Neue KI für selbstfahrende Fahrzeuge kann Fußgängerbewegungen vorhersagen

• Ingenieure entwickeln neuronale Netze für selbstfahrende Autos, um Personen zu erkennen und ihre nächsten Bewegungen vorherzusagen.
• Es kann Posen und nächste Positionen für mehrere Fußgänger gleichzeitig bis zu 45 Meter vom Fahrzeug entfernt genau vorhersagen.

Die meisten selbstfahrenden Fahrzeuge erstellen und pflegen eine interne Karte ihrer Umgebung mit einer Vielzahl von Kameras, LiDAR und GPS. Algorithmen verarbeiten dann diese Eingaben, zeichnen einen Weg und senden Anweisungen an die Aktuatoren des Fahrzeugs, die Lenkung, Beschleunigung und Bremsung steuern.

Andere Parameter wie prädiktive Modellierung, hartcodierte Regeln, Hindernisvermeidung und Objektunterscheidungsalgorithmen helfen der Software beim Navigieren, während sie Verkehrsregeln befolgt. Bei den meisten Arbeiten in diesem Bereich wurden nur Standbilder betrachtet, die nicht berücksichtigen, wie sich Fußgänger in drei Dimensionen bewegen.

Um dieses Problem anzugehen, haben Forscher der University of Michigan eine KI entwickelt, die im Vergleich zu bestehenden Technologien Personen erkennen und ihre nächsten Bewegungen mit höherer Präzision vorhersagen kann. Es kann Posen und nächste Positionen für mehrere Fußgänger gleichzeitig in einer Entfernung von bis zu 45 Metern vom Fahrzeug vorhersagen.

Biomechanisch inspiriertes rekurrentes neuronales Netzwerk

Bisher nutzt die autonome Technologie Methoden des maschinellen Lernens, die mit Millionen von zweidimensionalen Bildern umgehen. Sie sind in der Lage, Stoppschilder in der realen Welt in Echtzeit zu erkennen.

Das neue maschinelle Lernverfahren hingegen nutzt Videoclips von mehreren Sekunden, um Bewegungen zu erkennen und genaue Vorhersagen darüber zu treffen, wohin Fußgänger im nächsten Schritt gehen werden.

Referenz:arXiv:1809.03705 | Universität Michigan

Das System beobachtet die Posen von Fußgängern, egal ob sie nach links/rechts schauen oder mit ihrem Handy spielen. Diese Art von Informationen sagt viel darüber aus, was sie am wahrscheinlichsten als nächstes tun werden.

Das neuronale Netzwerk basiert auf dem langen Kurzzeitgedächtnisnetzwerk mit Inspiration aus der Biomechanik des menschlichen Gangs, beispielsweise der Spiegel-/Bilateralsymmetrie des menschlichen Körpers und der Periodizität des menschlichen Gehens.

Wie genau ist es?

Die Ergebnisse der neuronalen Netze waren beeindruckend:Der mittlere Übersetzungsfehler betrug nach 1 Sekunde etwa 10 Zentimeter und nach 6 Sekunden weniger als 80 Zentimeter. Andere ähnliche Techniken waren dagegen bis zu 700 Zentimeter entfernt.

Um das Netzwerk effizienter zu machen, hat das Team verschiedene physikalische Einschränkungen festgelegt, die für den menschlichen Körper gelten – wie die höchstmögliche Geh-/Laufgeschwindigkeit oder die Unfähigkeit zu fliegen – damit das System nicht jede mögliche nächste Bewegung berechnen muss.

Sie verwendeten zwei NVIDIA TITAN X GPUs mit CUDA Deep Learning Framework, um das neuronale Netzwerk auf dem PedX-Datensatz zu trainieren, der reale Schnittpunkte in Michigan enthält.

Es wurde in Python 3.6 implementiert und es dauert ungefähr 1 Millisekunde, um den nächsten Schritt jeder Person in jedem Frame vorherzusagen. Den Forschern zufolge kann der Code weiter optimiert werden, um bessere Ergebnisse zu erzielen.

Lesen Sie:Neuer Algorithmus für selbstfahrende Fahrzeuge kann Spur aggressiv ändern

Die KI kann die Messlatte für fahrerlose Autos höher legen. Es kann auch für Gangstudien von zweibeinigen Robotern von Nutzen sein und kann auf die Entwicklung von klinischen Gangrehabilitationssystemen angewendet werden.