IA já consegue classificar objetos na estrada usando radar

Será que os carros autónomos modernos do futuro serão realmente capazes de distinguir com precisão entre objetos no trânsito, como entre carros, camiões e peões, com base em dados de radar? É possível e tudo graças à IA. Em um novo artigo de pesquisa publicado no Arxiv.org na semana passada com o título: "Classificação de usuários de estradas baseadas em radar e detecção de novidades com conjuntos de redes neurais recorrentes", cientistas da empresa automobilística Daimler e a Universidade de Kassel, na Alemanha, detalharam uma nova estrutura de aprendizado de máquina que pode classificar claramente Identificar indivíduos, bem como veículos que participam do tráfego, usando apenas dados obtidos por meio do sistema de radar equipado no veículo. Desnecessária introdução, verifica-se que este modelo é especialmente adequado para aplicação na indústria automóvel em particular e no sector dos transportes em geral, onde os veículos autónomos serão provavelmente o aspecto mais popular.

• O MIT se esforça para desenvolver um modelo de IA que possa dirigir quase como um ser humano

“O desempenho geral da classificação pode ser significativamente melhorado quando comparado com os métodos atuais de reconhecimento de objetos e, além disso, o número de objetos reconhecidos também será maior, acompanhado de melhorias que melhoraram significativamente o nível de precisão”, disse a equipe de pesquisa. Além disso, de acordo com as explicações dos cientistas, o radar é um dos poucos tipos de sensores que podem medir diretamente a velocidade de muitos objetos à vista e é especialmente muito mais poderoso do que outros tipos de sensores quando operam em condições climáticas adversas, como neblina, neve ou chuva forte. No entanto, poucos dispositivos conseguem ser 100% perfeitos e os sensores de radar não são exceção. Possui uma resolução angular relativamente baixa em comparação com a maioria dos outros tipos de sensores, dificultando a representação de dados densos e claros na tela.

A solução da equipe de pesquisa neste caso é usar um conjunto de classificadores que consiste em 80 células de memória de longo e curto prazo (LSTM) ou redes neurais recorrentes especiais (aqui estão funções matemáticas em camadas que imitam a estrutura dos neurônios biológicos - uma técnica de aprendizagem profunda tecnologia) capaz de aprender e lembrar dependências de longo prazo. Em particular, os cientistas só precisam de utilizar um subconjunto de 98 características – especificamente, derivadas estatísticas de alcance, ângulo, amplitude, Doppler; características geométricas e recursos relacionados à distribuição de valores Doppler - para determinar as principais diferenças entre objetos que precisam ser identificados, sem exigir muito poder computacional no treinamento e inferência do modelo de processo.

• A diferença entre IA (Inteligência Artificial) e Computação Cognitiva (Computação Cognitiva)

Para treinar esses modelos de aprendizado de máquina, a equipe de pesquisa encontrou um conjunto de dados contendo mais de 3 milhões de pontos de dados de mais de 3.800 participantes do trânsito na vida real. Essas amostras de treinamento são recebidas através de 4 sensores de radar montados na metade frontal do veículo de teste (com alcance de cerca de 100 metros). Uma vez treinados, os modelos de classificação baseados em aprendizado de máquina resultantes foram capazes de classificar os objetos detectados, incluindo: pedestres, grupos de pedestres, bicicletas, carros, caminhões e resíduos, em categorias correspondentes com precisão relativamente alta.

Especificamente, a categoria “grupo de pedestres” será atribuída aos dados de pedestres em que o sistema não consiga reconhecer uma separação clara entre as imagens de cada indivíduo obtidas através de dados de radar. Por outro lado, as categorias “lixo” e “outros” incluirão objetos e veículos estranhos que o sistema não consegue reconhecer ou identifica incorretamente. Ou seja, os objetos colocados nessas duas categorias foram julgados como não se enquadrando em nenhum dos outros grupos de classificação mencionados (como motociclistas, motonetas, cadeiras de rodas, cabos, etc., enforcamento e cães e gatos).

• A inteligência artificial japonesa criou modelos de moda virtuais super-realistas

Então, quão preciso é este sistema de classificação avançado e poderá ser amplamente aplicado num futuro próximo? Segundo os pesquisadores, eles têm precisão média de até 91,46% na classificação de objetos e são ainda mais precisos quando compartilham o mesmo conjunto de características. Claramente, a maioria dos erros de classificação ocorre frequentemente entre peões e grupos de peões devido às semelhanças complexas entre estas duas categorias. Ao mesmo tempo, existem também alguns outros casos de confusão relacionados às características e forma dos objetos. Por exemplo, o sistema pode identificar erroneamente entre uma pessoa em cadeira de rodas e uma pessoa em uma pequena scooter.

Deixando de lado as pequenas falhas acima mencionadas, a equipe de pesquisa acredita que esta estrutura proposta pode permitir novos insights sobre a importância dos recursos para o reconhecimento entre categorias individualmente, o que é crucial para o desenvolvimento de novos algoritmos, bem como requisitos para sistemas de sensores. . Além disso, a capacidade de reconhecer dinamicamente objetos de diversas categorias com objetos vistos em dados de treinamento também desempenha um papel importante no desenvolvimento da tecnologia de veículos autônomos em geral.

• IA usa dados de WiFi para estimar o número de pessoas em uma sala

No futuro, os cientistas planejam melhorar os resultados atuais aplicando técnicas de processamento de sinais de alta resolução, que podem ajudar a aumentar a resolução do radar em termos de alcance e ângulo de impacto, dinâmico e Doppler.