人工智慧已經可以使用雷達對道路上的物體進行分類

未來的現代自動駕駛汽車真的能夠根據雷達數據準確地區分交通中的物體，例如汽車、卡車和行人嗎？？這是可能的，而這一切都歸功於人工智慧。戴姆勒汽車公司的科學家上週在Arxiv.org 上發表了一篇題為“基於雷達的道路用戶分類和循環神經網絡集成的新穎性檢測”（基於循環神經網絡的交通和新穎性檢測）的新研究論文。德國卡塞爾大學詳細介紹了一種新穎的機器學習框架，該框架可以僅使用通過車輛上配備的雷達系統獲得的數據來清楚地分類識別個人以及參與交通的車輛。無需介紹，可以看出，這種模式特別適合在汽車行業和一般交通運輸領域應用，其中自動駕駛汽車可能是最受歡迎的方面，受益最大。

• 麻省理工學院致力於開發一種幾乎可以像人類一樣駕駛的人工智慧模型

研究團隊表示：“與目前的物體識別方法相比，整體分類性能可以顯著提高，此外，識別的物體數量也會更多，隨之而來的是準確度水平的顯著提高。” 此外，根據科學家的解釋，雷達是少數幾種可以直接測量視線內許多物體速度的感測器之一，尤其比其他類型的感測器更強大。當其他感測器在惡劣天氣條件下工作時，例如霧、雪或大雨。然而，很少有設備能夠 100% 完美，雷達感測器也不例外。與大多數其他類型的感測器相比，它的角分辨率相對較低，因此很難在螢幕上表示密集且清晰的數據。

研究小組在這種情況下的解決方案是使用一組由80 個長短期記憶(LSTM) 細胞組成的分類器或特殊的循環神經網路（這裡是模仿生物神經元結構的分層數學函數- 深度學習中的一種技術）技術）能夠學習並記住長期依賴關係。特別是，科學家只需要使用 98 個特徵的子集 - 具體來說，距離、角度、幅度、多普勒的統計導數；幾何特徵，以及與多普勒值分佈相關的特徵——確定需要識別的物體之間的主要差異，同時在模型訓練和推理的過程中不需要太多的計算能力。

• AI（人工智慧）和認知運算（認知運算）的區別

為了訓練這些機器學習模型，研究團隊找到了一個資料集，其中包含超過 3,800 名現實生活中的交通參與者的超過 300 萬個數據點。這些訓練樣本是透過安裝在測試車輛前半部的4個雷達感測器接收的（範圍約100公尺）。經過訓練後，基於機器學習的分類模型能夠將其偵測到的物體（包括：行人、行人群體、自行車、汽車、卡車和廢棄物）分類到相應的類別中，且準確度相對較高。

具體來說，「行人群體」類別將被分配給系統無法識別透過雷達資料獲得的每個人的影像之間的清晰分離的行人資料。另一方面，「垃圾」和「其他」類別將包括系統無法識別或錯誤識別的奇怪物體和車輛。換句話說，放置在這兩個類別中的物體被判斷為不適合任何其他前述分類組（例如摩托車手、踏板車、輪椅、電纜等、懸掛物和貓狗）。

• 日本人工智慧打造超逼真虛擬時裝模特

那麼這種先進的分類系統的準確度如何，在不久的將來能否廣泛應用呢？研究人員表示，它們對物件進行分類的平均準確率高達 91.46%，並且在共享同一組特徵時更加準確。顯然，由於行人和行人群體之間存在複雜的相似性，大多數分類錯誤通常發生在這兩個類別之間。同時，也存在一些與物體的特徵和形狀有關的其他混淆情況。例如，系統可能會錯誤識別坐輪椅的人和騎小型踏板車的人。

撇開上述小缺陷不談，研究團隊認為，這種提出的結構可以讓人們對跨類別識別中特徵的重要性有新的認識，這對於新演算法的開發以及感測器系統的要求至關重要。此外，利用訓練資料中看到的物體動態識別許多不同類別的物體的能力在自動駕駛汽車技術的發展中也發揮著重要作用。

• AI 使用 WiFi 數據來估計房間內的人數

未來，科學家計劃透過應用高解析度訊號處理技術來改進當前結果，這有助於提高雷達在撞擊範圍、撞擊角度、動態和多普勒方面的分辨率。