Analiz | Sürücüsüz araçlarda derin öğrenmenin uygulamaları nelerdir?
Leifeng.com'un notu: Bu makalenin yazarı Kevin Zhong, orijinal olarak Zhihu'da yayınlandı ve Leifeng.com bunu yeniden basma yetkisine sahiptir.
Derin öğrenme esas olarak insansız sürüş alanında yani kamerada görüntü işleme için kullanılır. Tabii ki, radar veri işleme için de kullanılabilir, ancak son derece zengin görüntü bilgileri ve zor manuel modellemenin özelliklerine dayanarak, derin öğrenme avantajlarını en üst düzeye çıkarabilir.
Şimdi, İsrailin mobileye şirketi olan küresel kamera alanındaki devin ürünlerinde derin öğrenmeyi nasıl kullandığını anlatalım. Derin öğrenme, çevredeki ortamı ve araç için yararlı olan çeşitli bilgileri algılamak, tanımlamak için kullanılabilir; ayrıca, mevcut duruma göre kararlar almak için doğrudan DNN ile eğitilen AlphaGo'nun Politika Ağı gibi karar verme için de kullanılabilir.
Çevresel tanıma, Mobileye, tanıma çalışmalarını üç bölüme ayırır: nesne tanıma, sürüş alanı algılama ve sürüş yolu tanıma.
-
Nesne tanıma
Genel nesne tanıma şu şekildedir:
Arabanın nerede olduğunu belirleyebilen dikdörtgen bir çerçeve var ki bu çok iyi, çok iyi ama Mobileye şöyle çıktı:
Ve bunun gibi bir şey:
Bariz fark, Mobileye'nin aracın ön ve yan taraflarını çok doğru bir şekilde algılaması ve sol taraf ile sağ tarafını (sarı ve mavi) tamamen doğru şekilde ayırt edebilmesidir.
İki tespit sonucundaki bilgi miktarı tamamen farklıdır.Soldaki tespit sonucu bize muhtemelen bir arabanın nerede olduğunu söyler, ancak özel konumu ve aracın yönü hakkında hiçbir bilgi yoktur. Ancak sağdaki tespit sonuçlarından, arabanın konumunu, sürüş yönünü ve diğer önemli bilgileri nispeten doğru bir şekilde tahmin edebiliriz, bu da gördükten sonra çıkarabileceğimiz bilgilerle neredeyse aynıdır.
Bu olağanüstü bir sonuçtur. Daha yakın bir araba için, diğer geometrik tabanlı yöntemleri kullanmak ve birkaç kareyi daha izlemek yakın efekti elde edebilir, ancak uzaktaki çok küçük arabaya dikkat edin ve sonuç tamamen doğrudur. Bu yalnızca mümkündür. Derin öğrenmenin gücüdür. Mobileye'nin kurucusu ve CTO'sunun teknolojilerinin ne kadar iyi olduğunu her zaman göstermesi üzücü. Daha önce bazı teknolojileri paylaşmak için sık sık makaleler yayınladı, ancak araç tanıma sinir ağının nasıl modelleneceği, yönlendirmeli bu kadar hassas bir sınırlayıcı kutu üretebilir, sadece gülümsedi ve dedi Bir sürü numara var ...
Akademide benzer işler olduğunu bilen varsa, lütfen bana özel mesajla bildirin, teşekkürler
-
Boş alan tespiti
Derin öğrenmeden önce alan algılamayı sürmek için iki yöntem vardır, biri binoküler kamera stereo görüşüne veya Hareketten Yapıya, diğeri ise yerel özelliklere ve Markov alanlarına dayalı görüntü bölümlemesine dayanır. Sonuç şudur:
Yeşil kısım sürüş alanı algılamasıdır. İyi görünüyor, değil mi? Ancak soldaki yeşil bölümün yolu "ters çevrilmiş ördek" (Lei Feng ağı: kaldırım taşı) ve kaldırımı kapladığını unutmayın, çünkü "ters çevrilmiş ördek" yoldan yaklaşık on santimetre daha yüksekte olduğundan, yoldan stereo görüşle ayırt etmek zordur. Gel. Geleneksel görüntü segmentasyonu da çok zordur, çünkü yerel özellikler, "ters çevrilmiş ördek" nin renkleri ve yol yüzeyi son derece yakındır. İkisini birbirinden ayırmak, çevrenin tüm bağlamının kapsamlı bir şekilde anlaşılmasını gerektirir.
