INU desarrolla un nuevo sistema de detección basado en aprendizaje profundo para coches autónomos

INU desarrolla un novedoso sistema de detección basado en aprendizaje profundo para vehículos autónomos que ayudado por el Internet de las cosas, mejora las capacidades de detección de los vehículos incluso en condiciones desfavorables.

Los vehículos autónomos prometen abordar la congestión del tráfico, mejorar el flujo del tráfico a través de la comunicación entre vehículos y revolucionar la experiencia de viaje al ofrecer viajes cómodos y seguros. Además, la integración de la tecnología de conducción autónoma en los vehículos eléctricos podría contribuir a soluciones de transporte más ecológicas.
Un requisito fundamental para el éxito de los vehículos autónomos es su capacidad para detectar y sortear obstáculos, peatones y otros vehículos en diversos entornos. Los vehículos autónomos actuales emplean sensores inteligentes como LiDAR (detección y alcance de luz) para una vista 3D del entorno e información de profundidad, RADaR (detección y alcance por radio) para detectar objetos durante la noche y en tiempo nublado, y un conjunto de cámaras para proporcionar RGB. imágenes y una vista de 360 ​​grados, formando colectivamente un conjunto de datos completo conocido como nube de puntos. Sin embargo, estos sensores a menudo enfrentan desafíos como capacidades de detección reducidas en condiciones climáticas adversas, en carreteras no estructuradas o debido a oclusiones.
Para superar estas deficiencias, un equipo internacional de investigadores dirigido por el profesor Gwanggil Jeon del Departamento de Ingeniería de Sistemas Embebidos de la Universidad Nacional de Incheon (INU), Corea, ha desarrollado recientemente un innovador sistema final basado en aprendizaje profundo habilitado para Internet de las cosas. Sistema completo de detección de objetos 3D. " Nuestro sistema propuesto funciona en tiempo real, mejorando las capacidades de detección de objetos de los vehículos autónomos, haciendo que la navegación a través del tráfico sea más fluida y segura " , explica el profesor Jeon. Su artículo estuvo disponible en línea el 17 de octubre de 2023 y se publicó en el volumen 24, número 11 de la revista IEEE Transactions on Intelligent Transport Systems en noviembre de 2023 .

El innovador sistema propuesto se basa en la técnica de detección de objetos de aprendizaje profundo YOLOv3 (Solo miras una vez), que es la técnica de última generación más activa disponible para la detección visual 2D. Los investigadores primero utilizaron este nuevo modelo para la detección de objetos 2D y luego modificaron la técnica YOLOv3 para detectar objetos 3D. Utilizando datos de nubes de puntos e imágenes RGB como entrada, el sistema genera cuadros delimitadores con puntuaciones de confianza y etiquetas para obstáculos visibles como salida.

Para evaluar el rendimiento del sistema, el equipo realizó experimentos utilizando el conjunto de datos de Lyft, que consistía en información vial capturada por 20 vehículos autónomos que recorrieron una ruta predeterminada en Palo Alto, California , durante un período de cuatro meses. Los resultados demostraron que YOLOv3 exhibe una alta precisión, superando a otras arquitecturas de última generación. En particular, la precisión general para la detección de objetos 2D y 3D fue de un impresionante 96% y 97%, respectivamente.

El profesor Jeon enfatiza el impacto potencial de esta capacidad de detección mejorada: " Al mejorar las capacidades de detección, este sistema podría impulsar a los vehículos autónomos a la corriente principal. La introducción de vehículos autónomos tiene el potencial de transformar la industria del transporte y la logística, ofreciendo beneficios económicos a través de una reducción dependencia de conductores humanos y la introducción de métodos de transporte más eficientes " .

Además, se espera que el presente trabajo impulse la investigación y el desarrollo en diversos campos tecnológicos como sensores, robótica e inteligencia artificial. En el futuro, el equipo pretende explorar algoritmos de aprendizaje profundo adicionales para la detección de objetos 3D, reconociendo el enfoque actual en el desarrollo de imágenes 2D.

En resumen, este estudio innovador podría allanar el camino para una adopción generalizada de vehículos autónomos y, a su vez, un modo de transporte más cómodo y respetuoso con el medio ambiente.

Compartiendo este artículo usted puede ayudar a difundir valor a otros que están buscando este tipo de información. Si valora el trabajo que hacemos en Valenciacars para usted y le resulta útil, le queremos pedir un gran favor: por favor comparta el artículo en WhatsApp, en Facebook , en Twitter y sus demás redes

Así,que INU desarrolla un novedoso sistema de detección basado en aprendizaje profundo para vehículos autónomos que ayudado por el Internet de las cosas, mejora las capacidades de detección de los vehículos incluso en condiciones desfavorables.