QCNet gali užfiksuoti eismo dalyvių ketinimus ir tiksliai numatyti kelis galimus aplinkinių transporto priemonių judėjimus. Kreditas: profesoriaus Wango tyrimų grupė / Honkongo miesto universitetas Tikslus netoliese esančių transporto priemonių judėjimo arba būsimos pėsčiųjų trajektorijos numatymas realiuoju laiku yra būtinas saugiam autonominiam vairavimui. Honkongo miesto universiteto (CityU) vadovaujama tyrimų grupė neseniai sukūrė naują AI sistemą, kuri pagerina nuspėjimo tikslumą esant intensyviam eismui ir padidina skaičiavimo efektyvumą daugiau nei 85%, o tai suteikia didelį potencialą padidinti autonominių transporto priemonių saugumą.
Profesorius Wang Jianping iš CityU Kompiuterių mokslų katedros (CS), vadovavęs tyrimui, paaiškino tikslaus, realiojo laiko prognozavimo svarbą autonominiam vairavimui, pabrėždamas, kad net ir minimalūs vėlavimai ir klaidos gali sukelti katastrofiškas avarijas.
Tačiau esamiems elgesio numatymo sprendimams dažnai sunku teisingai suprasti vairavimo scenarijus arba jų prognozės nėra veiksmingos. Šie sprendimai paprastai apima naujausių aplinkinių objektų ir aplinkos padėties duomenų iš naujo normalizavimą ir perkodavimą, kai tik transporto priemonė ir jos stebėjimo langas juda į priekį, net jei naujausi padėties duomenys iš esmės sutampa su ankstesniais duomenimis. Tai lemia perteklinius skaičiavimus ir delsą realiojo laiko internetinėse prognozėse.
Siekdama įveikti šiuos apribojimus, profesorė Wang ir jos komanda pristatė proveržio trajektorijos prognozavimo modelį, pavadintą „QCNet“, kuris teoriškai gali palaikyti srautinio perdavimo apdorojimą. Jis pagrįstas santykinio erdvės ir laiko principu nustatant padėties nustatymą, kuris prognozavimo modeliui suteikia puikių savybių, tokių kaip „rotacijos transliacijos invariacija erdvės dimensijoje“ ir „vertimo invariacija laiko dimensijoje“.
QCNet gali suprasti kelių eismo taisykles ir kelių eismo dalyvių sąveiką, numatydamas su žemėlapiu suderinamas ir be susidūrimų būsimas trajektorijas. Kreditas: profesoriaus Wango tyrimų grupė / Honkongo miesto universitetas Šios dvi savybės leidžia padėties informacijai, gautai iš vairavimo scenarijaus, būti unikalia ir fiksuota, nepaisant žiūrinčiojo erdvės ir laiko koordinačių sistemos peržiūrint vairavimo scenarijų. Šis metodas leidžia išsaugoti talpykloje ir pakartotinai naudoti anksčiau apskaičiuotas koordinačių koduotas, todėl prognozavimo modelis teoriškai gali veikti realiuoju laiku.
Komanda taip pat įtraukė santykines eismo dalyvių, juostų ir perėjų padėtis į AI modelį, kad užfiksuotų jų santykius ir sąveiką vairavimo scenarijuose. Šis patobulintas kelių eismo taisyklių ir kelių eismo dalyvių sąveikos supratimas leidžia modeliui generuoti prognozes be susidūrimų, kartu atsižvelgiant į būsimos eismo dalyvių elgesio neapibrėžtumą.
Norėdami įvertinti QCNet veiksmingumą, komanda panaudojo „Argoverse 1“ ir „Argoverse 2“ – dvi didelio masto atvirojo kodo autonominio vairavimo duomenų ir didelės raiškos žemėlapių iš skirtingų JAV miestų rinkinius. Šie duomenų rinkiniai laikomi sudėtingiausiais elgesio prognozavimo etalonais, kuriuos sudaro daugiau nei 320 000 duomenų sekų ir 250 000 scenarijų.
Bandymų metu QCNet pademonstravo greitį ir tikslumą, numatydamas būsimus eismo dalyvių judesius, net ir turėdamas ilgalaikę iki šešių sekundžių prognozę. Jis užėmė pirmą vietą tarp 333 numatymo metodų Argoverse 1 ir 44 metodų Argoverse 2. Be to, QCNet žymiai sumažino internetinių išvadų delsą nuo 8 ms iki 1 ms ir padidino efektyvumą daugiau nei 85 % tankiausio eismo scenoje, kurioje dalyvauja 190 eismo dalyvių ir 169 žemėlapiai. daugiakampiai, tokie kaip juostos ir perėjos.
QCNet pasiekė geriausius rezultatus iš Argoverse 1 ir Argoverse 2 metodų ir laimėjo Argoverse 2 kelių agentų judėjimo prognozavimo konkurse CVPR 2023 čempionate. Autoriai: Profesoriaus Wang tyrimų grupė / Honkongo miesto universitetas „Integruojant šią technologiją į autonominio vairavimo sistemas, autonominės transporto priemonės gali efektyviai suprasti aplinką, tiksliau numatyti būsimą kitų naudotojų elgesį ir priimti saugesnius bei labiau žmogiškus sprendimus, atveriant kelią saugiam autonominiam vairavimui“, – sakė profesorius. Wang. „Mes planuojame pritaikyti šią technologiją daugiau autonominio vairavimo programų, įskaitant eismo modeliavimą ir į žmogų panašių sprendimų priėmimą.”
Tyrimo rezultatai buvo pristatyti IEEE / CVF kompiuterinės vizijos ir modelių atpažinimo konferencijoje (CVPR 2023), kasmetinėje akademinėje kompiuterinio matymo konferencijoje, kuri šiais metais vyko Kanadoje, pavadinimu „Užklausos centrinės trajektorijos numatymas“.
Pirmasis autorius yra ponas Zhou Zikang, mokslų daktaras. CityU CS katedros profesoriaus Wang tyrimų grupės studentas. Atitinkamas autorius yra profesorius Wangas. Taip pat prie tyrimo prisidėjo bendradarbiai iš Hon Hai tyrimų instituto, Hon Hai technologijų grupės (Foxconn) įsteigto tyrimų centro, ir Carnegie Mellon universiteto JAV. realaus laiko prognozavimo efektyvumas ir savarankiško vairavimo saugumas.
Daugiau informacijos: Zikang Zhou ir kt., Į užklausą orientuotas trajektorijos numatymas (2023).
Citata: Naujoji AI sistema pagerina nuspėjamą autonominio vairavimo tikslumą (2023 m. rugsėjo 6 d.), gauta 2023 m. rugsėjo 6 d. iš https://techxplore.com/news/2023-09-ai-accuracy-autonomous.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
