Ny måde at se objekter på fremskynder fremtiden for selvkørende biler

Lasersensorerne, der i øjeblikket bruges til at detektere 3D -objekter i autonome bilers stier, er omfangsrige, grim, dyrt, energieffektiv-og meget præcis.

Disse Light Detection and Ranging (LiDAR) sensorer er fastgjort til bilens tage, hvor de øger vindtræk, en særlig ulempe for elbiler. De kan tilføje omkring $ 10, 000 til en bils pris. Men på trods af deres ulemper, de fleste eksperter har betragtet LiDAR-sensorer som den eneste sandsynlige måde for selvkørende biler til sikkert at opfatte fodgængere, biler og andre farer på vejen.

Nu, Cornell -forskere har opdaget, at en enklere metode, ved hjælp af to billige kameraer på hver side af forruden, kan registrere objekter med næsten LiDARs nøjagtighed og til en brøkdel af prisen. Forskerne fandt ud af, at analyse af de fangede billeder fra et fugleperspektiv frem for det mere traditionelle frontbillede mere end tredoblet deres nøjagtighed, gør stereokamera til et levedygtigt og billigt alternativ til LiDAR.

"Et af de væsentlige problemer i selvkørende biler er at identificere objekter omkring dem-det er naturligvis afgørende for, at en bil kan navigere i sit miljø, "sagde Kilian Weinberger, lektor i datalogi og seniorforfatter af papiret, "Pseudo-LiDAR fra Estimation af visuel dybde:Broer hullet i 3D-objektregistrering til autonom kørsel, "som vil blive præsenteret på konferencen om computervision og mønstergenkendelse i 2019, 15.-21. Juni i Long Beach, Californien.

"Den almindelige tro er, at du ikke kunne lave selvkørende biler uden LiDAR'er, "Weinberger sagde." Vi har vist, i hvert fald i princippet, at det er muligt. "

Den første forfatter til papiret er Yan Wang, doktorand i datalogi.

LiDAR -sensorer bruger lasere til at oprette 3D -punktkort over deres omgivelser, måling af objektets afstand via lysets hastighed. Stereokameraer, der bygger på to perspektiver for at fastslå dybde, som menneskelige øjne gør, virkede lovende. Men deres nøjagtighed i objektdetektering har været frygtelig lav, og den konventionelle visdom var, at de var for upræcise.

Derefter kiggede Wang og samarbejdspartnere nærmere på dataene fra stereokameraer. Til deres overraskelse, de fandt ud af, at deres oplysninger var næsten lige så præcise som LiDAR. Kløften i nøjagtighed dukkede op, de fandt, da stereokameraernes data blev analyseret.

For de fleste selvkørende biler, dataene, der er fanget af kameraer eller sensorer, analyseres ved hjælp af konvolutionsneurale netværk - en slags maskinindlæring, der identificerer billeder ved at anvende filtre, der genkender mønstre forbundet med dem. Disse konvolutionelle neurale netværk har vist sig at være meget gode til at identificere objekter i standardfarvefotografier, men de kan forvrænge 3D -informationen, hvis den er repræsenteret forfra. Så da Wang og kolleger skiftede repræsentationen fra et frontalt perspektiv til en punktsky, der blev observeret fra et fugleperspektiv, nøjagtigheden mere end tredoblet.

"Når du har kamerabilleder, det er så, så, så fristende at se på fronten, fordi det er det, kameraet ser, "Sagde Weinberger." Men der ligger også problemet, fordi hvis du ser objekter forfra, deformerer den måde, de behandles på, dem faktisk, og du slører objekter i baggrunden og deformerer deres former. "

Ultimativt, Weinberger sagde, stereokameraer kan potentielt bruges som den primære måde at identificere objekter i billigere biler, eller som en backup-metode i avancerede biler, der også er udstyret med LiDAR.

"Den selvkørende bilindustri har været tilbageholdende med at flytte væk fra LiDAR, selv med de høje omkostninger, i betragtning af dens fremragende rækkevidde -nøjagtighed - hvilket er afgørende for sikkerheden omkring bilen, "sagde Mark Campbell, John A. Mellowes '60 professor og S.C. Thomas Sze Direktør for Sibley School of Mechanical and Aerospace Engineering og en medforfatter af papiret. "Den dramatiske forbedring af rækkeviddeopdagelse og nøjagtighed, med fugleperspektiv af kameradata, har potentiale til at revolutionere branchen. "

Resultaterne har konsekvenser ud over selvkørende biler, sagde medforfatter Bharath Hariharan, adjunkt i datalogi.

"Der er en tendens i den nuværende praksis til at indføre dataene som de er til komplekse maskinlæringsalgoritmer under den antagelse, at disse algoritmer altid kan udtrække den relevante information, "Sagde Hariharan." Vores resultater tyder på, at dette ikke nødvendigvis er sandt, og at vi skulle tænke lidt over, hvordan dataene er repræsenteret. "

Cornell-postdoktor Wei-Lun Chao og Divyansh Garg '20 bidrog også.