Группа исследователей из Китая открыла способ помочь автономным автомобилям ？видеть？ лучше в темноте, повысив их способность управлять автомобилем более чем на 10%. Секрет успеха кроется в изучении работы человеческого глаза.
Один из способов навигации автономных автомобилей — использование набора камер, каждая из которых оснащена специальным фильтром для распознавания поляризации входящего света. Поляризация относится к направлению колебаний световых волн по мере их распространения, что может предоставить много информации об объекте, от которого в последний раз отразилась световая волна, включая особенности поверхности объекта и детали.
Однако, хотя поляризационные фильтры и предоставляют автономным транспортным средствам дополнительную информацию об окружающих их объектах, фильтр имеет некоторые подводные камни.
？Хотя эта конструкция с двойным фильтром и обеспечивает дополнительную информацию, она затрудняет захват фотонов ночью, — говорит Цзяньдун Тянь, профессор робототехники Китайской академии наук в Шэньяне. – В условиях низкой освещённости качество изображения поляризационной камеры резко падает, а детализация и резкость страдают сильнее？.
Теория предполагает, что наша зрительная система способна различать свет двумя разными способами, а именно: с помощью отражательной способности и компонентов освещённости света. Даже в условиях слабого освещения наши глаза и мозг способны компенсировать изменения освещённости света в достаточной степени, чтобы различать цвета.
Была применена эта концепция к автономной навигационной системе автомобиля, которая обрабатывает отражательные и люминесцентные качества поляризованного света по отдельности. Один алгоритм, обученный с использованием реальных данных тех же изображений в светлых и тёмных условиях, работает как наша собственная зрительная система, компенсируя изменения яркости. Второй алгоритм обрабатывает отражательные свойства входящего света, удаляя фоновый шум.
В то время как обычные автономные транспортные средства, как правило, обрабатывают только отражательные свойства света, этот двойной подход даёт лучшие результаты.
В опубликованном исследовании исследователи проверили свой подход, названный RPLENet.
Сначала команда провела моделирование с использованием реальных данных тусклых сред, чтобы убедиться, что их подход может обеспечить более качественные изображения при слабом освещении. Затем они установили камеру, которая использует RPLENet, на автомобиль и протестировали её в реальном ночном сценарии. Результаты показывают, что новый подход может повысить точность вождения примерно на 10% в экспериментах с алгоритмами автономного вождения.
Исследователи считают, что этот подход может привести к созданию более безопасных автономных автомобилей.
Однако одной из проблем подхода является то, что он требует обширного обучения на наборах данных, которые трудно получить (например, изображения одного и того же объекта при разных сценариях освещения).
В будущем разработчики планируют продолжить изучение методов обучения со слабым контролем и без контроля, чтобы уменьшить зависимость от больших объёмов маркированных данных. Это должно ускорить разработку алгоритмов и помочь обеспечить более эффективные и экономичные решения в реальных приложениях.
Подписывайтесь на журнал ？Вестник ГЛОНАСС？ и навигационный Telegram-канал
По материалам открытых источников