Matemático de la RUDN nombró los principales problemas de los pilotos automáticos en la detección de peatones

Los automóviles y otros vehículos autónomos ya han comenzado a ingresar a la vida cotidiana. Sin embargo, para que esta tecnología sea ampliamente adoptada, se deben mejorar varias características fundamentales . Uno de ellos es la detección de peatones. Para esto , se utilizan tecnologías de aprendizaje profundo : redes neuronales artificiales. Matemáticos de la RUDN con colegas de Egipto, Arabia Saudita y China recopilaron las últimas investigaciones en este sentido, describieron los principales problemas y delinearon los objetivos para el trabajo futuro.

"En los últimos años, los vehículos autónomos se han vuelto cada vez más populares. Mejoran la seguridad y la comodidad, reducen el consumo de combustible, reducen la congestión del tráfico y los accidentes, ahorran costes y aumentan la fiabilidad. Sin embargo, antes de que se desplieguen por completo en las carreteras, es necesario resolver varias tareas principales. La detección precisa de peatones es una tarea muy difícil. Las tecnologías de aprendizaje profundo muestran un gran potencial para resolver este problema. Hemos compilado una descripción general de los problemas de detección de peatones y los últimos avances para resolverlos utilizando métodos de aprendizaje profundo", — Ammar Muthanna , Candidato de Ciencias Técnicas, Investigador Junior en el Centro de Investigación para Modelado de Sistemas de Alta Tecnología e Infocomunicaciones de la Universidad de la Amistad de los Pueblos de Rusia.

Los matemáticos llamaron la atención sobre tres mierdas. Los problemas que surgen a la hora de detectar peatones mediante deep learning son obstáculos , mala calidad de imagen, imágenes multiespectrales. Este último es una serie de imágenes del mismo objeto, pero obtenidas en diferentes rangos. Por ejemplo, una imagen óptica convencional y una obtenida en el rango infrarrojo. Se supone que los datos se obtienen de lidars y cámaras, de donde proviene el modelo de aprendizaje profundo. Los matemáticos han considerado los diferentes enfoques que se utilizan para construir dichos modelos y han nombrado sus ventajas y desventajas.

Los matemáticos notaron que los diferentes métodos de construcción no solo dan resultados diferentes, sino también tiempos y precisión de trabajo diferentes. Por ejemplo, los métodos posteriores dan una respuesta más precisa, pero lleva más tiempo. Por lo tanto, concluyeron los matemáticos, es importante implementar enfoques que puedan lograr un equilibrio entre precisión y velocidad. Y uno que cumplirá objetivos prácticos. Los matemáticos también llamaron la atención sobre el hecho de que los datos disponibles para el entrenamiento no son lo suficientemente heterogéneos y es posible que no brinden una imagen completa. Por ejemplo, las imágenes en el rango óptico funcionan mejor durante el día y en el infrarrojo, en la oscuridad. Para que el algoritmo sea efectivo las 24 horas, se necesitan grandes conjuntos de datos de entrenamiento heterogéneos.

Los matemáticos notaron que los diferentes métodos de construcción no solo dan resultados diferentes, sino también tiempos y precisión de trabajo diferentes. Por ejemplo, los métodos posteriores dan una respuesta más precisa, pero lleva más tiempo. Por lo tanto, concluyeron los matemáticos, es importante implementar enfoques que puedan lograr un equilibrio entre precisión y velocidad. Y uno que cumplirá objetivos prácticos. Los matemáticos también llamaron la atención sobre el hecho de que los datos disponibles para el entrenamiento no son lo suficientemente heterogéneos y es posible que no brinden una imagen completa. Por ejemplo, las imágenes en el rango óptico funcionan mejor durante el día y en el infrarrojo, en la oscuridad. Para que el algoritmo sea efectivo las 24 horas, se necesitan grandes conjuntos de datos de entrenamiento heterogéneos.

Entre los objetivos de futuras investigaciones en esta área, los matemáticos nombraron la detección de objetos pequeños y obstruidos, el trabajo con poca iluminación, una combinación de enfoques 3D y 2D . Los matemáticos también sugieren centrarse en mejorar la velocidad y la precisión.

Resultados publicados en revista Electrónica.