DarkWoman
MFC Üyesi
- Üyelik Tarihi
- 27 Kas 2019
- Konular
- 5,318
- Mesajlar
- 11,488
- MFC Puanı
- 66,370
Otonom araçların yolu paylaştığı diğer arabaları veya yayaları hızlı bir şekilde algılaması önemli. Carnegie Mellon Üniversitesi'ndeki araştırmacılar, aracın görmediği nesneleri de fark etmesine yardımcı olarak ‘algılama doğruluğunu’ önemli ölçüde artırabileceklerini gösterdiler.
Görüş alanınızın içerisinde yer alan nesneler, arkasındaki şeyleri ya da daha ileriyi görmenizi doğal olarak engeller fakat CMU Robotik Enstitüsü'nden doktora öğrencisi Peiyun Hu, bu durumun neden otonom araçlar için geçerli olmadığını açıkladı.
Bir insanın aksine otonom araçların etrafında nesneler bulunması, onun daha doğru çalışmasına imkân verir. Araçlar, LIDAR sensörlerinden gelen verileri kullanarak nesneleri birer ‘bulut’ olarak tanımlar, daha sonra bu bulutları 3D veri kütüphanesindeki nesnelerle karşılaştırarak eşleştirmeye çalışır ancak Hu’nun dikkat çekmek istediği kısım; sensörlerden gelen 3 boyutlu verilerin gerçekten 3 boyutlu olmayabileceği. Doktora öğrencisinin açıklamasına göre aracın sensörü, bir nesnenin görüş alanı dışındaki cephelerini göremeyebilir ve mevcut algoritmalar bu tür durumlarda akıl yürütemiyor.
'Algılama sistemleri kendi bilinmeyenlerini öğrenmeli'
Hu'nun çalışmasına göre otonom bir otomobilin algılama sistemi, ‘görünürlük’ merkezli çalışıyor. Aslında bu çalışma prensibi, şirketler tarafından dijital haritalar oluşturmak için de kullanılmıştı. CMU Argo Yapay Zekâ Merkezi'nden Profesör Deva Ramanan, "Harita oluşturma prensibi, temel olarak boş alan ve dolu alan üzerine kuruludur ancak trafiğin hızına bağlı olarak hareket eden engellerin anında işlenmesi her zaman mümkün olmaz" ifadelerini kullandı.
Hu ve meslektaşları, sistemin görünürlük ile alakalı çalışma prensibinde nesneleri tanımlama aşamasını iyileştirmeye yardımcı olmak için harita yapımında kullanılan tekniklerden yararlandılar. Ekip, projesini 13-19 Haziran tarihleri arasında gerçekleşecek Computer Vision and Pattern Recognition (CVPR) adlı konferansta sunacak.
Geliştirilen yeni CMU yöntemi, standart bir değerlendirmeye karşı test edildiğinde, önceki en iyi performans gösteren teknikten daha iyi performans ortaya koydu. Yöntem; algılama becerisini otomobiller için %10,7, yayalar için %5,3, kamyonlar için %7,4, otobüsler için %18,4 ve römorklar için %16,7 oranında iyileştirdi.
Önceki sistemlerin görünürlüğü dikkate almamış olmasının nedeni, hesaplama süresiyle ilgili duyulan endişe olabilir ancak Hu ve ekibi, bunun artık bir sorun olmaktan çıktığını söylüyor çünkü yöntemlerinin çalışması sadece 24 milisaniye sürüyor. LIDAR'ın her bir taramasıysa 100 milisaniyesürüyordu.
Görüş alanınızın içerisinde yer alan nesneler, arkasındaki şeyleri ya da daha ileriyi görmenizi doğal olarak engeller fakat CMU Robotik Enstitüsü'nden doktora öğrencisi Peiyun Hu, bu durumun neden otonom araçlar için geçerli olmadığını açıkladı.
Bir insanın aksine otonom araçların etrafında nesneler bulunması, onun daha doğru çalışmasına imkân verir. Araçlar, LIDAR sensörlerinden gelen verileri kullanarak nesneleri birer ‘bulut’ olarak tanımlar, daha sonra bu bulutları 3D veri kütüphanesindeki nesnelerle karşılaştırarak eşleştirmeye çalışır ancak Hu’nun dikkat çekmek istediği kısım; sensörlerden gelen 3 boyutlu verilerin gerçekten 3 boyutlu olmayabileceği. Doktora öğrencisinin açıklamasına göre aracın sensörü, bir nesnenin görüş alanı dışındaki cephelerini göremeyebilir ve mevcut algoritmalar bu tür durumlarda akıl yürütemiyor.
'Algılama sistemleri kendi bilinmeyenlerini öğrenmeli'
Hu'nun çalışmasına göre otonom bir otomobilin algılama sistemi, ‘görünürlük’ merkezli çalışıyor. Aslında bu çalışma prensibi, şirketler tarafından dijital haritalar oluşturmak için de kullanılmıştı. CMU Argo Yapay Zekâ Merkezi'nden Profesör Deva Ramanan, "Harita oluşturma prensibi, temel olarak boş alan ve dolu alan üzerine kuruludur ancak trafiğin hızına bağlı olarak hareket eden engellerin anında işlenmesi her zaman mümkün olmaz" ifadelerini kullandı.
Hu ve meslektaşları, sistemin görünürlük ile alakalı çalışma prensibinde nesneleri tanımlama aşamasını iyileştirmeye yardımcı olmak için harita yapımında kullanılan tekniklerden yararlandılar. Ekip, projesini 13-19 Haziran tarihleri arasında gerçekleşecek Computer Vision and Pattern Recognition (CVPR) adlı konferansta sunacak.
Geliştirilen yeni CMU yöntemi, standart bir değerlendirmeye karşı test edildiğinde, önceki en iyi performans gösteren teknikten daha iyi performans ortaya koydu. Yöntem; algılama becerisini otomobiller için %10,7, yayalar için %5,3, kamyonlar için %7,4, otobüsler için %18,4 ve römorklar için %16,7 oranında iyileştirdi.
Önceki sistemlerin görünürlüğü dikkate almamış olmasının nedeni, hesaplama süresiyle ilgili duyulan endişe olabilir ancak Hu ve ekibi, bunun artık bir sorun olmaktan çıktığını söylüyor çünkü yöntemlerinin çalışması sadece 24 milisaniye sürüyor. LIDAR'ın her bir taramasıysa 100 milisaniyesürüyordu.
