Narzędzia poprawiające bezpieczeństwo autonomicznych pojazdów

Naukowcy z University of Toronto Institute for Aerospace Studies (UTIAS) wprowadzili innowacyjne narzędzia, które mogą znacząco poprawić bezpieczeństwo i niezawodność autonomicznych pojazdów. Ich rozwiązania skupiają się na procesie śledzenia wielu obiektów, kluczowym dla systemów planowania tras samochodów autonomicznych w zatłoczonych obszarach miejskich.

Zbieranie danych o pozycjach i ruchu obiektów

Informacje o pozycjach i ruchu obiektów, takich jak pojazdy, piesi i rowerzyści, są zbierane z sensorów komputerowej wizji (obrazy z kamer 2D i skany 3D LIDAR). Dane te są filtrowane co 10 milisekund, aby przewidzieć przyszły ruch obiektów. „Pozwala to robotowi na rozwinięcie pewnej formy rozumowania o swoim otoczeniu,” wyjaśnia Sandro Papais, doktorant w UTIAS. „Na przykład, robot może wykryć pieszego przechodzącego przez ulicę lub rowerzystę zmieniającego pas.”

Prezentacja narzędzia Sliding Window Tracker

Na konferencji International Conference on Robotics and Automation w Yokohamie w Japonii, Papais oraz współautorzy Robert Ren i profesor Steven Waslander zaprezentowali narzędzie Sliding Window Tracker (SWTrack). To metoda optymalizacji grafowej, która wykorzystuje dodatkowe informacje czasowe, aby uniknąć pomijania obiektów. SWTrack umożliwia robotom analizowanie ruchu obiektów z większą precyzją, rozszerzając okno czasowe analizy do pięciu sekund.

Testy algorytmu na danych z nuScenes

Testy algorytmu na danych zebranych przez dataset nuScenes wykazały, że wydłużenie okna czasowego poprawia skuteczność śledzenia. Po pięciu sekundach wydajność algorytmu jednak spadała ze względu na czas potrzebny na przetwarzanie danych.

Projekt UncertaintyTrack

Drugi projekt, UncertaintyTrack, opracowany przez studenta Chang Won (John) Lee, wprowadza probabilistyczne metody wykrywania obiektów, które oceniają niepewność detekcji. Pozwala to na identyfikowanie momentów, w których detekcje mogą być błędne, co jest kluczowe dla zadań o wysokim poziomie bezpieczeństwa.

Rozwój rozumowania czasowego robotów

Profesor Waslander podkreśla, że prace jego zespołu koncentrują się na ocenie niepewności percepcji i rozszerzaniu rozumowania czasowego robotów, co jest kluczowe dla wdrażania robotów w otwartym świecie.

System bio-inspirowanej kamery z AI

Naukowcy z Uniwersytetu w Zurychu opracowali system łączący sztuczną inteligencję z nowatorską bio-inspirowaną kamerą, co pozwala na 100-krotnie szybsze wykrywanie pieszych i przeszkód niż obecne kamery samochodowe. System ten, opublikowany w Nature, może znacząco poprawić bezpieczeństwo systemów motoryzacyjnych i autonomicznych pojazdów.

Eliminacja ślepych punktów między klatkami

Obecne kamery wykorzystywane w samochodach rejestrują obrazy w stałych odstępach czasu, co może prowadzić do pominięcia szybkich zdarzeń. Nowe kamery eventowe rejestrują informacje w momencie wykrycia szybkiego ruchu, eliminując problem „ślepych punktów” między klatkami.

Hybrydowy system wykrywania obiektów

Daniel Gehrig i Davide Scaramuzza stworzyli hybrydowy system, który łączy tradycyjną kamerę z kamerą eventową. Dane z kamer są przetwarzane przez zaawansowane sieci neuronowe, co pozwala na szybsze i bardziej efektywne wykrywanie obiektów, nawet tych, które pojawiają się między klatkami standardowej kamery.

Wyniki testów na rynku motoryzacyjnym

System testowany na rynku motoryzacyjnym wykazał, że jest on 100 razy szybszy w detekcji, jednocześnie redukując ilość przesyłanych danych oraz wymaganą moc obliczeniową. Metoda ta może zostać w przyszłości udoskonalona przez integrację z sensorami LiDAR, co jest kluczowe dla autonomicznej jazdy.

Kluczowe znaczenie rozwoju systemów wykrywających obiekty

Rozwój takich systemów jest kluczowy dla zwiększenia bezpieczeństwa na drogach, zarówno dla kierowców, jak i innych uczestników ruchu.