Одной из самых больших проблем, связанных с популяризацией автономных транспортных средств, является безопасность и надежность. Для обеспечения безопасного вождения для пользователя важно, чтобы автономное транспортное средство точно, эффективно и действенно отслеживало и различало окружающую обстановку, а также потенциальные угрозы безопасности пассажиров.

С этой целью автономные транспортные средства используют высокотехнологичные датчики, такие как система обнаружения света и определения дальности (ЛиДаР), радар и камеры RGB, которые выдают большие объемы данных в виде изображений RGB и 3D-точек измерения, известных как "облако точек". Быстрая и точная обработка и интерпретация этой собранной информации имеет решающее значение для идентификации пешеходов и других транспортных средств. Это может быть реализовано за счет интеграции передовых вычислительных методов и Интернета вещей (IoT) в эти транспортные средства, что позволяет быстро обрабатывать данные на месте и более эффективно ориентироваться в различных средах и препятствиях.

В недавнем исследовании, опубликованном в IEEE Транзакции интеллектуальных транспортных систем журнал 17 октября 2022 года группа международных исследователей во главе с профессором Кванггил Джоном из Национального университета Инчхон, Корея, разработала интеллектуальную сквозную систему с поддержкой Интернета вещей для обнаружения 3D-объектов в режиме реального времени, основанную на глубоком обучении и специализированную для автономных ситуаций вождения.

"Для автономных транспортных средств восприятие окружающей среды имеет решающее значение для ответа на основной вопрос: "Что меня окружает?" Важно, чтобы автономное транспортное средство могло эффективно и точно понимать окружающие его условия и окружение, чтобы выполнять ответные действия", - объясняет профессор. Чон. "Мы разработали модель обнаружения, основанную на YOLOv3, хорошо известном алгоритме идентификации. Модель сначала использовалась для обнаружения 2D-объектов, а затем была модифицирована для 3D-объектов", - уточняет он.

Команда передала собранные изображения RGB и данные облака точек в качестве входных данных в YOLOv3, который, в свою очередь, выдает классификационные метки и ограничивающие рамки с оценками достоверности. Затем они протестировали его производительность с помощью набора данных Lyft. Первые результаты показали, что YOLOv3 достиг чрезвычайно высокой точности обнаружения (> 96%) как для 2D, так и для 3D объектов, превосходя другие современные модели обнаружения.

Метод может быть применен к автономным транспортным средствам, автономной парковке, автономной доставке и будущим автономным роботам, а также в приложениях, где требуется обнаружение объектов и препятствий, отслеживание и визуальная локализация. "В настоящее время автономное вождение осуществляется с помощью обработки изображений на основе лидара, но прогнозируется, что в будущем ЛиДАР заменит обычная камера. Таким образом, технологии, используемые в автономных транспортных средствах, меняются каждый момент, и мы находимся на переднем крае", - подчеркивает профессор. Чон. "Основываясь на развитии технологий element, автономные транспортные средства с повышенной безопасностью должны быть доступны в ближайшие 5-10 лет", - оптимистично заключает он.