Повышение безопасности самоуправляемых автомобилей с помощью распознавания объектов на основе методов глубокого обучения
Одной из самых больших проблем в популяризации беспилотных автомобилей является обеспечение безопасности и надежности. Для безопасного управления машиной чрезвычайно важно, чтобы автономное транспортное средство точно и эффективно контролировало и распознавало окружающую среду, а также возможные угрозы для пассажиров.
В то время как Tesla пытается сделать все возможное, чтобы не обнародовать данные о сбоях в функционировании, которые регулярно публикуются другими компаниями, разрабатывающими системы автономного вождения, группа тестеров Tesla FSD Beta в течение некоторого времени самостоятельно делилась соответствующей информацией.
Исходя из этих ограниченных сведений, Tesla FSD Beta позволяет проехать лишь несколько миль между сбоями в системе, в то время как другие программы автономного управления, такие как Waymo или Cruise, сообщают о десятках тысяч миль между отключениями в среднем.
Так, в Waymo одним из методов, используемых для оценки безопасности водителя, является тестирование на основе сценариев, сочетающих виртуальное управление, тестовый трек и вождение в реальных условиях.
Для определения соответствующих сценариев для тестирования, Waymo использует имеющиеся сведения об авто управлении и авариях, такие как полицейские базы данных об авариях и столкновениях, видео с дорожных видеорегистраторов, а также экспертные сведения о рабочей области разработки, включающие географические районы, условия вождения и типы дорог. Waymo регулярно добавляет новые репрезентативные сценарии, с которыми они сталкиваются на дорогах общего пользования и в симуляциях, или когда исследуют новые автодороги.
Имеющиеся сценарии Waymo, разрабатываемые с 2016 года, действуют на основе миллионов изученных миль на дорогах общего пользования, а также на тысячах произошедших авариях, и полностью охватывают масштаб опасных ситуаций. Поскольку наиболее распространенные типы аварий похожи независимо от того, где они происходят, базу данных Waymo можно использовать как опорную для любого города, тем самым обеспечивая глобальность. Waymo охватывает широкий спектр обычных ситуаций, которые могут произойти почти где угодно, например, выезд автомобиля с подъездной дороги или переход пешеходом без разрешительного сигнала светофора.
В недавнем исследовании, опубликованном в IEEE Transactions of Intelligent Transport Systems, международная группа исследователей под руководством профессора Гвангила Чонга из Национального университета Инчхон, Корея, разработала сквозную интеллектуальную систему для обнаружения 3D-объектов в реальном времени с поддержкой Интернета вещей. Система использует глубокое обучение и специализируется на ситуациях беспилотного управления автомобилем.
“Мы разработали модель для обнаружения объектов на основе YOLOv3, хорошо известного алгоритма идентификации. Сначала модель использовалась для обнаружения 2D-объектов, затем была модифицирована для 3D-объектов”, — поделился профессор Чонг.
Команда передала собранные RGB изображения и указала сведения из облачного хранилища как входные данные для алгоритма YOLOv3, который, в свою очередь, выводит классификационные метки и ограничительные коробки с оценками достоверности. Затем была проведена проверка его производительности с помощью набора данных Lyft. Первоначальные результаты показали, что YOLOv3 достиг чрезвычайно высокой точности обнаружения (>96%) как для 2D, так и для 3D-объектов, превосходя другие существующие модели для обнаружения объектов.
Этот метод применим к самоуправляемым автомобилям, беспилотной парковке, автономной доставке и будущим автономным роботам, а также для программ, требующих выявления объектов и препятствий, отслеживания и визуальной локализации.