이더 센서도 예외는 아닙니다. 대부분의 다른 센서에 비해 각도 분해능이 상대적으로 낮아 화면에 조밀하고 선명한 데이터를 표현하기 어렵습니다.

이 경우 연구팀의 해결책은 80개의 장단기 기억(LSTM) 세포 또는 특수 순환 신경망으로 구성된 분류기 세트를 사용하는 것입니다(여기에는 생물학적 뉴런의 구조를 모방하는 계층화된 수학 함수, 즉 딥 러닝 기술이 있음). 기술) 장기적인 의존성을 학습하고 기억할 수 있습니다. 특히 과학자들은 98가지 특징의 하위 집합, 특히 범위, 각도, 진폭, 도플러의 통계적 파생물만 사용하면 됩니다. 도플러 값 분포와 관련된 기하학적 특성 및 특징 - 프로세스 모델 훈련 및 추론에 너무 많은 컴퓨팅 성능을 요구하지 않으면서 식별해야 하는 객체 간의 주요 차이점을 결정합니다.

• AI(인공 지능)와 인지 컴퓨팅(인지 컴퓨팅)의 차이점

이러한 기계 학습 모델을 훈련하기 위해 연구팀은 3,800명 이상의 실제 교통 참여자에 대한 300만 개 이상의 데이터 포인트가 포함된 데이터 세트를 발견했습니다. 이러한 훈련 샘플은 테스트 차량의 전면부에 장착된 4개의 레이더 센서(약 100미터 범위)를 통해 수신됩니다. 학습을 마친 결과 기계 학습 기반 분류 모델은 보행자, 보행자 그룹, 자전거, 자동차, 트럭 및 폐기물을 포함하여 감지된 객체를 상대적으로 높은 정확도로 해당 카테고리로 정렬할 수 있었습니다.

구체적으로, 레이더 데이터를 통해 획득한 개인별 영상 간의 명확한 구분을 시스템이 인식할 수 없는 보행자 데이터에는 '보행자 그룹'이라는 카테고리가 부여된다. 반면, "쓰레기" 및 "기타" 카테고리에는 시스템이 인식할 수 없거나 잘못 식별하는 이상한 물체와 차량이 포함됩니다. 즉, 이 두 범주에 배치된 물체는 앞서 언급한 다른 분류 그룹(예: 오토바이, 스쿠터, 휠체어, 케이블 등), 교수형 및 고양이 및 개)에 적합하지 않은 것으로 판단되었습니다.

• 일본의 인공지능이 초현실적인 가상 패션모델을 만들어냈습니다.

그렇다면 이 고급 분류 시스템은 얼마나 정확하며 가까운 미래에 널리 적용될 수 있을까요? 연구원에 따르면 물체를 분류할 때 평균 최대 91.46%의 정확도를 가지며 동일한 특성 세트를 공유할 때 훨씬 더 정확합니다. 분명히 대부분의 분류 오류는 보행자와 보행자 그룹 사이의 복잡한 유사성으로 인해 보행자와 보행자 그룹 사이에서 자주 발생합니다. 동시에 사물의 특성이나 형태와 관련하여 혼동을 일으키는 경우도 있습니다. 예를 들어, 시스템이 휠체어를 탄 사람과 소형 스쿠터를 탄 사람을 잘못 식별할 수 있습니다.

위에서 언급한 사소한 결함은 제쳐두고, 연구팀은 이 제안된 구조가 교차 카테고리 인식을 위한 기능의 중요성에 대한 새로운 통찰력을 제공할 수 있다고 믿습니다. 이는 새로운 알고리즘 개발과 센서 시스템 요구 사항에 매우 중요합니다. . 게다가, 훈련 데이터에 표시된 객체를 사용하여 다양한 카테고리의 객체를 동적으로 인식하는 능력도 일반적으로 자율주행차 기술 개발에 중요한 역할을 합니다.

• AI는 WiFi 데이터를 사용하여 방에 있는 사람 수를 추정합니다.

앞으로 과학자들은 충격 범위와 충격 각도, 동적 및 도플러 측면에서 레이더 해상도를 높이는 데 도움이 될 수 있는 고해상도 신호 처리 기술을 적용하여 현재 결과를 개선할 계획입니다.