Инструменты повышения возможности беспилотных автомобилей по отслеживанию объектов
Исследователи из Института аэрокосмических исследований Университета Торонто (UTIAS) представили несколько инструментов, которые могут повысить безопасность и надёжность автономных транспортных средств за счёт улучшения логических способностей их роботизированных систем.
Инновации касаются отслеживания нескольких объектов — процесса, используемого роботизированными системами для отслеживания положения и движения объектов, включая транспортные средства, пешеходов и велосипедистов, для планирования пути беспилотных автомобилей в густонаселённых районах.
Информация отслеживания собирается с датчиков компьютерного зрения (2D-изображения с камер и 3D-сканирования LIDAR) и фильтруется по каждой временной отметке 10 раз в секунду для прогнозирования будущего движения движущихся объектов.
«После обработки это позволяет роботу выработать некоторые рассуждения об окружающей среде. Например, человек переходит улицу на перекрёстке или велосипедист меняет полосу движения впереди, — заявляет Сандро Папаис, доктор философии из УТИАС. – В каждую временную отметку программное обеспечение робота пытается связать текущие обнаружения с объектами, которые он видел в прошлом, но оно может вернуться только на определённый период времени».
Исследователи представили «Трекер скользящего окна» (SWTrack) — метод оптимизации на основе графиков, который использует дополнительную временную информацию для предотвращения пропуска объектов.
«SWTrack расширяет то, как далеко в прошлое может заглянуть робот, — говорит Папаис. – Таким образом, вместо того, чтобы ограничиваться тем, что он видел только один кадр назад, и тем, что происходит сейчас, он может просмотреть последние пять секунд, а затем попытаться проанализировать все разные вещи, которые он видел».
Команда протестировала, обучила и проверила свой алгоритм на полевых данных, полученных через nuScenes, общедоступный крупномасштабный набор данных для беспилотных транспортных средств, которые эксплуатируются на дорогах городов по всему миру. Данные включают в себя человеческие аннотации, которые команда использовала для оценки производительности SWTrack.
Каждый раз, когда они увеличивали временное окно максимум до пяти секунд, эффективность отслеживания улучшалась.
«Большинству алгоритмов отслеживания было бы сложно разобраться в некоторых из этих временных промежутков. Но в нашем случае мы смогли подтвердить, что можем отслеживать в течение этих более длительных периодов времени и поддерживать более последовательное отслеживание динамических объектов вокруг нас, — говорит Папаис. – Это только начало. Мы работаем над проблемой отслеживания, а также над другими проблемами роботов, где мы можем включить больше временной информации для улучшения восприятия и роботизированного мышления».
В другой статье, соавторами которой являются магистранты Чанг Вон (Джон) Ли и Васлендер, — набор расширений для 2D-методов отслеживания путём обнаружения, которые используют вероятностное обнаружение объектов.
«Вероятностное обнаружение объектов даёт количественную оценку неопределённости обнаружения объектов, — объясняет Ли. – Ключевым моментом здесь является то, что для задач, критически важных для безопасности, вы хотите знать, когда прогнозируемые обнаружения могут вызвать ошибки в последующих задачах, таких как отслеживание нескольких объектов. Оценки неопределённости дают нам представление о том, когда модель вызывает сомнения, то есть, когда она с высокой вероятностью делает ошибки в прогнозах. Но существует этот пробел, потому что вероятностные детекторы объектов в настоящее время не используются для отслеживания объектов с несколькими треками».
Подписывайтесь на журнал «Вестник ГЛОНАСС» и навигационный Telegram-канал
По материалам открытых источников
