AI สามารถจำแนกวัตถุบนท้องถนนโดยใช้เรดาร์ได้แล้ว

รถยนต์ขับเคลื่อนอัตโนมัติสมัยใหม่แห่งอนาคตจะสามารถแยกแยะระหว่างวัตถุในการจราจร เช่น ระหว่างรถยนต์ รถบรรทุก และคนเดินถนนได้อย่างแม่นยำ โดยอาศัยข้อมูลเรดาร์หรือไม่ ? เป็นไปได้ และทั้งหมดนี้ต้องขอบคุณ AI ในรายงานการวิจัยใหม่ที่ตีพิมพ์บน Arxiv.org เมื่อสัปดาห์ที่แล้ว โดยมีชื่อว่า "การจำแนกผู้ใช้ถนนด้วยเรดาร์และการตรวจจับสิ่งแปลกใหม่ด้วยเครือข่ายประสาทที่เกิดซ้ำ" นักวิทยาศาสตร์จากบริษัทรถยนต์เดมเลอร์ และมหาวิทยาลัยคาสเซิล ประเทศเยอรมนี ได้ให้รายละเอียดเกี่ยวกับกรอบการทำงานของแมชชีนเลิร์นนิงแบบใหม่ที่สามารถจำแนกระบุตัวบุคคลและยานพาหนะที่เข้าร่วมในการจราจรได้อย่างชัดเจน โดยใช้เฉพาะข้อมูลที่ได้รับผ่านระบบเรดาร์ที่ติดตั้งอยู่บนยานพาหนะเท่านั้น ไม่ต้องแนะนำก็จะเห็นได้ว่ารุ่นนี้เหมาะเป็นอย่างยิ่งสำหรับการใช้งานในอุตสาหกรรมยานยนต์โดยเฉพาะและภาคการขนส่งโดยทั่วไปซึ่งยานยนต์ขับเคลื่อนอัตโนมัติน่าจะเป็นด้านที่ได้รับความนิยมมากที่สุดและเกิดประโยชน์สูงสุด

• MIT มุ่งมั่นที่จะพัฒนาโมเดล AI ที่สามารถขับเคลื่อนได้เกือบเหมือนมนุษย์

“ประสิทธิภาพการจำแนกโดยรวมสามารถปรับปรุงได้อย่างมีนัยสำคัญเมื่อเปรียบเทียบกับวิธีการจดจำวัตถุในปัจจุบัน และนอกจากนี้ จำนวนวัตถุที่รับรู้ก็จะเพิ่มมากขึ้น ควบคู่ไปกับการปรับปรุงช่วยเพิ่มระดับความแม่นยำอย่างมีนัยสำคัญ” ทีมวิจัยกล่าว นอกจากนี้ ตามคำอธิบายของนักวิทยาศาสตร์ เรดาร์เป็นหนึ่งในเซ็นเซอร์ไม่กี่ประเภทที่สามารถวัดความเร็วของวัตถุจำนวนมากที่มองเห็นได้โดยตรงและมีพลังมากกว่าเซ็นเซอร์ประเภทอื่นมากเป็นพิเศษ เซ็นเซอร์อื่นๆ เมื่อทำงานในสภาพอากาศไม่เอื้ออำนวย เช่น หมอก หิมะ หรือฝนตกหนัก อย่างไรก็ตาม มีอุปกรณ์เพียงไม่กี่ชิ้นที่สามารถสมบูรณ์แบบ 100% และเซ็นเซอร์เรดาร์ก็ไม่มีข้อยกเว้น มีความละเอียดเชิงมุมค่อนข้างต่ำเมื่อเทียบกับเซนเซอร์ประเภทอื่นๆ ส่วนใหญ่ ทำให้ยากต่อการแสดงข้อมูลที่หนาแน่นและชัดเจนบนหน้าจอ

วิธีแก้ปัญหาของทีมวิจัยในกรณีนี้คือการใช้ชุดตัวแยกประเภทที่ประกอบด้วยเซลล์หน่วยความจำระยะสั้นยาว (LSTM) 80 เซลล์หรือโครงข่ายประสาทที่เกิดซ้ำพิเศษ (นี่คือฟังก์ชันทางคณิตศาสตร์แบบชั้นที่เลียนแบบโครงสร้างของเซลล์ประสาทชีวภาพ - เทคนิคในการเรียนรู้เชิงลึก เทคโนโลยี) สามารถเรียนรู้และจดจำการพึ่งพาในระยะยาวได้ โดยเฉพาะอย่างยิ่ง นักวิทยาศาสตร์จำเป็นต้องใช้เพียงชุดย่อยของคุณลักษณะ 98 รายการ โดยเฉพาะอนุพันธ์ทางสถิติของพิสัย มุม แอมพลิจูด ดอปเปลอร์ ลักษณะทางเรขาคณิต และคุณลักษณะที่เกี่ยวข้องกับการกระจายค่าดอปเปลอร์ - เพื่อกำหนดความแตกต่างหลักระหว่างวัตถุที่ต้องระบุ ในขณะที่ไม่ต้องการพลังการคำนวณมากเกินไปในการฝึกอบรมโมเดลกระบวนการและการอนุมาน

