AI sudah boleh mengelaskan objek di jalan raya menggunakan radar

Adakah kereta autonomi moden masa depan benar-benar dapat membezakan dengan tepat antara objek dalam lalu lintas, seperti antara kereta, trak dan pejalan kaki, berdasarkan data radar? ? Ia mungkin, dan semuanya berkat AI. Dalam kertas penyelidikan baharu yang diterbitkan di Arxiv.org minggu lepas dengan tajuk: "Klasifikasi Pengguna Jalan Raya berasaskan Radar dan Pengesanan Kebaharuan dengan Ensembles Rangkaian Neural Berulang". trafik dan pengesanan novel berdasarkan Rangkaian Neural Berulang), saintis dari perbadanan automobil Daimler dan Universiti Kassel, Jerman telah memperincikan rangka kerja pembelajaran mesin baru yang boleh mengklasifikasikan dengan jelas Kenal pasti individu serta kenderaan yang mengambil bahagian dalam trafik menggunakan hanya data yang diperoleh melalui sistem radar yang dilengkapi pada kenderaan itu. Tidak perlu diperkenalkan, dapat dilihat model ini amat sesuai digunakan dalam industri automobil khususnya dan sektor pengangkutan secara amnya, di mana kenderaan autonomi mungkin akan menjadi aspek yang paling popular.

• MIT berusaha untuk membangunkan model AI yang boleh memandu hampir seperti manusia

"Prestasi klasifikasi keseluruhan boleh dipertingkatkan dengan ketara jika dibandingkan dengan kaedah pengecaman objek semasa dan di samping itu, bilangan objek yang diiktiraf juga akan lebih besar, disertai dengan penambahbaikan meningkatkan tahap ketepatan dengan ketara," kata pasukan penyelidik itu. Selain itu, menurut penjelasan saintis, radar ialah salah satu daripada beberapa jenis penderia yang boleh mengukur secara langsung halaju banyak objek yang dilihat dan terutamanya jauh lebih berkuasa daripada jenis penderia lain. penderia lain apabila beroperasi dalam keadaan cuaca buruk seperti kabut, salji atau hujan lebat. Walau bagaimanapun, beberapa peranti boleh menjadi 100% sempurna dan penderia radar tidak terkecuali. Ia mempunyai resolusi sudut yang agak rendah berbanding kebanyakan jenis penderia lain, menjadikannya sukar untuk mewakili data padat dan jelas pada skrin.

Penyelesaian pasukan penyelidik dalam kes ini adalah menggunakan satu set pengelas yang terdiri daripada 80 sel memori jangka pendek (LSTM) panjang atau rangkaian neural berulang khas (di sini terdapat fungsi matematik berlapis yang meniru struktur neuron biologi - teknik dalam pembelajaran mendalam teknologi) mampu belajar dan mengingati kebergantungan jangka panjang. Khususnya, saintis hanya perlu menggunakan subset 98 ciri - khususnya, derivatif statistik julat, sudut, amplitud, Doppler; ciri geometri, dan ciri yang berkaitan dengan taburan nilai Doppler - untuk menentukan perbezaan utama antara objek yang perlu dikenal pasti, sementara tidak memerlukan terlalu banyak kuasa pengkomputeran dalam latihan model proses dan inferens.

• Perbezaan antara AI (Kecerdasan Buatan) dan Pengkomputeran Kognitif (Pengkomputeran Kognitif)

Untuk melatih model pembelajaran mesin ini, pasukan penyelidik menemui set data yang mengandungi lebih daripada 3 juta titik data lebih 3,800 peserta trafik kehidupan sebenar. Sampel latihan ini diterima melalui 4 sensor radar yang dipasang pada separuh hadapan kenderaan ujian (dengan jarak kira-kira 100 meter). Setelah dilatih, model klasifikasi berasaskan pembelajaran mesin yang terhasil dapat mengisih objek yang dikesannya, termasuk: pejalan kaki, kumpulan pejalan kaki, basikal, kereta , trak dan sisa, ke dalam kategori yang sepadan dengan ketepatan yang agak tinggi.

Khususnya, kategori "kumpulan pejalan kaki" akan diberikan kepada data pejalan kaki di mana sistem tidak dapat mengenali pemisahan yang jelas antara imej setiap individu yang diperoleh melalui data radar. . Sebaliknya, kategori "sampah" dan "lain-lain" akan termasuk objek dan kenderaan pelik yang sistem tidak dapat mengenali, atau salah kenal pasti. Dalam erti kata lain, objek yang diletakkan dalam dua kategori ini dinilai tidak sesuai dengan mana-mana kumpulan pengelasan lain yang disebutkan di atas (seperti penunggang motosikal, skuter, kerusi roda, kabel, dll.). tergantung dan kucing dan anjing).

• Kepintaran buatan Jepun telah mencipta model fesyen maya super-realistik

Jadi sejauh manakah ketepatan sistem pengelasan lanjutan ini dan bolehkah ia digunakan secara meluas dalam masa terdekat? Menurut penyelidik, mereka mempunyai ketepatan purata sehingga 91.46% dalam mengklasifikasikan objek dan lebih tepat apabila berkongsi set ciri yang sama. Jelasnya, kebanyakan ralat klasifikasi sering berlaku antara pejalan kaki dan kumpulan pejalan kaki disebabkan persamaan kompleks antara kedua-dua kategori ini. Pada masa yang sama, terdapat juga beberapa kes kekeliruan lain yang berkaitan dengan ciri dan bentuk objek. Sebagai contoh, sistem mungkin tersilap mengenal pasti antara orang yang berkerusi roda dan orang yang menunggang skuter kecil.

Mengetepikan kelemahan kecil yang disebutkan di atas, pasukan penyelidik percaya bahawa struktur yang dicadangkan ini boleh membenarkan pandangan baharu tentang kepentingan ciri untuk pengecaman merentas kategori. secara individu, yang penting untuk pembangunan algoritma baharu serta keperluan untuk sistem penderia . Selain itu, keupayaan untuk mengenali objek secara dinamik daripada pelbagai kategori dengan objek yang dilihat dalam data latihan juga memainkan peranan penting dalam pembangunan teknologi kenderaan autonomi secara amnya.

• AI menggunakan data WiFi untuk menganggarkan bilangan orang di dalam bilik

Pada masa hadapan, saintis merancang untuk menambah baik keputusan semasa dengan menggunakan teknik pemprosesan isyarat resolusi tinggi, yang boleh membantu meningkatkan resolusi radar dari segi julat impak dan sudut impak. dinamik dan Doppler.