Un mathématicien de l'Université RUDN a nommé les principaux problèmes des pilotes automatiques lors de la détection des piétons

Les voitures et autres véhicules autonomes ont déjà commencé à entrer dans la vie quotidienne. Cependant, pour que cette technologie soit largement adoptée, plusieurs caractéristiques fondamentales doivent être améliorées . L’un d’eux est la détection des piétons. Pour cela , des technologies d’apprentissage en profondeur sont utilisées — les réseaux de neurones artificiels. Les mathématiciens de RUDN avec des collègues d’Égypte, d’Arabie saoudite et de Chine ont rassemblé les dernières recherches dans cette direction, décrit les principaux problèmes et défini les objectifs des travaux futurs.

"Ces dernières années, les véhicules autonomes sont devenus de plus en plus populaires. Ils améliorent la sécurité et le confort, réduisent la consommation de carburant, réduisent les embouteillages et les accidents, réduisent les coûts et augmentent la fiabilité. Cependant, avant qu’ils ne soient pleinement déployés sur les routes, plusieurs tâches principales doivent être résolues. La détection précise des piétons est une tâche très difficile. Les technologies d’apprentissage en profondeur présentent un grand potentiel pour résoudre ce problème. Nous avons compilé un aperçu des problèmes de détection des piétons et des dernières avancées pour les résoudre à l’aide de méthodes d’apprentissage en profondeur", — Ammar Muthanna , candidate en sciences techniques, chercheuse junior au Centre de recherche sur la modélisation des systèmes de haute technologie et l’ infocommunication de l’ Université de l’amitié des peuples de Russie.

Les mathématiciens ont attiré l’attention sur trois merdes Les problèmes qui se posent lors de la détection de piétons à l’aide du deep learning sont les obstacles , la mauvaise qualité d’image, les images multispectrales. Ce dernier est une série d’images du même objet, mais obtenues dans des gammes différentes. Par exemple, une image optique conventionnelle et une obtenue dans le domaine infrarouge. On suppose que les données sont obtenues à partir de lidars et de caméras, d’où provient le modèle d’apprentissage en profondeur. Les mathématiciens ont examiné les différentes approches utilisées pour construire de tels modèles et ont nommé leurs avantages et leurs inconvénients.

Les mathématiciens ont remarqué que différentes méthodes de construction donnent non seulement des résultats différents, mais également des temps et une précision de travail différents. Par exemple, les méthodes ultérieures donnent une réponse plus précise, mais cela prend plus de temps. Par conséquent, ont conclu les mathématiciens, il est important de mettre en œuvre des approches qui peuvent trouver un équilibre entre précision et rapidité. Et celui qui répondra à des objectifs pratiques. Les mathématiciens ont également attiré l’attention sur le fait que les données disponibles pour la formation ne sont pas assez hétérogènes et peuvent ne pas donner une image complète. Par exemple, les images dans la gamme optique fonctionnent mieux pendant la journée et dans l’infrarouge — dans l’obscurité. Pour que l’algorithme soit efficace 24 heures sur 24, de grands ensembles de données de formation hétérogènes sont nécessaires.

Parmi les objectifs des recherches futures dans ce domaine, les mathématiciens ont cité la détection d’objets petits et obstrués, le travail dans un mauvais éclairage, une combinaison d’ approches 3D et 2D . Les mathématiciens suggèrent également de se concentrer sur l’amélioration de la vitesse et de la précision.

Résultats publiés dans le magazine Electronics.