Radar DNN – Nvidia Drive Labs prezentuje wykorzystanie sztucznej inteligencji w pojazdach autonomicznych

Nvidia Drive Labs zaprezentowała radar DNN, czyli połączenie działanie sztucznej inteligencji i radarów w pojazdach autonomicznych. Inteligentne rozwiązania programowe pomagają rozwiązać wady tradycyjnego przetwarzania sygnału radarowego w rozróżnianiu obiektów ruchomych i nieruchomych. Dzięki temu pojazdy autonomiczne mogą szybciej i precyzyjniej określać i oceniać zachowanie obiektów na drogach.

Radary w pojazdach autonomicznych

Autonomiczne pojazdy muszą wykrywać ruch uliczny, który je otacza, ale też odróżniać obiekty poruszające się od stacjonarnych. W tym celu większość pojazdów autonomicznych korzysta z radarów i kamer, ale nieliczne, jak Tesla, wykorzystują tylko kamery.

Na pierwszy rzut oka percepcja wykorzystująca kamery może wydawać się wystarczająca do oceny otoczenia. Jednak słabe oświetlenie, niesprzyjająca pogoda lub warunki, w których jedne obiekty są w większości zasłonięte przez inne, mogą wpływać na poprawność oceny. Oznacza to, że różnorodne i nadmiarowe czujniki, takie jak radar, powinny wspomagać działanie kamer. Jednak dodatkowe czujniki radarowe, które wykorzystują tylko tradycyjne przetwarzanie, mogą nie wystarczyć.

Tradycyjne działanie radarów polega na analizie gęstości i siły odbić sygnałów powracających od obiektów w środowisku. Jeśli powróci wystarczająco silne i gęste skupisko odbić, klasyczne przetwarzanie radarowe może określić, że jest to prawdopodobnie jakiś duży obiekt. Jeśli zdarza się, że ta grupa również się porusza w czasie, to prawdopodobnie jest to pojazd.

To podejście może dobrze działać w przypadku wnioskowania o poruszającym się pojeździe. To samo może nie być prawdą w przypadku pojazdu stacjonarnego. W tym przypadku obiekt tworzy gęste skupisko odbić, ale się nie porusza. Zgodnie z klasycznym przetwarzaniem radarowym oznacza to, że obiekt może być balustradą, zepsutym samochodem, wiaduktem autostradowym lub jakimś innym obiektem. Podejście to często nie pozwala na konkretne rozróżnienie.

Radar DNN – urządzenie wspomagane sztuczną inteligencją

Jednym ze sposobów na rozwiazanie takich problemów jest sztuczna inteligencja w postaci głębokiej sieci neuronowej (DNN).

Nvidia skupiła się na szkoleniu DNN w wykrywaniu ruchomych i nieruchomych obiektów. Dodatkowo także w dokładnym rozróżnianiu przeszkód stacjonarnych przy użyciu danych z czujników radarowych. Pierwszym problemem, jaki napotkano, była znikoma ilość danych radarowych, które powracają do czujników. Oznaczenie na zgromadzonych danych obiektów jest dla człowieka bardzo trudne.

lidar-vs-radar-dnn-nvidia-pojazdy-autonomiczne

Lidar może tworzyć trójwymiarowe obrazy otaczających go obiektów za pomocą impulsów laserowych. W ten sposób dane dotyczące bazy danych dla DNN zostały utworzone poprzez propagację etykiet pól ograniczających z odpowiedniego zestawu danych lidaru na dane radarowe, jak pokazano na rysunku powyżej.

Dzięki temu procesowi radar DNN nie tylko uczy się wykrywania samochodów, ale także ich trójwymiarowego kształtu, wymiarów i orientacji, czego nie są w stanie zapewnić klasyczne metody. Dzięki tym dodatkowym informacjom radar DNN jest w stanie rozróżnić różne typy przeszkód, nawet jeśli są one stacjonarne.

Zwiększenie dokładności postrzegania 3D przez radar DNN pozwala oprogramowaniu lepiej przewidywać, planować i sterować pojazdami autonomicznymi. Jest to szczególnie ważne w przypadku trudnych sytuacji, gdzie po drodze porusza się wiele obiektów wzajemnie się zasłaniających, a także są tam przeszkody stacjonarne.

Tego typu rozwiązania przyczyniają się do dokładniejszej percepcji otoczenia przez systemy w pojazdach autonomicznych, które coraz częściej pojawiają się na ulicach miast. Mamy nadzieję, że wkrótce będziemy mogli sprawdzić je w działaniu i że faktycznie wpłyną na poprawę bezpieczeństwa na drogach.

Źródło: Nvidia

0 0 votes
Article Rating
Powiadomienia
Powiadom o
0 komentarzy
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x