AI poate clasifica deja obiectele de pe drum folosind radar

Mașinile autonome moderne ale viitorului vor putea într-adevăr să distingă cu precizie între obiectele din trafic, cum ar fi între mașini, camioane și pietoni, pe baza datelor radar? Este posibil și totul se datorează inteligenței artificiale. Într-o nouă lucrare de cercetare publicată pe Arxiv.org săptămâna trecută, cu titlul: „Radar-based Road User Classification and Novelty Detection with Recurrent Neural Network Ensembles”. trafic and novel detection based on Recurrent Neural Networks), oamenii de știință de la corporația de automobile Daimler și Universitatea din Kassel, Germania, au detaliat un nou cadru de învățare automată care poate clasifica în mod clar persoanele identificate, precum și vehiculele care participă la trafic, folosind numai datele obținute prin sistemul radar echipat pe vehicul. Nu este nevoie de introducere, se poate observa că acest model este potrivit în special pentru aplicarea în industria auto în special și în sectorul transporturilor în general, în care vehiculele autonome vor fi probabil cel mai popular aspect.beneficiar cel mai mult.

• MIT se străduiește să dezvolte un model AI care poate conduce aproape ca un om

„Performanța generală de clasificare poate fi îmbunătățită semnificativ în comparație cu metodele actuale de recunoaștere a obiectelor și, în plus, numărul de obiecte recunoscute va fi, de asemenea, mai mare, însoțit de îmbunătățiri care au îmbunătățit semnificativ nivelul de precizie”, a spus echipa de cercetare. În plus, conform explicațiilor oamenilor de știință, radarul este unul dintre puținele tipuri de senzori care pot măsura direct viteza multor obiecte la vedere și este mai ales mult mai puternic decât alte tipuri de senzori.alți senzori atunci când funcționează în condiții meteorologice nefavorabile precum ceață, zăpadă sau ploaie abundentă. Cu toate acestea, puține dispozitive pot fi 100% perfecte, iar senzorii radar nu fac excepție. Are o rezoluție unghiulară relativ scăzută în comparație cu majoritatea celorlalte tipuri de senzori, ceea ce face dificilă reprezentarea datelor dense și clare pe ecran.

Soluția echipei de cercetare în acest caz este utilizarea unui set de clasificatoare constând din 80 de celule de memorie pe termen lung (LSTM) sau rețele neuronale recurente speciale (aici sunt funcții matematice stratificate care imită structura neuronilor biologici - o tehnică în învățarea profundă). tehnologie) capabilă să învețe și să-și amintească dependențe pe termen lung. În special, oamenii de știință trebuie să utilizeze doar un subset de 98 de caracteristici - în special, derivate statistice ale intervalului, unghiului, amplitudinii, Doppler; caracteristici geometrice și caracteristici legate de distribuția valorilor Doppler - pentru a determina principalele diferențe dintre obiectele care trebuie identificate, fără a necesita în același timp prea multă putere de calcul în antrenamentul și inferența modelului de proces.

• Diferența dintre AI (Inteligenta Artificială) și Cognitive Computing (Cognitive Computing)

Pentru a antrena aceste modele de învățare automată, echipa de cercetare a găsit un set de date care conține mai mult de 3 milioane de puncte de date a peste 3.800 de participanți la trafic din viața reală. Aceste mostre de antrenament sunt primite prin intermediul a 4 senzori radar montați pe jumătatea din față a vehiculului de testare (cu o rază de acțiune de aproximativ 100 de metri). Odată instruite, modelele de clasificare bazate pe învățarea automată rezultate au putut sorta obiectele pe care le-a detectat, inclusiv: pietoni, grupuri de pietoni, biciclete, mașini, camioane și deșeuri, în categorii corespunzătoare cu o precizie relativ ridicată.

Mai exact, categoria „grup de pietoni” va fi atribuită datelor pietonilor în care sistemul nu poate recunoaște o separare clară între imaginile fiecărui individ obținute prin datele radar. Pe de altă parte, categoriile „gunoi” și „alte” vor include obiecte și vehicule ciudate pe care sistemul nu le poate recunoaște sau le poate identifica greșit. Cu alte cuvinte, obiectele plasate în aceste două categorii au fost apreciate ca nu se încadrează în niciuna dintre celelalte grupuri de clasificare menționate mai sus (cum ar fi motocicliști, scutere, scaune cu rotile, cabluri etc.), agățate și pisici și câini).

• Inteligența artificială japoneză a creat modele de modă virtuale super realiste

Deci, cât de precis este acest sistem avansat de clasificare și poate fi aplicat pe scară largă în viitorul apropiat? Potrivit cercetătorilor, acestea au o precizie medie de până la 91,46% în clasificarea obiectelor și sunt și mai precise atunci când împărtășesc același set de caracteristici. În mod clar, majoritatea erorilor de clasificare apar adesea între pietoni și grupuri de pietoni din cauza asemănărilor complexe dintre aceste două categorii. În același timp, există și alte cazuri de confuzie legate de caracteristicile și forma obiectelor. De exemplu, sistemul poate identifica greșit între o persoană într-un scaun cu rotile și o persoană care conduce un scuter mic.

Lăsând deoparte defectele minore menționate mai sus, echipa de cercetare consideră că această structură propusă poate permite noi perspective asupra importanței caracteristicilor pentru recunoașterea între categorii, în mod individual, ceea ce este crucial pentru dezvoltarea de noi algoritmi, precum și cerințele pentru sistemele de senzori. . În plus, capacitatea de a recunoaște în mod dinamic obiecte din multe categorii diferite cu obiecte văzute în datele de antrenament joacă, de asemenea, un rol important în dezvoltarea tehnologiei vehiculelor autonome în general.

• AI folosește datele WiFi pentru a estima numărul de persoane dintr-o cameră

În viitor, oamenii de știință intenționează să îmbunătățească rezultatele actuale prin aplicarea tehnicilor de procesare a semnalului de înaltă rezoluție, care pot ajuta la creșterea rezoluției radar în ceea ce privește raza de impact și unghiul de impact, dinamic și Doppler.