AI kan met behulp van radar al objecten op de weg classificeren

Zullen de moderne autonome auto's van de toekomst op basis van radargegevens werkelijk nauwkeurig onderscheid kunnen maken tussen objecten in het verkeer, zoals tussen auto's, vrachtwagens en voetgangers? Het is mogelijk, en het is allemaal te danken aan AI. In een nieuw onderzoeksartikel dat vorige week op Arxiv.org werd gepubliceerd met de titel: "Radar-based Road User Classification and Novelty Detection with Recurrent Neural Network Ensembles", schrijven wetenschappers van het autobedrijf Daimler. en de Universiteit van Kassel, Duitsland, hebben een nieuw machine learning-framework uitgewerkt dat zowel individuen als voertuigen die aan het verkeer deelnemen duidelijk kan classificeren met behulp van alleen gegevens die zijn verkregen via het radarsysteem dat op het voertuig is uitgerust. Geen introductie nodig, het blijkt dat dit model vooral geschikt is voor toepassing in de auto-industrie in het bijzonder en de transportsector in het algemeen, waar autonome voertuigen waarschijnlijk het meest populaire aspect zullen zijn.

• MIT streeft ernaar een AI-model te ontwikkelen dat bijna als een mens kan rijden

“De algehele classificatieprestaties kunnen aanzienlijk worden verbeterd in vergelijking met de huidige objectherkenningsmethoden en bovendien zal het aantal herkende objecten ook groter zijn, vergezeld van verbeteringen die het nauwkeurigheidsniveau aanzienlijk verbeteren”, aldus het onderzoeksteam. Bovendien is radar, volgens de verklaringen van wetenschappers, een van de weinige soorten sensoren die direct de snelheid van veel objecten in zicht kunnen meten en is hij vooral veel krachtiger dan andere typen sensoren. mist, sneeuw of hevige regen. Er zijn echter maar weinig apparaten die 100% perfect kunnen zijn en radarsensoren vormen hierop geen uitzondering. Het heeft een relatief lage hoekresolutie vergeleken met de meeste andere soorten sensoren, waardoor het moeilijk is om compacte en duidelijke gegevens op het scherm weer te geven.

De oplossing van het onderzoeksteam in dit geval is het gebruik van een reeks classificatoren bestaande uit 80 lange-kortetermijngeheugencellen (LSTM) of speciale terugkerende neurale netwerken (hier zijn gelaagde wiskundige functies die de structuur van biologische neuronen nabootsen - een techniek in deep learning technologie) die in staat is langdurige afhankelijkheden te leren en te onthouden. In het bijzonder hoeven wetenschappers slechts een subset van 98 kenmerken te gebruiken - met name statistische afgeleiden van bereik, hoek, amplitude, Doppler; geometrische kenmerken en kenmerken die verband houden met de distributie van Doppler-waarden - om de belangrijkste verschillen tussen objecten te bepalen die moeten worden geïdentificeerd, zonder dat er te veel rekenkracht nodig is bij de training en gevolgtrekking van het procesmodel.

• Het verschil tussen AI (kunstmatige intelligentie) en cognitief computergebruik (Cognitive Computing)

Om deze machine learning-modellen te trainen, vond het onderzoeksteam een ​​dataset met meer dan 3 miljoen datapunten van meer dan 3.800 echte verkeersdeelnemers. Deze trainingsmonsters worden ontvangen via 4 radarsensoren die op de voorste helft van het testvoertuig zijn gemonteerd (met een bereik van ongeveer 100 meter). Eenmaal getraind, konden de resulterende op machine learning gebaseerde classificatiemodellen de gedetecteerde objecten, waaronder: voetgangers, groepen voetgangers, fietsen, auto's, vrachtwagens en afval, met relatief hoge nauwkeurigheid in overeenkomstige categorieën sorteren.

Concreet zal de categorie "voetgangersgroep" worden toegewezen aan voetgangersgegevens waarbij het systeem geen duidelijke scheiding kan herkennen tussen beelden van elk individu verkregen via radargegevens. Aan de andere kant omvatten de categorieën 'vuilnis' en 'andere' vreemde objecten en voertuigen die het systeem niet kan herkennen of verkeerd kan identificeren. Met andere woorden, voorwerpen die in deze twee categorieën waren geplaatst, werden geacht niet in een van de andere bovengenoemde classificatiegroepen te passen (zoals motorrijders, scooters, rolstoelen, kabels, etc.), hangende voorwerpen en katten en honden).

• Japanse kunstmatige intelligentie heeft superrealistische virtuele modemodellen gecreëerd

Hoe accuraat is dit geavanceerde classificatiesysteem en kan het in de nabije toekomst op grote schaal worden toegepast? Volgens de onderzoekers hebben ze een gemiddelde nauwkeurigheid van maximaal 91,46% bij het classificeren van objecten en zijn ze zelfs nog nauwkeuriger als ze dezelfde reeks kenmerken delen. Het is duidelijk dat de meeste classificatiefouten vaak voorkomen tussen voetgangers en voetgangersgroepen vanwege de complexe overeenkomsten tussen deze twee categorieën. Tegelijkertijd zijn er ook enkele andere gevallen van verwarring met betrekking tot de kenmerken en vorm van objecten. Het systeem kan bijvoorbeeld een verkeerde identificatie maken tussen een persoon in een rolstoel en een persoon die op een kleine scooter rijdt.

Afgezien van de hierboven genoemde kleine tekortkomingen, is het onderzoeksteam van mening dat deze voorgestelde structuur nieuwe inzichten kan opleveren in het belang van kenmerken voor herkenning tussen categorieën, individueel, wat cruciaal is voor de ontwikkeling van nieuwe algoritmen en vereisten voor sensorsystemen. . Bovendien speelt het vermogen om objecten uit veel verschillende categorieën dynamisch te herkennen aan objecten uit trainingsgegevens ook een belangrijke rol in de ontwikkeling van autonome voertuigtechnologie in het algemeen.

• AI gebruikt WiFi-gegevens om het aantal mensen in een kamer te schatten

In de toekomst zijn wetenschappers van plan de huidige resultaten te verbeteren door signaalverwerkingstechnieken met hoge resolutie toe te passen, die kunnen helpen de radarresolutie te verhogen in termen van impactbereik en impacthoek, dynamisch en Doppler.