• ความแตกต่างระหว่าง AI (ปัญญาประดิษฐ์) และคอมพิวเตอร์ทางปัญญา (Cognitive Computing)

เพื่อฝึกโมเดลแมชชีนเลิร์นนิงเหล่านี้ ทีมวิจัยพบชุดข้อมูลที่มีจุดข้อมูลมากกว่า 3 ล้านจุดจากผู้เข้าร่วมการจราจรในชีวิตจริงมากกว่า 3,800 ราย ตัวอย่างการฝึกอบรมเหล่านี้ได้รับผ่านเซ็นเซอร์เรดาร์ 4 ตัวที่ติดตั้งอยู่ที่ครึ่งหน้าของรถทดสอบ (ในระยะประมาณ 100 เมตร) เมื่อได้รับการฝึกอบรมแล้ว ผลลัพธ์ที่ได้คือแบบจำลองการจำแนกตามการเรียนรู้ของเครื่องสามารถจัดเรียงวัตถุที่ตรวจพบได้ รวมถึง: คนเดินถนน กลุ่มคนเดินถนน จักรยาน รถยนต์ รถบรรทุก และขยะ ให้เป็นหมวดหมู่ที่สอดคล้องกันด้วยความแม่นยำสูง

โดยเฉพาะหมวดหมู่ "กลุ่มคนเดินถนน" จะถูกกำหนดให้กับข้อมูลคนเดินเท้า ซึ่งระบบไม่สามารถรับรู้การแยกที่ชัดเจนระหว่างภาพของแต่ละคนที่ได้รับผ่านข้อมูลเรดาร์ ในทางกลับกัน หมวดหมู่ "ขยะ" และ "อื่นๆ" จะรวมถึงวัตถุและยานพาหนะแปลก ๆ ที่ระบบไม่สามารถจดจำหรือระบุผิดพลาดได้ กล่าวอีกนัยหนึ่ง สิ่งของที่อยู่ในสองประเภทนี้ถูกตัดสินว่าไม่เข้าข่ายการจัดหมวดหมู่อื่นๆ ที่กล่าวมาข้างต้น (เช่น นักขี่มอเตอร์ไซค์ สกู๊ตเตอร์ รถเข็น สายไฟ ฯลฯ) การแขวนคอ และแมวและสุนัข)

• ปัญญาประดิษฐ์ของญี่ปุ่นได้สร้างโมเดลแฟชั่นเสมือนจริงที่สมจริงมาก

แล้วระบบการจำแนกขั้นสูงนี้มีความแม่นยำเพียงใด และจะสามารถนำไปใช้อย่างกว้างขวางในอนาคตอันใกล้นี้ได้หรือไม่? ตามที่นักวิจัยระบุว่า พวกเขามีความแม่นยำโดยเฉลี่ยสูงถึง 91.46% ในการจำแนกวัตถุ และยิ่งแม่นยำยิ่งขึ้นเมื่อแบ่งปันคุณลักษณะชุดเดียวกัน เห็นได้ชัดว่าข้อผิดพลาดในการจำแนกประเภทส่วนใหญ่มักเกิดขึ้นระหว่างคนเดินถนนและกลุ่มคนเดินถนน เนื่องจากความคล้ายคลึงกันที่ซับซ้อนระหว่างทั้งสองประเภทนี้ ในขณะเดียวกันก็ยังมีกรณีอื่นที่ทำให้เกิดความสับสนเกี่ยวกับลักษณะและรูปร่างของวัตถุอีกด้วย ตัวอย่างเช่น ระบบอาจระบุผิดพลาดระหว่างผู้นั่งรถเข็นและผู้ขี่สกู๊ตเตอร์ขนาดเล็ก

นอกเหนือจากข้อบกพร่องเล็กๆ น้อยๆ ที่กล่าวมาข้างต้น ทีมวิจัยเชื่อว่าโครงสร้างที่เสนอนี้สามารถให้ข้อมูลเชิงลึกใหม่ๆ เกี่ยวกับความสำคัญของคุณลักษณะสำหรับการรับรู้ข้ามหมวดหมู่ เป็นรายบุคคล ซึ่งเป็นสิ่งสำคัญสำหรับการพัฒนาอัลกอริทึมใหม่ตลอดจนข้อกำหนดสำหรับระบบเซ็นเซอร์ . นอกจากนี้ ความสามารถในการจดจำวัตถุแบบไดนามิกจากหลายประเภทด้วยวัตถุที่เห็นในข้อมูลการฝึกอบรมยังมีบทบาทสำคัญในการพัฒนาเทคโนโลยียานยนต์ไร้คนขับโดยทั่วไปอีกด้วย

• AI ใช้ข้อมูล WiFi เพื่อประมาณจำนวนคนในห้อง

ในอนาคต นักวิทยาศาสตร์วางแผนที่จะปรับปรุงผลลัพธ์ในปัจจุบันโดยใช้เทคนิคการประมวลผลสัญญาณความละเอียดสูงซึ่งสามารถช่วยเพิ่มความละเอียดของเรดาร์ในแง่ของช่วงการกระแทกและมุมการกระแทก ไดนามิก และดอปเปลอร์