De lasersensoren die momenteel worden gebruikt om 3D-objecten in de paden van autonome auto's te detecteren, zijn omvangrijk, lelijk, duur, energie-inefficiënt – en zeer nauwkeurig.

Deze Light Detection and Ranging (LiDAR) sensoren worden op autodaken aangebracht, waar ze de windweerstand vergroten, een bijzonder nadeel voor elektrische auto's. Ze kunnen ongeveer $ 10 toevoegen, 000 ten koste van een auto. Maar ondanks hun nadelen, de meeste experts hebben LiDAR-sensoren beschouwd als de enige plausibele manier voor zelfrijdende voertuigen om voetgangers veilig waar te nemen, auto's en andere gevaren op de weg.

Nutsvoorzieningen, Cornell-onderzoekers hebben ontdekt dat een eenvoudigere methode, met behulp van twee goedkope camera's aan weerszijden van de voorruit, kan objecten detecteren met bijna de nauwkeurigheid van LiDAR en voor een fractie van de kosten. De onderzoekers ontdekten dat het analyseren van de vastgelegde beelden vanuit een vogelperspectief in plaats van het meer traditionele vooraanzicht hun nauwkeurigheid meer dan verdrievoudigde, waardoor stereocamera een levensvatbaar en goedkoop alternatief is voor LiDAR.

"Een van de essentiële problemen bij zelfrijdende auto's is om objecten om hen heen te identificeren - dat is natuurlijk cruciaal voor een auto om door zijn omgeving te navigeren, " zei Kilian Weinberger, universitair hoofddocent informatica en senior auteur van het artikel, "Pseudo-LiDAR van visuele diepteschatting:de kloof overbruggen in 3D-objectdetectie voor autonoom rijden, " die zal worden gepresenteerd op de 2019-conferentie over computervisie en patroonherkenning, 15-21 juni in Long Beach, Californië.

"De algemene overtuiging is dat je geen zelfrijdende auto's kunt maken zonder LiDAR's, Weinberger zei. "We hebben laten zien, althans in principe dat het mogelijk is."

De eerste auteur van het artikel is Yan Wang, doctoraatsstudent in de informatica.

LiDAR-sensoren gebruiken lasers om 3D-puntkaarten van hun omgeving te maken, afstand meten van objecten via de lichtsnelheid. Stereo camera's, die gebaseerd zijn op twee perspectieven om diepte vast te stellen, zoals menselijke ogen doen, leek veelbelovend. Maar hun nauwkeurigheid bij het detecteren van objecten was bedroevend laag, en de conventionele wijsheid was dat ze te onnauwkeurig waren.

Toen namen Wang en medewerkers de gegevens van stereocamera's onder de loep. Tot hun verbazing, ze ontdekten dat hun informatie bijna net zo nauwkeurig was als LiDAR. Het gat in nauwkeurigheid kwam naar voren, ze vonden, toen de gegevens van de stereocamera's werden geanalyseerd.

Voor de meeste zelfrijdende auto's, de gegevens die door camera's of sensoren worden vastgelegd, worden geanalyseerd met behulp van convolutionele neurale netwerken - een soort machine learning dat afbeeldingen identificeert door filters toe te passen die daarmee verband houdende patronen herkennen. Van deze convolutionele neurale netwerken is aangetoond dat ze zeer goed zijn in het identificeren van objecten in standaard kleurenfoto's, maar ze kunnen de 3D-informatie vervormen als deze van voren wordt weergegeven. Dus toen Wang en collega's de weergave van een frontaal perspectief overschakelden naar een puntenwolk waargenomen vanuit een vogelperspectief, de nauwkeurigheid meer dan verdrievoudigd.

"Als je camerabeelden hebt, het is zo, dus, zo verleidelijk om naar het vooraanzicht te kijken, want dat is wat de camera ziet, " zei Weinberger. "Maar daar ligt ook het probleem, want als je objecten van voren ziet, vervormt de manier waarop ze worden verwerkt ze eigenlijk, en je vervaagt objecten naar de achtergrond en vervormt hun vormen."

uiteindelijk, Weinberger zei, stereocamera's kunnen mogelijk worden gebruikt als de belangrijkste manier om objecten in goedkopere auto's te identificeren, of als back-upmethode in duurdere auto's die ook zijn uitgerust met LiDAR.

"De zelfrijdende auto-industrie is terughoudend geweest om af te stappen van LiDAR, ondanks de hoge kosten, gezien zijn uitstekende bereiknauwkeurigheid - wat essentieel is voor de veiligheid rond de auto, " zei Mark Campbell, de John A. Mellowes '60 Professor en SC Thomas Sze directeur van de Sibley School of Mechanical and Aerospace Engineering en een co-auteur van het papier. "De dramatische verbetering van bereikdetectie en nauwkeurigheid, met de vogelvluchtweergave van cameragegevens, heeft het potentieel om de industrie te revolutioneren."

De resultaten hebben implicaties die verder gaan dan zelfrijdende auto's, zei co-auteur Bharath Hariharan, assistent-professor informatica.

"Er is een tendens in de huidige praktijk om de gegevens ongewijzigd door te voeren naar complexe machine learning-algoritmen in de veronderstelling dat deze algoritmen altijd de relevante informatie kunnen extraheren. " zei Hariharan. "Onze resultaten suggereren dat dit niet per se waar is, en dat we moeten nadenken over hoe de gegevens worden weergegeven."

Ook bijdragen waren Cornell postdoctoraal onderzoeker Wei-Lun Chao en Divyansh Garg '20.