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 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