Onderzoekers van de afdeling Computerwetenschappen van de Universiteit van Oxford hebben, in samenwerking met collega's van de Bogazici Universiteit, Turkije, een nieuw systeem voor kunstmatige intelligentie (AI) ontwikkeld waarmee autonome voertuigen (AV's) veiliger en betrouwbaarder kunnen navigeren, vooral onder ongunstige weersomstandigheden en GPS-geweigerde rijscenario's. De resultaten zijn vandaag gepubliceerd in Nature Machine Intelligence .

Yasin Almalioglu, die het onderzoek voltooide als onderdeel van zijn DPhil bij de afdeling Computerwetenschappen, zei:"De moeilijkheid voor AV's om nauwkeurige positionering te bereiken tijdens uitdagend slecht weer is een belangrijke reden waarom deze beperkt zijn tot relatief kleinschalige proeven tot Zo kunnen weersomstandigheden zoals regen of sneeuw ervoor zorgen dat een AV zichzelf op de verkeerde rijstrook detecteert voordat een bocht wordt genomen, of te laat stopt op een kruispunt vanwege een onnauwkeurige positionering."

Om dit probleem op te lossen, ontwikkelden Almalioglu en zijn collega's een nieuw, zelf-gecontroleerd deep learning-model voor ego-bewegingsschatting, een cruciaal onderdeel van het aandrijfsysteem van een AV dat de bewegende positie van de auto schat ten opzichte van objecten die vanuit de auto zelf worden waargenomen. Het model bracht zeer gedetailleerde informatie van visuele sensoren (die verstoord kunnen worden door ongunstige omstandigheden) samen met gegevens van weerbestendige bronnen (zoals radar), zodat de voordelen van elk onder verschillende weersomstandigheden kunnen worden benut.

Het model is getraind met behulp van verschillende openbaar beschikbare AV-datasets die gegevens bevatten van meerdere sensoren zoals camera's, lidar en radar onder verschillende instellingen, waaronder variabele licht-/donkerniveaus en neerslag. Deze werden gebruikt om algoritmen te genereren om de geometrie van de scène te reconstrueren en de positie van de auto te berekenen op basis van nieuwe gegevens. Onder verschillende testsituaties toonden de onderzoekers aan dat het model robuuste prestaties bij alle weersomstandigheden liet zien, inclusief regen, mist en sneeuw, evenals dag en nacht.

Het team verwacht dat dit werk AV's een stap dichter bij veilig en soepel autonoom rijden onder alle weersomstandigheden zal brengen, en uiteindelijk een breder gebruik binnen samenlevingen.

Professor Niki Trigoni, van het Department of Computer Science aan de Universiteit van Oxford, die de studie co-superviseerde, zei:"Het precieze positioneringsvermogen biedt een basis voor tal van kernfunctionaliteiten van AV's, zoals bewegingsplanning, voorspelling, situationeel bewustzijn en het vermijden van botsingen. Deze studie biedt een opwindende aanvullende oplossing voor de AV-softwarestack om deze mogelijkheid te bereiken."

Professor Andrew Markham (Department of Computer Science, Oxford University), ook een co-promotor van het onderzoek, voegde toe:"Het schatten van de precieze locatie van AV's is een cruciale mijlpaal voor het bereiken van betrouwbaar autonoom rijden onder uitdagende omstandigheden. Dit onderzoek maakt effectief gebruik van de complementaire aspecten van verschillende sensoren om AV's te helpen navigeren in moeilijke dagelijkse scenario's." + Verder verkennen

Slechte weersgegevens kunnen autonome voertuigen helpen om te zien