در آینده نزدیک بینشی همانند بینش انسانی در وسایل نقلیه خودران پدیدار می‌شود…
اینکه ربات‌های سیار چگونه محیط اطراف خود را دقیقاً بررسی و درک میکنند، مخصوصا زمانی که دیگر اشیاء، مناطق خاصی را مسدود و اشغال میکنند، مسئله‌ای حیاتی است که باید حل شود تا وسایل نقلیه خودران بتوانند با خیال راحت در شهرهای شلوغ کار کنند.
به گزارش مکاترونیک نیوز، الگوریتم‌های فعلی هوش مصنوعی (AI) که به روبات‌ها و وسایل نقلیه خودران اجازه می‌دهد تا محیط خود را حس کنند، آنها می‌توانند ساختار فیزیکی کامل اشیاء را حتی زمانی که تا حدی مبهم هستند، متصور شوند، اما نمی‌توانند همین کار را برای افراد انجام دهند.
برای راهبری وسایل نقلیه خودران به انواع داده نیازمندیم. حتی یک کامپیوتر هم باید ببیند و بر اساس درک خودش از هندسه محیط اطراف تصمیم گیری نماید. به عنوان مثال حدود جاده، موقعیت پیچ، موقعیت وسایل نقلیه دیگر، سرعت وسایل نقلیه موجود، موقعیت مکانی عابرین پیاده، میزان ترافیک و کمی هم پیش بینی آینده. به طور مثال یک راننده همیشه ورود اتومبیل های دیگر از پیچ ها و بریدگی ها را در نظر می گیرد.
وقتی ربات‌های مجهز به هوش مصنوعی، یاد گرفتند که محیطشان چگونه ظاهر می‌شود، می‌توانند به تنهایی مسیریابی کنند و راه خود را پیدا کنند.
با این حال، درک ساختار کامل اشیاء هنگامی که تا حدی پوشیده شده اند، مانند افراد در شلوغی یا وسایل نقلیه در ترافیک، برای آنها چالش برانگیز است. پروفسور دکتر آبیناو والادا و دکتر روهیت موهان از آزمایشگاه یادگیری ربات در دانشگاه فرایبورگ، پیشرفت قابل توجهی در یافتن راه حلی برای این موضوع داشته است که آنها در دو مقاله مشترک آن را مستند کرده اند.
مشکلی که راه حل آن، ایمنی بیشتری را نوید می‌دهد وظیفه بخش‌بندی پانوپتیک آمودال توسط دو محقق فرایبورگ ایجاد شد که سپس از تکنیک‌های پیشرفته هوش مصنوعی برای نشان دادن امکان‌پذیر بودن آن استفاده کردند. بخش‌بندی پانوپتیک تا این لحظه توسط وسایل نقلیه خودران برای درک محیط اطراف خود به کار گرفته شده است.
بر خلاف بخش‌بندی پانوپتیک (وسط)، بخش‌بندی پانوپتیک آمودال (پایین) کل نمونه‌های شی را از جمله مناطق مسدود شده آنها، به عنوان مثال، ماشین‌ها و افراد، تصویر ورودی (بالا) را پیش‌بینی می‌کند. اعتبار تصویر: Berkeley DeepDrive; آبیناو والادا; آبیناو والادا
پتانسیل ایجاد انقلاب در درک صحنه بصری شهری محققان این تکلیف جدید را به مجموعه داده های معیار شناخته شده اضافه کردند. آنها در مقاله اخیر ارائه شده در کنفرانس بینایی و تشخیص الگوی رایانه ای IEEE/CVF (CVPR) آنها را در دسترس عموم قرار دادند.
اکنون از دانشمندان دعوت می‌شود تا الگوریتم‌های هوش مصنوعی خود در را محک بزنند. هدف از این کار، تقسیم‌بندی معنایی پیکسلی مناطق مرئی کلاس‌های پس‌زمینه قابل شمارش مانند اتومبیل‌ها، کامیون‌ها و عابران پیاده، و همچنین تقسیم‌بندی نمونه‌ای از مناطق شیء مرئی و مسدود کلاس‌های پس‌زمینه آمورف، از جمله جاده‌ها، پوشش گیاهی و آسمان است.
دو الگوریتم یادگیری جدید پیشنهادی، از جمله معیارها و مجموعه داده هایی هستند که در وب سایت به صورت عمومی در دسترس هستند.
پروفسور دکتر ابهیناو والادا، آزمایشگاه یادگیری ربات، دانشکده مهندسی، دانشگاه فرایبورگ اظهار داشت:
ما مطمئن هستیم که الگوریتم‌های جدید هوش مصنوعی برای این کار، ربات‌ها را قادر می‌سازد تا از تجربه بصری انسان‌ها با درک ساختارهای فیزیکی کامل اشیا تقلید کنند.
دکتر والادا افزود: “بخش بندی پانوپتیک آمودال به طور قابل توجهی به وظایف رانندگی خودکار پایین دستی کمک می کند که در آن انسداد یک چالش بزرگ مانند تخمین عمق، جریان نوری، ردیابی شی، تخمین پوز، پیش بینی حرکت و غیره است.”
با الگوریتم‌های پیشرفته‌تر هوش مصنوعی برای این کار، می‌توان توانایی تشخیص بصری خودروهای خودران را متحول کرد. به عنوان مثال، اگر تمام ساختار کاربران جاده بدون در نظر گرفتن انسداد جزئی در همه زمان‌ها درک شود، می‌توان خطر تصادفات را به میزان قابل توجهی به حداقل رساند.
وسایل نقلیه خودکار همچنین می توانند تصمیمات پیچیده ای اتخاذ کنند، مانند جهتی که باید به سمت آیتم بروند تا دید دقیق تری داشته باشند، با فرض ترتیب عمق نسبی اشیا در یک صحنه. در AutoSens، که در موزه Autoworld در بروکسل برگزار شد، مدیران ارشد صنعت خودرو با چالش و مزایای تحقق این اهداف معرفی شدند.
نام خبرنگار : محمد آموت سر
منبع خبر: www.azorobotics.com
