Sztuczna inteligencja może już klasyfikować obiekty na drodze za pomocą radaru

Czy nowoczesne autonomiczne samochody przyszłości rzeczywiście będą w stanie na podstawie danych radarowych dokładnie rozróżniać obiekty w ruchu drogowym, takie jak samochody osobowe, ciężarówki i pieszych? To możliwe, a wszystko dzięki AI. W nowym artykule badawczym opublikowanym w zeszłym tygodniu na Arxiv.org pod tytułem: „Radarowa klasyfikacja użytkowników dróg i wykrywanie nowości za pomocą zespołów sieci neuronowych”. i Uniwersytet w Kassel w Niemczech szczegółowo opracowali nowatorskie ramy uczenia maszynowego, które umożliwiają jednoznaczną klasyfikację osób i pojazdów uczestniczących w ruchu drogowym na podstawie wyłącznie danych uzyskanych za pośrednictwem systemu radarowego wyposażonego w pojazd. Nie trzeba przedstawiać, widać, że model ten szczególnie nadaje się do zastosowania w szczególności w przemyśle samochodowym i ogólnie w sektorze transportu, w którym pojazdy autonomiczne będą prawdopodobnie najpopularniejszym aspektem i przyniosą największe korzyści.

• MIT stara się opracować model sztucznej inteligencji, który może prowadzić prawie jak człowiek

„Ogólną skuteczność klasyfikacji można znacznie poprawić w porównaniu z obecnymi metodami rozpoznawania obiektów, a ponadto liczba rozpoznawanych obiektów również będzie większa, czemu będą towarzyszyć ulepszenia znacznie poprawiające poziom dokładności” – stwierdził zespół badawczy. Poza tym, według wyjaśnień naukowców, radar jest jednym z nielicznych typów czujników, które mogą bezpośrednio mierzyć prędkość wielu obiektów w zasięgu wzroku i jest szczególnie znacznie potężniejszy od innych typów czujników.Inne czujniki podczas pracy w niesprzyjających warunkach atmosferycznych, np. mgła, śnieg lub ulewny deszcz. Jednak niewiele urządzeń może być w 100% doskonałych, a czujniki radarowe nie są wyjątkiem. Ma stosunkowo niską rozdzielczość kątową w porównaniu do większości innych typów czujników, co utrudnia przedstawienie gęstych i wyraźnych danych na ekranie.

Rozwiązaniem zespołu badawczego w tym przypadku jest wykorzystanie zestawu klasyfikatorów składającego się z 80 komórek pamięci krótkotrwałej (LSTM) lub specjalnych sieci neuronowych rekurencyjnych (tutaj znajdują się warstwowe funkcje matematyczne naśladujące strukturę neuronów biologicznych – technika w głębokim uczeniu się) technologii) zdolnych do uczenia się i zapamiętywania długotrwałych zależności. W szczególności naukowcy muszą używać jedynie podzbioru 98 cech – w szczególności statystycznych pochodnych zasięgu, kąta, amplitudy i Dopplera; charakterystyki geometryczne i cechy związane z rozkładem wartości Dopplera - w celu określenia głównych różnic pomiędzy obiektami, które należy zidentyfikować, nie wymagając jednocześnie zbyt dużej mocy obliczeniowej w uczeniu i wnioskowaniu modelu procesu.

• Różnica między sztuczną inteligencją a przetwarzaniem kognitywnym (przetwarzaniem kognitywnym)

Aby wyszkolić te modele uczenia maszynowego, zespół badawczy znalazł zbiór danych zawierający ponad 3 miliony punktów danych dotyczących ponad 3800 rzeczywistych uczestników ruchu drogowego. Te próbki szkoleniowe są odbierane przez 4 czujniki radarowe zamontowane w przedniej połowie pojazdu testowego (o zasięgu około 100 metrów). Po przeszkoleniu powstałe modele klasyfikacji oparte na uczeniu maszynowym były w stanie posortować wykryte obiekty, w tym: pieszych, grupy pieszych, rowery, samochody osobowe, ciężarówki i odpady, na odpowiednie kategorie ze stosunkowo dużą dokładnością.

W szczególności kategoria „grupa pieszych” zostanie przypisana do danych o pieszych, w przypadku których system nie jest w stanie rozpoznać wyraźnego oddzielenia obrazów poszczególnych osób uzyskanych za pomocą danych radarowych. Z drugiej strony kategorie „śmieci” i „inne” będą obejmować dziwne przedmioty i pojazdy, których system nie może rozpoznać lub błędnie zidentyfikować. Innymi słowy, uznano, że obiekty umieszczone w tych dwóch kategoriach nie pasują do żadnej z pozostałych wyżej wymienionych grup klasyfikacyjnych (takich jak motocykliści, hulajnogi, wózki inwalidzkie, liny itp.), wiszące oraz koty i psy).

• Japońska sztuczna inteligencja stworzyła superrealistyczne wirtualne modelki

Jak zatem dokładny jest ten zaawansowany system klasyfikacji i czy w najbliższej przyszłości będzie mógł być powszechnie stosowany? Według naukowców charakteryzują się one średnią dokładnością do 91,46% w klasyfikacji obiektów i są jeszcze dokładniejsze, jeśli mają ten sam zestaw cech. Jest oczywiste, że większość błędów klasyfikacyjnych często występuje pomiędzy pieszymi i grupami pieszych ze względu na złożone podobieństwa między tymi dwiema kategoriami. Jednocześnie zdarzają się także inne przypadki pomyłek związanych z cechami i kształtem przedmiotów. Na przykład system może błędnie rozpoznać osobę na wózku inwalidzkim i osobę jadącą na małej hulajnodze.

Pomijając powyższe drobne wady, zespół badawczy uważa, że ​​proponowana struktura może pozwolić na nowe spojrzenie na znaczenie cech dla rozpoznawania międzykategoriowego indywidualnie, co ma kluczowe znaczenie dla rozwoju nowych algorytmów, a także wymagań dla systemów czujników . Poza tym zdolność dynamicznego rozpoznawania obiektów z wielu różnych kategorii za pomocą obiektów widocznych w danych treningowych również odgrywa ważną rolę w ogólnym rozwoju technologii pojazdów autonomicznych.

• Sztuczna inteligencja wykorzystuje dane Wi-Fi do oszacowania liczby osób w pomieszczeniu

W przyszłości naukowcy planują udoskonalić obecne wyniki poprzez zastosowanie technik przetwarzania sygnału o wysokiej rozdzielczości, co może pomóc w zwiększeniu rozdzielczości radaru w zakresie zasięgu i kąta uderzenia, dynamicznego i dopplerowskiego.