Підвищення безпеки самокерованих автомобілів за допомогою розпізнавання об’єктів на основі методів глибинного навчання
Однією з найбільших проблем у популяризації безпілотних автомобілів є забезпечення безпеки та надійності. Для безпечного керування машиною надзвичайно важливо, щоб автономний транспортний засіб точно та ефективно контролював і розпізнавав навколишнє середовище, а також можливі загрози для пасажирів.
У той час як Tesla намагається зробити все можливе, щоб не оприлюднювати відомості про збої у функціонуванні, які надають інші компанії, що розробляють системи автономного керування, група тестерів Tesla FSD Beta протягом деякого часу самостійно розповсюджувала відповідну інформацію.
Виходячи з цих обмежених відомостей, Tesla FSD Beta дозволяє проїхати лише кілька миль між відключеннями системи, тоді як інші програми автономного керування, такі як Waymo чи Cruise, повідомляють про десятки тисяч миль між відключеннями в середньому.
Так, у Waymo одним із методів, який використовується для оцінки безпеки водія, є тестування на основі сценаріїв, які поєднують віртуальне керування, тестовий трек та водіння в реальних умовах.
Для визначення відповідних сценаріїв для тестування, Waymo використовує наявні відомості про автокерування та аварії, такі як поліцейські бази даних про аварії і зіткнення, відео з дорожніх відеореєстраторів, а також експертні знання про робочу область розробки, яка включає географічні райони, умови керування автомобілем та типи доріг. Waymo регулярно додає все нові репрезентативні сценарії, з якими вони стикаються на дорогах загального користування та в симуляціях, або коли досліджують нові автошляхи.
Наявні сценарії Waymo, які розробляються з 2016 року, мають в основі мільйони миль, досліджених на дорогах загального користування, а також тисячі реальних аварій, і повністю охоплюють масштаб небезпечних ситуацій. Оскільки найпоширеніші типи аварій схожі незалежно від того, де вони відбуваються, базу даних Waymo можна використовувати як опорну для будь-якого міста, тим самим забезпечуючи глобальність. Waymo охоплює широкий спектр звичайних ситуацій, які можуть статися майже будь-де, наприклад, виїзд автомобіля з під’їзної дороги або перехід пішохода без відповідного сигналу світлофора.
У недавньому дослідженні, опублікованому в IEEE Transactions of Intelligent Transport Systems, міжнародна група дослідників під керівництвом професора Гвангіла Чонга з Національного університету Інчхон, Корея, розробила інтелектуальну наскрізну систему виявлення 3D-об’єктів у реальному часі з підтримкою Інтернету речей. В своїй основі система використовує глибинне навчання та спеціалізується на ситуаціях автономного керування транспортним засобом.
«Ми розробили модель для виявлення об'єктів на основі YOLOv3, добре відомого алгоритму ідентифікації. Спочатку модель використовувалася для виявлення 2D-об’єктів, а потім була модифікована для 3D-об’єктів», — розповідає професор Чонг.
Команда передала зібрані RGB-зображення та вказала відомості з хмарного сховища як вхідні дані для алгоритму YOLOv3, який свою чергу, виводить класифікаційні мітки та обмежувальні коробки з оцінками достовірності. Після цього проводиться перевірка продуктивності моделі за допомогою набору даних Lyft. Початкові результати показали, що YOLOv3 досяг надзвичайно високої точності виявлення (>96%) як для 2D, так і для 3D-об’єктів, перевершуючи інші існуючі моделі для виявлення об'єктів.
Цей метод можна застосувати до самокерованих автомобілів, безпілотної парковки, автономної доставки та майбутніх автономних роботів, а також у програмах, які потребують виявлення об’єктів і перешкод, відстеження та візуальної локалізації.