Es importante que los automóviles autónomos detecten rápidamente otros automóviles o peatones que comparten la carretera. Los investigadores de la Universidad Carnegie Mellon han demostrado que pueden mejorar significativamente la precisión de la detección al ayudar al vehículo a reconocer lo que no ve.
espacio vacío, es decir
El hecho mismo de que los objetos a la vista puedan oscurecer su visión de las cosas que se encuentran más adelante es cegadoramente obvio para las personas. Pero Peiyun Hu, estudiante de doctorado en el Instituto de Robótica de CMU, dijo que no es así como los autos autónomos suelenrazonar sobre los objetos que los rodean.
En su lugar, usan datos 3D de LIDAR para representar objetos como una nube de puntos y luego intentan hacer coincidir esas nubes de puntos con una biblioteca de representaciones 3D de objetos. El problema, dijo Hu, es que los datos 3D del LIDAR del vehículo no sonNo es realmente 3D: el sensor no puede ver las partes ocluidas de un objeto, y los algoritmos actuales no razonan sobre tales oclusiones.
"Los sistemas de percepción necesitan conocer sus incógnitas", observó Hu.
El trabajo de Hu permite que los sistemas de percepción de un automóvil autónomo consideren la visibilidad, ya que razona sobre lo que ven sus sensores. De hecho, el razonamiento sobre la visibilidad ya se usa cuando las empresas construyen mapas digitales.
"La construcción de mapas explica fundamentalmente qué hay en el espacio vacío y qué está ocupado", dijo Deva Ramanan, profesora asociada de robótica y directora del Centro CMU Argo AI para la Investigación de Vehículos Autónomos. "Pero eso no siempre ocurre en vivo,procesamiento sobre la marcha de obstáculos que se mueven a la velocidad del tráfico "
En una investigación que se presentará en la conferencia de Reconocimiento de Visión y Patrón de Computadora CVPR, que se realizará virtualmente del 13 al 19 de junio, Hu y sus colegas tomaron prestadas técnicas de la creación de mapas para ayudar al sistema a razonar sobre la visibilidad al tratar de reconocerobjetos.
Cuando se probó con un punto de referencia estándar, el método CMU superó a la técnica anterior de mejor rendimiento, mejorando la detección en un 10.7% para automóviles, 5.3% para peatones, 7.4% para camiones, 18.4% para autobuses y 16.7% para remolques.
Una razón por la que los sistemas anteriores pueden no haber tenido en cuenta la visibilidad es la preocupación por el tiempo de cálculo. Pero Hu dijo que su equipo descubrió que eso no era un problema: su método tarda solo 24 milisegundos en ejecutarse. En comparación, cada barrido del LIDARes de 100 milisegundos.
Además de Hu y Ramanan, el equipo de investigación incluyó a Jason Ziglar de Argo AI y David Held, profesor asistente de robótica. El Centro de Argo AI apoyó esta investigación.
Fuente de la historia :
Materiales proporcionado por Universidad Carnegie Mellon . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :