At lave smarte forlygter med maskinlæring

Det er en almindelig scene for alle, der kører om natten på en mørk vej. Zipper rundt om hjørner og over bakker, bilens fjernlys er tændt for at forbedre udsynet, mens førerens hånd forbliver klar til at slukke dem med et øjebliks varsel, at de ikke blinder modkørende trafik og forårsager en ulykke.

Xin Li mener, at der er en bedre løsning, og han arbejder sammen med Kinas største forlygteproducent for at gøre det til en realitet.

"Moderne forlygter har ikke kun en eller to pærer, de kan have op til en million, " sagde Li, professor i elektro- og computerteknik ved Duke University og Duke Kunshan University. "Jeg arbejder sammen med industripartnere om at skabe en 'smart forlygte', der kan styre hver pixel individuelt og automatisk oplyse forskellige områder foran bilen efter at have genkendt det omgivende miljø."

For eksempel, forlygten kunne reducere mængden af ​​lys, der pegede på en modkørende bil, samtidig med at belysningen af ​​et kommende vejskilt øges. Eller den kan registrere nærliggende fodgængere og advare føreren ved at fremhæve deres krop, mens den undgår at skinne lys direkte ind i deres øjne.

Udfordringen ved at lave sådan en forlygte er ikke nødvendigvis at skabe de forskellige lysmønstre – det er at lære bilen, hvordan man automatisk genkender det omgivende miljø og laver mønstrene på egen hånd. Det er et problem, som HASCO Vision Technology – den største producent af billamper i Kina – henvender sig til Li for at hjælpe dem med at løse med maskinlæring.

Mange bilfirmaer bruger kameraer og maskinlæring til at hjælpe med at kontrollere deres egne versioner af selvkørende biler, så Li er langt fra alene i denne henseende. Maskinlæringsalgoritmer, imidlertid, har brug for store mængder data at lære af, og mange af de datasæt og algoritmer, der allerede er skabt til dette formål, har fokuseret på kørsel i dagtimerne.

"Vores ansøgning er dog ligeglad med dagtimerne, " sagde Li, som deler sin tid mellem Dukes campusser i North Carolina og Kunshan, Kina. "At bruge denne tilgang til smarte forlygter er faktisk sværere, fordi lysforholdene er meget værre. Det er en unik udfordring, som ikke er blevet grundigt undersøgt tidligere."

Mens hans industripartnere arbejder på at indsamle flere natteoptagelser og møjsommeligt annotere vigtige objekter som skilte, fodgængere og andre biler, Li optimerer maskinlæringsalgoritmen. Fordi beslutninger skal træffes i realtid, forskerne skal vælge den rigtige hardware og designe algoritmen, så den passer til dens arkitektur.

DKU-forsker Xin Feng hjælper Li med denne opgave. Sammen, Li og Feng har allerede en fungerende demo, der mens det er imponerende, skal stadig forbedres, før det kommer på vejene.

"Detektionsnøjagtighed er meget vigtig - du kan ikke gå glip af noget eller nogen, " sagde Li. "Og selvom det er et meget vigtigt og udfordrende problem, det er kun én metrik. Den anden er realtidssvar. Hvis algoritmen tager for lang tid at svare, så er det ikke brugbart. Teknisk set, det er de to mest udfordrende problemer."

Men de problemer Li forventer at løse i den nærmeste fremtid, sammen med tilføjelse af et par flere klokker og fløjter. Et andet aspekt af projektet bruger forlygterne til at projicere vigtig information såsom vejr- og vejforhold, trafikskilte, navigationsvejledning, og endda kørebaner ud på vejbanen inden for selve forlygtestrålerne.

Andre fremskridt kunne omfatte at gøre brug af alternative sensorer, som selvkørende biler i sidste ende kan besidde, såsom radar og lidar. Men for nu, projektet bruger kun fremadvendte kameraer for at holde omkostningerne nede, som i de næste par år er forbrugerne meget mere tilbøjelige til at se smarte forlygter på vejene i stort antal end selvkørende køretøjer med ekstra detektionsmuligheder.

"Jeg tror, ​​vi kan få et førstegenerationsprodukt på markedet i løbet af de næste to år, " sagde Li. "Når vi har dem på vejen, vi kan få endnu mere feedback og data for yderligere at forbedre nøjagtigheden og responstiden for at gøre fremtidige iterationer endnu bedre."