Sahne anlamak için derinlemesine öğrenmeden sonra, bu problem nihayet aşıldı:
Yeşil kısım hala sürülebilir bir alan ... Yolun sağ tarafındaki banket yüksekliği neredeyse yol yüzeyinin yüksekliğiyle aynı ve renk dokusu birebir aynı, stereo görüş ile ayırt etmek mümkün değil.
Dahası, sadece sürülebilir alanın sınırı doğru bir şekilde tespit edilmekle kalmaz, aynı zamanda sınırın nedeni de tespit edilebilir:
Kırmızı renk, nesne ile yol arasındaki sınırı belirtir, fare konumu Koruma rayı belirtir ve önceki resim Düz olmalıdır. Bu şekilde, normal şartlar altında hangi alanların sürülebileceğini bilirsiniz ve acil durumlarda da acele ederek nereye gidebileceğinizi de bilirsiniz.
Tabii ki ilk bölümle karşılaştırıldığında bu bölümün prensibi daha nettir ve derin öğrenmenin sahne anlayışına dayanmaktadır. Akademide oldukça iyi sonuçlar var.Örneğin, aşağıdaki resimde (Cambridge'de Çalışma), yol yüzeyi ve ters çevrilmiş ördek iyi bölünmüş (mavi ve mor):
-
Sürüş yolu tespiti
İşin bu bölümünde çözülmesi gereken sorun esas olarak araç hattı yokken veya araç hattı kötü durumda iken aracın nasıl sürüleceği sorunudur. Tüm yol koşulları aşağıdaki gibiyse:
Tabii ki mükemmel ama bazen yol koşulları veya hava koşulları nedeniyle araç hattını tespit etmek zor.
Derin öğrenme bunun için bir çözüm sağlar. Sinir ağını şerit çizgileri olmadan yolda giden insanların verileriyle eğitebiliriz Eğitimden sonra, sinir ağı şerit çizgisi olmadığında gelecekteki arabanın nasıl gidebileceğini kabaca yargılayabilir. Prensibin bu kısmı da nispeten açıktır: Kullanacak bir kişi bulun, tüm sürüş süreci boyunca kameranın videosunu kaydedin ve kişinin kullandığı stratejik aracın sürüş yolunu kaydedin. Sinir ağını eğitmek için her bir resim çerçevesini girdi olarak ve aracın yolunu gelecekte bir süre (kısa bir süre) için çıktı olarak kullanın. Black Apple cep telefonu tarafından kurulan daha önce popüler olan Comma şirketi, bu şekilde insansız sürüş yaptı, çünkü LeCun güvenilirliğini ve özgünlüğünü küçümsedi.
Sonuçlar aşağıdaki gibidir, sinir ağının sağladığı sürüş yolunun temelde insan yargısına uygun olduğunu görebiliriz:
Daha aşırı durumlar:
Yeşil, öngörülen sürüş yoludur. Derin öğrenme olmadan bu senaryo tamamen imkansızdır. Elbette, yakın tarihli bir başka cevapta, yol planlaması için yalnızca sinir ağına güvenemeyeceğinizden bahsetmiştim.Mobileye ayrıca geleneksel şerit çizgisi algılamayı, yukarıda bahsedilen sahne bölümlemesiyle tespit edilen korkuluk vb. Entegre eder. Sinir ağı çıktısının bu kısmı Bekleyin, bilgi füzyonu yapın ve sonunda istikrarlı ve mükemmel bir sürüş yolu elde edin.
Devam edecek...
