Het is een veelvoorkomend tafereel voor iedereen die 's nachts op een donkere weg rijdt. Ritsend om hoeken en over heuvels, het grootlicht van de auto is ingeschakeld om het zicht te verbeteren, terwijl de hand van de bestuurder klaar blijft om het in een oogwenk uit te schakelen, opdat ze het tegemoetkomende verkeer verblinden en een ongeval veroorzaken.

Xin Li gelooft dat er een betere oplossing is, en hij werkt samen met China's grootste koplampfabrikant om dit te realiseren.

"Moderne koplampen hebben niet slechts één of twee gloeilampen, ze kunnen tot een miljoen hebben, " zei Li, hoogleraar elektrische en computertechniek aan de Duke University en Duke Kunshan University. "Ik werk samen met industriepartners om een ​​'slimme koplamp' te creëren die elke pixel afzonderlijk kan bedienen en automatisch verschillende gebieden voor de auto kan verlichten na herkenning van de omgeving."

Bijvoorbeeld, de koplamp kan de hoeveelheid licht die op een tegemoetkomende auto wordt gericht verminderen en tegelijkertijd de verlichting van een naderend verkeersbord vergroten. Of het kan voetgangers in de buurt detecteren en de bestuurder waarschuwen door hun lichaam te markeren en te vermijden dat er direct licht in hun ogen schijnt.

De uitdaging bij het maken van zo'n koplamp is niet per se het creëren van de verschillende lichtpatronen - het leert de auto hoe automatisch de omgeving te herkennen en de patronen zelf te maken. Het is een probleem dat HASCO Vision Technology, de grootste fabrikant van autolampen in China, zich tot Li wendt om hen te helpen bij het oplossen van machine learning.

Veel autobedrijven gebruiken camera's en machine learning om hun eigen versie van zelfrijdende auto's te besturen, dus Li is verre van de enige in dit opzicht. Machine learning-algoritmen, echter, enorme hoeveelheden data nodig hebben om van te leren, en veel van de datasets en algoritmen die al voor dit doel zijn gemaakt, zijn gericht op rijden overdag.

"Onze applicatie geeft echter niets om de dag, " zei Li, die zijn tijd verdeelt tussen Duke's campussen in North Carolina en Kunshan, China. "Het gebruik van deze aanpak voor slimme koplampen is eigenlijk moeilijker omdat de lichtomstandigheden veel slechter zijn. Het is een unieke uitdaging die in het verleden niet goed is onderzocht."

Terwijl zijn industriepartners werken aan het verzamelen van meer nachtelijke beelden en nauwgezet annoteren van belangrijke objecten zoals borden, voetgangers en andere auto's, Li optimaliseert het machine learning-algoritme. Omdat beslissingen in realtime moeten worden genomen, de onderzoekers moeten de juiste hardware kiezen en het algoritme ontwerpen dat bij de architectuur past.

Li helpen met deze taak is DKU-onderzoeker Xin Feng. Samen, Li en Feng hebben al een werkende demo die, hoewel indrukwekkend, moet nog verbeteren voordat het op de weg komt.

"De nauwkeurigheid van de detectie is erg belangrijk - je kunt niets of niemand missen, " zei Li. "En hoewel dat een heel belangrijk en uitdagend probleem is, het is maar één statistiek. De andere is realtime respons. Als het algoritme te lang duurt om te reageren, dan is het niet handig. Technisch gezien, dat zijn de twee meest uitdagende vraagstukken."

Maar het zijn problemen die Li in de nabije toekomst verwacht op te lossen, samen met het toevoegen van een paar toeters en bellen. Een ander aspect van het project maakt gebruik van de koplampen om belangrijke informatie te projecteren, zoals weers- en wegomstandigheden, verkeersborden, navigatie-instructies, en zelfs rijstroken op de rijbaan binnen de koplampstralen zelf.

Andere ontwikkelingen kunnen zijn het gebruik van alternatieve sensoren die zelfrijdende auto's uiteindelijk kunnen hebben, zoals radar en lidar. Maar voor nu, het project gebruikt alleen naar voren gerichte camera's om de kosten laag te houden, aangezien consumenten de komende jaren veel vaker slimme koplampen op de weg zullen zien dan zelfrijdende voertuigen met extra detectiemogelijkheden.

"Ik denk dat we in de komende twee jaar een product van de eerste generatie op de markt kunnen krijgen, "zei Li. "Als we die eenmaal onderweg hebben, we kunnen nog meer feedback en gegevens krijgen om de nauwkeurigheid en responstijd verder te verbeteren om toekomstige iteraties nog beter te maken."