خود رانندگی اتومبیل که تشخیص فضای آزاد بهتر می تواند تشخیص اشیاء

IMAGE

تصویر: جدید CMU تحقیقات نشان می دهد که چه ماشین خود رانندگی نمی بینم (به رنگ سبز) است که به عنوان مهم به ناوبری به عنوان آنچه در آن در واقع می بیند (با رنگ قرمز). مشاهده بیشتر

اعتبار: دانشگاه کارنگی ملون

پیتسبورگ–این مهم است که خود رانندگی اتومبیل سرعت شناسایی اتومبیل های دیگر و یا پیاده های جاده ها است. محققان در دانشگاه کارنگی ملون نشان داده اند که آنها می توانند به طور قابل توجهی بهبود دقت تشخیص با کمک این خودرو همچنین می دانیم آنچه در آن نمی بینم.

فضای خالی است.

این واقعیت که اشیاء در دید خود را ممکن است مبهم به نظر شما از چیزهایی که دروغ بیشتر پیش رو است blindingly آشکار به مردم است. اما Peiyun Hu, یک دانشجوی دکتری در CMU را رباتیک موسسه گفت که چگونه self-driving cars به طور معمول دلیل در مورد اشیاء اطراف آنها را.

بلکه آنها با استفاده از داده های 3D از lidar برای نشان دادن اشیاء به عنوان یک ابر نقطه و سپس سعی کنید برای مطابقت با کسانی که نقطه ابرها به یک کتابخانه از 3D نمایندگی از اشیاء. مشکل هو گفت این است که داده های 3D از این خودرو lidar واقعا 3D — سنسور را نمی توانید ببینید occluded بخش هایی از یک شی و زمان الگوریتم نمی دلیل در مورد چنین انسداد.

“درک نیاز به سیستم های خود می دانند گمنام” هو مشاهده شده است.

هو کار را قادر می سازد یک ماشین خود رانندگی را درک سیستم در نظر گرفتن دید که آن دلایل در مورد آنچه در آن سنسور در حال دیدن. در واقع استدلال در مورد دید در حال حاضر استفاده می شود که شرکت های ساخت نقشه های دیجیتال.

“نقشه-ساختمان اساسا دلایل در مورد آنچه فضای خالی و آنچه را اشغال کردند” گفت: Deva Ramanan, یک دانشیار رباتیک و مدیر CMU آرگو AI مرکز خودمختار خودرو پژوهش است. “اما نیست که همیشه رخ می دهد به صورت زنده در پرواز پردازش از موانع حرکت در ترافیک سرعت.”

در تحقیق ارائه می شود در کامپیوتر دید و تشخیص الگو (CVPR) کنفرانس که برگزار خواهد شد عملا ژوئن 13-19, هو و همکارانش قرض گرفتن از تکنیک های نقشه-ساخت به کمک سیستم دلیل در مورد دید هنگامی که در تلاش به رسمیت شناختن اشیاء.

زمانی که تست شده برابر استاندارد معیار CMU عملکرد بهتری نسبت به روش قبلی بالا انجام روش بهبود تشخیص 10.7% اتومبیل 5.3% برای عبور و مرور 7.4 درصد و کامیون و 18.4 درصد اتوبوس و 16.7% برای تریلر.

یکی از دلایل قبلی سیستم های مه گرفته می شود و دید به حساب نگرانی در مورد محاسبه زمان. اما هو گفت: تیم خود را در بر داشت که یک مشکل: روش خود را طول می کشد فقط 24 میلی ثانیه را اجرا کنند. (برای مقایسه هر رفت و برگشت از lidar 100 میلی ثانیه است.)

###

در علاوه بر این به هو و Ramanan, تیم تحقیقاتی شامل Jason Ziglar از آرگو AI و دیوید برگزار می شود استادیار رباتیک. از آرگو AI مرکز پشتیبانی این پژوهش است.

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.

tinyurlis.gdclck.ruulvis.netshrtco.de