ИИ уже может классифицировать объекты на дороге с помощью радара

Смогут ли современные автономные автомобили будущего действительно точно различать объекты в дорожном движении, например, автомобили, грузовики и пешеходов, на основе данных радара? Это возможно, и все это благодаря ИИ. В новой исследовательской статье, опубликованной на Arxiv.org на прошлой неделе под заголовком: «Классификация участников дорожного движения на основе радара и обнаружение новинок с помощью рекуррентных ансамблей нейронных сетей». и Университет Касселя, Германия, подробно описали новую систему машинного обучения, которая может четко классифицировать людей, а также транспортные средства, участвующие в дорожном движении, используя только данные, полученные с помощью радиолокационной системы, установленной на транспортном средстве. Нет необходимости в представлении, видно, что эта модель особенно подходит для применения в автомобильной промышленности в частности и транспортном секторе в целом, где беспилотные транспортные средства, вероятно, будут наиболее популярным аспектом и принесут наибольшую пользу.

• MIT стремится разработать модель искусственного интеллекта, которая сможет водить машину почти как человек

«Общая производительность классификации может быть значительно улучшена по сравнению с текущими методами распознавания объектов, и, кроме того, количество распознаваемых объектов также будет больше, что сопровождается улучшениями, значительно повышающими уровень точности», — заявила исследовательская группа. Кроме того, по объяснениям ученых, радар является одним из немногих типов датчиков, которые могут напрямую измерять скорость многих объектов в поле зрения, и при работе в неблагоприятных погодных условиях, таких как туман, снег или сильный дождь. Однако немногие устройства могут быть на 100% идеальными, и радарные датчики не являются исключением. Он имеет относительно низкое угловое разрешение по сравнению с большинством других типов датчиков, что затрудняет представление плотных и четких данных на экране.

Решение исследовательской группы в этом случае — использовать набор классификаторов, состоящий из 80 ячеек длинной краткосрочной памяти (LSTM) или специальных рекуррентных нейронных сетей (здесь многоуровневые математические функции, имитирующие структуру биологических нейронов — метод глубокого обучения). технологии), способные обучаться и запоминать долгосрочные зависимости. В частности, ученым нужно использовать только подмножество из 98 признаков, а именно, статистические производные дальности, угла, амплитуды, доплеровского картирования; геометрические характеристики и особенности, связанные с распределением доплеровских значений, - для определения основных различий между объектами, которые необходимо идентифицировать, не требуя при этом слишком больших вычислительных мощностей при обучении модели процесса и выводе.

• Разница между ИИ (искусственным интеллектом) и когнитивными вычислениями (когнитивными вычислениями)

Для обучения этих моделей машинного обучения исследовательская группа нашла набор данных, содержащий более 3 миллионов точек данных о более чем 3800 реальных участниках дорожного движения. Эти учебные образцы принимаются через 4 радиолокационных датчика, установленных на передней половине испытательного автомобиля (с дальностью действия около 100 метров). После обучения полученные модели классификации на основе машинного обучения смогли сортировать обнаруженные объекты, в том числе: пешеходов, группы пешеходов, велосипеды, автомобили, грузовики и мусор, на соответствующие категории с относительно высокой точностью.

В частности, категория «группа пешеходов» будет присвоена данным о пешеходах, в которых система не может распознать четкое разделение между изображениями каждого человека, полученными с помощью радиолокационных данных. С другой стороны, категории «мусор» и «другое» будут включать в себя странные объекты и транспортные средства, которые система не сможет распознать или ошибочно идентифицировать. Другими словами, объекты, отнесенные к этим двум категориям, были признаны не вписывающимися ни в одну из других вышеупомянутых классификационных групп (таких как мотоциклисты, скутеры, инвалидные коляски, тросы и т. д.), висящие, кошки и собаки).

• Японский искусственный интеллект создал суперреалистичные виртуальные манекенщицы

Насколько точна эта продвинутая система классификации и может ли она широко применяться в ближайшем будущем? По словам исследователей, они имеют среднюю точность классификации объектов до 91,46% и еще более точны при использовании одного и того же набора характеристик. Очевидно, что большинство ошибок классификации часто происходит между пешеходами и группами пешеходов из-за сложного сходства между этими двумя категориями. В то же время имеют место и другие случаи путаницы, связанные с характеристиками и формой предметов. Например, система может ошибочно распознать человека в инвалидной коляске и человека, едущего на небольшом скутере.

Оставляя в стороне вышеупомянутые незначительные недостатки, исследовательская группа считает, что предложенная структура может позволить по-новому взглянуть на важность функций для межкатегорийного распознавания индивидуально, что имеет решающее значение для разработки новых алгоритмов, а также требований к сенсорным системам. . Кроме того, способность динамически распознавать объекты из множества различных категорий с объектами, видимыми в обучающих данных, также играет важную роль в развитии технологии беспилотных транспортных средств в целом.

• ИИ использует данные Wi-Fi для оценки количества людей в комнате

В будущем ученые планируют улучшить текущие результаты, применив методы обработки сигналов высокого разрешения, которые могут помочь увеличить разрешение радара с точки зрения дальности воздействия и угла удара, динамического и доплеровского.