Autonoomsed sõidukid vajavad liikluses navigeerimiseks ja teel takistuste vältimiseks objektide tuvastussüsteeme. Praeguste meetodite tuvastusvõime väheneb aga sageli sageli halbade ilmastikuolude või struktureerimata teede tõttu. Nüüd on teadlased välja töötanud asjade interneti-toega süvaõppe 3D-objektide tuvastamise süsteemi, millel on täiustatud tuvastamisvõimalused isegi ebasoodsates tingimustes.
Autonoomsed sõidukid võimaldavad lahendada liiklusummikuid, parandada liiklusvoogu sõidukitevahelise suhtluse kaudu ja muuta reisikogemust revolutsiooniliseks, pakkudes mugavaid ja ohutuid sõite. Lisaks võib autonoomse sõidutehnoloogia integreerimine elektrisõidukitesse aidata kaasa keskkonnasõbralikumatele transpordilahendustele.
Autonoomsete sõidukite edu kriitilise tähtsusega nõue on nende võime tuvastada takistusi, jalakäijaid ja muid sõidukeid erinevates keskkondades ja nende ümber liikuda.
Praegused autonoomsed sõidukid kasutavad nutikaid andureid, nagu LiDAR´id (Light Detection and Ranging) ümbritseva 3D-vaate ja sügavuse teabe saamiseks, RADaR´id (Radio Detection and Ranging) objektide tuvastamiseks öösel ja pilves ilmaga ning kaamerate komplekte RGB piltide ja 360-kraadise vaate saamiseks. Need moodustavad ühiselt tervikliku andmestiku, mida nimetatakse punktipilveks.
Need andurid seisavad sageli silmitsi probleemidega, nagu tuvastamisvõime vähenemine ebasoodsate ilmastikutingimuste korral ning struktureerimata teede tõttu.
Nende puuduste ületamiseks on rahvusvaheline teadlaste meeskond professor Gwanggil Jeoni juhtimisel hiljuti välja töötanud murrangulise asjade Interneti-toega süvaõppepõhise lõpplahenduse – täielik 3D-objektide tuvastamise süsteem.
“Meie pakutud süsteem töötab reaalajas, täiustades autonoomsete sõidukite objektide tuvastamise võimalusi, muutes liikluses navigeerimise sujuvamaks ja ohutumaks,” selgitas professor Jeon.
Kavandatav uuenduslik süsteem on üles ehitatud YOLOv3 (You Only Look Once) süvaõppeobjektide tuvastamise tehnikale, mis on kõige aktiivsem 2D visuaalseks tuvastamiseks saadaolev tehnika.mTeadlased kasutasid seda uut mudelit esmalt 2D-objektide tuvastamiseks ja seejärel muutsid YOLOv3 tehnikat 3D-objektide tuvastamiseks.
Kasutades sisendina nii punktipilveandmeid kui ka RGB-pilte, genereerib süsteem väljundina piirkastid usaldusskooridega ja sildid nähtavate takistuste jaoks.
Süsteemi jõudluse hindamiseks viis töörühm läbi katseid, kasutades Lyfti andmestikku, mis koosnes teeteabest, mis koguti nelja kuu jooksul Californias Palo Altos ettemääratud marsruudil sõitnud 20 autonoomsest sõidukist.
Tulemused näitasid, et YOLOv3 on kõrge täpsusega, ületades teisi tipptasemel süsteeme. 2D- ja 3D-objektide tuvastamise üldine täpsus oli muljetavaldav vastavalt 96% ja 97%.
Professor Jeon rõhutab selle täiustatud tuvastusvõime võimalikku mõju: “Tuvastamisvõime parandamisega võib see süsteem autonoomseid sõidukeid peavoolu suunata. Autonoomsete sõidukite kasutuselevõtul on potentsiaali muuta transpordi- ja logistikatööstust ning vähendada sõltuvust inimestest autojuhtidest. Samuti tähendab see tõhusamate transpordimeetodite kasutuselevõttu.”
Allikas: Science Daily
