Yapay zeka, radarı kullanarak yoldaki nesneleri zaten sınıflandırabiliyor

Geleceğin modern otonom arabaları, radar verilerine dayanarak arabalar, kamyonlar ve yayalar gibi trafikteki nesneleri gerçekten doğru bir şekilde ayırt edebilecek mi? Bu mümkün ve hepsi yapay zeka sayesinde. Geçen hafta Arxiv.org'da yayınlanan "Radar Tabanlı Yol Kullanıcısı Sınıflandırması ve Tekrarlayan Sinir Ağı Topluluklarıyla Yenilik Tespiti" başlıklı yeni bir araştırma makalesinde, Daimler otomobil şirketinden bilim insanları, Tekrarlayan Sinir Ağlarına dayalı trafik ve yeni tespit ve Almanya'nın Kassel Üniversitesi, yalnızca araçta bulunan radar sistemi aracılığıyla elde edilen verileri kullanarak trafiğe katılan araçların yanı sıra bireyleri de net bir şekilde sınıflandırabilen yeni bir makine öğrenimi çerçevesini ayrıntılı olarak açıkladı. Tanıtıma gerek yok, bu modelin özellikle otomobil endüstrisinde, genel olarak ise otonom araçların muhtemelen en çok fayda sağlayacağı ulaşım sektöründe uygulamaya uygun olduğu görülüyor.

• MIT neredeyse insan gibi hareket edebilen bir yapay zeka modeli geliştirmeye çalışıyor

Araştırma ekibi, "Genel sınıflandırma performansı, mevcut nesne tanıma yöntemleriyle karşılaştırıldığında önemli ölçüde geliştirilebilir ve buna ek olarak, tanınan nesne sayısı da daha fazla olacak ve buna doğruluk düzeyini önemli ölçüde iyileştiren iyileştirmeler eşlik edecek" dedi. Ayrıca bilim adamlarının açıklamalarına göre radar, görüş alanındaki birçok nesnenin hızını doğrudan ölçebilen ve özellikle diğer sensör türlerinden çok daha güçlü olan az sayıdaki sensör türlerinden biridir. sis, kar veya şiddetli yağmur. Ancak çok az cihaz %100 mükemmel olabilir ve radar sensörleri de istisna değildir. Diğer sensör türlerinin çoğuyla karşılaştırıldığında nispeten düşük açısal çözünürlüğe sahiptir, bu da verilerin ekranda yoğun ve net olarak gösterilmesini zorlaştırır.

Araştırma ekibinin bu durumda bulduğu çözüm, 80 uzun kısa süreli bellek (LSTM) hücresi veya özel yinelenen sinir ağlarından oluşan bir dizi sınıflandırıcı kullanmaktır (burada biyolojik nöronların yapısını taklit eden katmanlı matematiksel işlevler vardır - derin öğrenmede bir tekniktir) teknoloji) uzun vadeli bağımlılıkları öğrenme ve hatırlama yeteneğine sahiptir. Özellikle, bilim adamlarının yalnızca 98 özelliğin bir alt kümesini kullanması gerekir; özellikle aralık, açı, genlik, Doppler'in istatistiksel türevleri; geometrik özellikler ve Doppler değer dağılımı ile ilgili özellikler - süreç modeli eğitimi ve çıkarımı sırasında çok fazla bilgi işlem gücü gerektirmeden, tanımlanması gereken nesneler arasındaki temel farklılıkları belirlemek için.

• AI (Yapay Zeka) ve Bilişsel Hesaplama (Bilişsel Hesaplama) arasındaki fark

Bu makine öğrenimi modellerini eğitmek için araştırma ekibi, 3.800'den fazla gerçek hayattaki trafik katılımcısına ait 3 milyondan fazla veri noktası içeren bir veri kümesi buldu. Bu eğitim örnekleri, test aracının ön yarısına monte edilen (yaklaşık 100 metre menzilli) 4 adet radar sensörü aracılığıyla alınmaktadır. Ortaya çıkan makine öğrenimi tabanlı sınıflandırma modelleri eğitildikten sonra, tespit ettiği nesneleri (yayalar, yaya grupları, bisikletler, arabalar, kamyonlar ve atıklar dahil) nispeten yüksek doğrulukla ilgili kategorilere ayırabildi.

Spesifik olarak, "yaya grubu" kategorisi, sistemin radar verileri yoluyla elde edilen her bir bireyin görüntüleri arasındaki net ayrımı tanıyamadığı yaya verilerine atanacaktır. Öte yandan "çöp" ve "diğer" kategorileri arasında sistemin tanıyamadığı veya yanlış tanımlayamadığı garip nesneler ve araçlar yer alacak. Başka bir deyişle, bu iki kategoriye yerleştirilen nesnelerin yukarıda belirtilen diğer sınıflandırma gruplarından (motosikletçiler, scooterlar, tekerlekli sandalyeler, kablolar vb.) asılma ve kedi ve köpeklerden hiçbirine uymadığına karar verildi.

• Japon yapay zekası süper gerçekçi sanal moda modelleri yarattı

Peki bu gelişmiş sınıflandırma sistemi ne kadar doğrudur ve yakın gelecekte yaygın olarak uygulanabilir mi? Araştırmacılara göre, nesneleri sınıflandırmada ortalama %91,46'ya varan bir doğruluğa sahipler ve aynı özellik kümesini paylaşırken daha da doğru sonuçlar veriyorlar. Açıkçası, sınıflandırma hatalarının çoğu, bu iki kategori arasındaki karmaşık benzerlikler nedeniyle sıklıkla yayalar ve yaya grupları arasında meydana gelir. Aynı zamanda nesnelerin özellikleri ve şekilleriyle ilgili başka karışıklık durumları da vardır. Örneğin sistem, tekerlekli sandalyedeki bir kişi ile küçük bir scooter kullanan bir kişiyi yanlış tanımlayabilir.

Yukarıda belirtilen küçük kusurları bir kenara bırakırsak, araştırma ekibi, önerilen bu yapının, yeni algoritmaların geliştirilmesi ve sensör sistemleri gereksinimleri için hayati önem taşıyan, ayrı ayrı kategoriler arası tanıma için özelliklerin önemine ilişkin yeni anlayışlar sağlayabileceğine inanıyor. . Ayrıca eğitim verilerinde görülen nesnelerle birçok farklı kategorideki nesnelerin dinamik olarak tanınabilmesi de genel anlamda otonom araç teknolojisinin gelişmesinde önemli rol oynuyor.

• Yapay zeka, bir odadaki kişi sayısını tahmin etmek için WiFi verilerini kullanıyor

Gelecekte bilim insanları, darbe aralığı ve darbe açısı, dinamik ve Doppler açısından radar çözünürlüğünün artırılmasına yardımcı olabilecek yüksek çözünürlüklü sinyal işleme tekniklerini uygulayarak mevcut sonuçları iyileştirmeyi planlıyor.