Nieuwe AI voor zelfrijdende voertuigen kan voetgangerbewegingen voorspellen

• Ingenieurs ontwikkelen neurale netwerken voor zelfrijdende auto's om mensen te detecteren en hun volgende bewegingen te voorspellen.
• Het kan nauwkeurig poses en volgende posities voorspellen voor meerdere voetgangers tegelijk tot 45 meter van het voertuig.

De meeste zelfrijdende voertuigen genereren en onderhouden een interne kaart van hun omgeving, met behulp van een breed scala aan camera's, LiDAR en GPS. Algoritmen verwerken deze invoer vervolgens, stippelen een pad uit en sturen instructies naar de actuatoren van het voertuig die het sturen, accelereren en remmen regelen.

Andere parameters zoals voorspellende modellering, hardgecodeerde regels, algoritmen voor het vermijden van obstakels en objectdiscriminatie helpen de software te navigeren terwijl de verkeersregels worden gevolgd. Het meeste werk dat in dit gebied is gedaan, heeft alleen gekeken naar stilstaande beelden, die geen rekening houden met hoe voetgangers zich in drie dimensies bewegen.

Om dit probleem aan te pakken, hebben onderzoekers van de Universiteit van Michigan een AI ontwikkeld die mensen kan detecteren en hun volgende bewegingen kan voorspellen met een hogere precisie in vergelijking met bestaande technologieën. Het kan houdingen en volgende posities voor meerdere voetgangers tegelijkertijd voorspellen tot 45 meter van het voertuig.

Biomechanisch geïnspireerd terugkerend neuraal netwerk

Tot nu toe heeft de autonome technologie machinale leermethoden gebruikt die miljoenen tweedimensionale afbeeldingen hebben verwerkt. Ze zijn in staat om in de echte wereld stopborden in realtime te herkennen.

De nieuwe machine learning-techniek maakt daarentegen gebruik van videoclips van enkele seconden om beweging te herkennen en nauwkeurige voorspellingen te doen over waar voetgangers in de volgende stap zullen gaan.

Referentie:arXiv:1809.03705 | Universiteit van Michigan

Het systeem observeert de houdingen van voetgangers, of ze nu naar links/rechts kijken of met hun mobiele telefoon spelen. Dit soort informatie vertelt veel over wat ze het meest waarschijnlijk zullen doen.

Het neurale netwerk is gebaseerd op het lange-kortetermijngeheugennetwerk met inspiratie uit de biomechanica van het menselijk lopen, bijvoorbeeld spiegel-/bilaterale symmetrie van het menselijk lichaam en de periodiciteit van menselijk lopen.

Hoe nauwkeurig is het?

De uitkomsten van de neurale netwerken waren behoorlijk indrukwekkend:de mediane vertaalfout was ongeveer 10 centimeter na 1 seconde en minder dan 80 centimeter na 6 seconden. Terwijl andere vergelijkbare technieken tot 700 centimeter afwijken.

Om het netwerk efficiënter te maken, heeft het team verschillende fysieke beperkingen opgelegd die van toepassing zijn op het menselijk lichaam - zoals de snelst mogelijke loop-/rensnelheid of onvermogen om te vliegen - zodat het systeem niet elke mogelijke volgende beweging hoeft te berekenen.

Ze gebruikten twee NVIDIA TITAN X GPU's, met CUDA deep learning framework, om het neurale netwerk te trainen op de PedX-dataset die echte kruispunten in Michigan bevat.

Het is geïmplementeerd in Python 3.6 en het duurt ongeveer 1 milliseconde om de volgende stap van elke persoon in elk frame te voorspellen. Volgens de onderzoekers kan de code verder worden geoptimaliseerd om betere resultaten te krijgen.

Lezen:nieuw algoritme voor zelfrijdende voertuigen kan agressief van rijstrook veranderen

De AI kan de lat hoger leggen van waartoe zelfrijdende auto's in staat zijn. Het kan ook ten goede komen aan gangstudies van tweevoetige robots en kan worden toegepast bij de ontwikkeling van klinische gangrehabilitatiesystemen.