AI-doorbraak: voorspelt voetgangersbewegingen voor veiligere zelfrijdende auto's

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

Biomechanisch geïnspireerd Recurrent Neural Network

Tot nu toe heeft de autonome technologie machine learning-methoden gebruikt die te maken hadden met miljoenen tweedimensionale afbeeldingen. Ze zijn in staat stoptekens in real-time in de echte wereld te herkennen.

De nieuwe machine learning-techniek gebruikt videoclips van enkele seconden om beweging te herkennen en nauwkeurige voorspellingen te maken over waar voetgangers in de volgende stap heen zullen gaan.

Referentie: arXiv:1809.03705 | Universiteit van Michigan

Het systeem observeert de poses van voetgangers, of ze links/rechts kijken of met hun telefoons spelen. Dit soort informatie vertelt veel over wat ze waarschijnlijk volgende stap zullen doen.

Het neurale netwerk is gebaseerd op het long short-term memory-netwerk met inspiratie uit de biomechanica van de menselijke gang, bijvoorbeeld spiegel/bilaterale symmetrie van het menselijk lichaam en de periodiciteit van het lopen.

Hoe nauwkeurig is het?

De resultaten van de neurale netwerken waren indrukwekkend: de mediaan translatiefout was ongeveer 10 centimeter na 1 seconde en minder dan 80 centimeter na 6 seconden. Terwijl andere vergelijkbare technieken tot 700 centimeter afwikten.

Om het netwerk efficiënter te maken, stelden de onderzoekers verschillende fysieke beperkingen die op het menselijk lichaam van toepassing zijn — zoals de snelst mogelijke loop/rensnelheid of onvliegen — 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 was geïmplementeerd in Python 3.6 en duurt ongeveer 1 milliseconde om de volgende stap van iedere persoon in elk frame te voorspellen. Volgens de onderzoekers kan de code verder geoptimaliseerd worden voor betere resultaten.

De AI kan de lat verhogen wat zelfrijdende auto's capable zijn. Ook kan het baat zijn bij gangstudies van tweepotige robots en toegepast worden op de ontwikkeling van klinische gangrehabilitatiesystemen.