Новый ИИ для самоуправляемых транспортных средств может прогнозировать движение пешеходов

• Инженеры разрабатывают нейронные сети для беспилотных автомобилей, чтобы обнаруживать людей и предсказывать их следующие движения.
• Он может точно предсказать позы и следующее положение нескольких пешеходов одновременно на расстоянии до 45 метров от транспортного средства.

Большинство беспилотных транспортных средств создают и поддерживают внутреннюю карту своего окружения, используя широкий спектр камер, LiDAR и GPS. Затем алгоритмы обрабатывают эти входные данные, прокладывают путь и отправляют инструкции исполнительным механизмам транспортного средства, которые управляют рулевым управлением, ускорением и торможением.

Другие параметры, такие как прогнозное моделирование, жестко запрограммированные правила, алгоритмы предотвращения препятствий и распознавания объектов, помогают программному обеспечению ориентироваться при соблюдении правил дорожного движения. Большая часть работы, проделанной в этой области, касается только неподвижных изображений, которые не принимают во внимание то, как пешеходы движутся в трех измерениях.

Чтобы решить эту проблему, исследователи из Мичиганского университета разработали ИИ, который может обнаруживать людей и предсказывать их следующие движения с более высокой точностью по сравнению с существующими технологиями. Он может прогнозировать позы и следующие позиции одновременно для нескольких пешеходов на расстоянии до 45 метров от транспортного средства.

Рекуррентная нейронная сеть, вдохновленная биомеханикой

До сих пор в автономных технологиях использовались методы машинного обучения, которые работали с миллионами двумерных изображений. Они способны распознавать знаки остановки в реальном времени в реальном мире.

С другой стороны, новый метод машинного обучения использует видеоклипы продолжительностью несколько секунд для распознавания движения и точного прогнозирования того, куда пешеходы пойдут на следующем этапе.

Ссылка:arXiv:1809.03705 | Мичиганский университет

Система отслеживает позы пешеходов, независимо от того, смотрят ли они влево / вправо или играют со своими мобильными телефонами. Такая информация многое говорит о том, что они, скорее всего, будут делать дальше.

Нейронная сеть основана на сети долговременной краткосрочной памяти, вдохновленной биомеханикой человеческой походки, например, зеркальной / двусторонней симметрией человеческого тела и периодичностью человеческой ходьбы.

Насколько это точно?

Результаты нейронных сетей были весьма впечатляющими:средняя ошибка перевода составила около 10 сантиметров через 1 секунду и менее 80 сантиметров через 6 секунд. В то время как другие аналогичные методы были на расстоянии до 700 сантиметров.

Чтобы сделать сеть более эффективной, команда поставила несколько физических ограничений, которые применяются к человеческому телу - например, максимально возможная скорость ходьбы / бега или неспособность летать - чтобы системе не приходилось рассчитывать каждое возможное следующее движение.

Они использовали два графических процессора NVIDIA TITAN X с фреймворком глубокого обучения CUDA для обучения нейронной сети на наборе данных PedX, который включает реальные пересечения в Мичигане.

Он был реализован в Python 3.6, и требуется около 1 миллисекунды, чтобы предсказать следующий шаг каждого человека в каждом кадре. По словам исследователей, код можно дополнительно оптимизировать для получения лучших результатов.

Читайте:новый алгоритм самоуправляемого транспортного средства может агрессивно менять полосу движения

ИИ может поднять планку возможностей беспилотных автомобилей. Кроме того, он может быть полезен при изучении походки двуногих роботов и может быть применен для разработки клинических систем реабилитации походки.