Мы уже больше года целенаправленно занимаемся разработкой ИИ для беспилотного управления транспортом. На сегодня наш ключевой проект — разработка беспилотного электрического шаттла.

Немного о нашей компании и концепте мы рассказывали в этой статье ранее:

Ralient-шаттл (R-shuttle) — это грузовой электрофургон, предназначенный для городской доставки (последней мили), а также для доставки в пригороде (город-область).


​Прототип R-shuttle

Для безопасной работы он должен уметь находить полосы движения независимо от качества и типа дороги, поэтому мы ставим в приоритет нашей разработки отсутствие необходимости разметки на дороге вообще.

Для нас важна возможность работы без свёрхточных карт, так как это значительно удешевляет эксплуатацию беспилотного электромобиля и позволяет быстрее внедрять его на новые рынки.

Большинство существующих систем беспилотного управления потеряют ориентацию в случае отсутствия разметки на дороге. В российских реалиях, где снег или слякоть лежит на дорогах шесть месяцев в году и не на всех дорогах в принципе есть качественная разметка, это особенно критично.

Наши шаттлы должны будут работать в том числе в российских или аналогичных условиях, а значит, мы должны находить полосу движения независимо от внешних факторов — так же, как это делает человек.

Мы разработали сверточную нейронную сеть для детекции полос движения, в том числе используя дорожную разметку. Изучив её результаты, пришли к заключению, что на участках, где линии были отчётливо видны, нейросеть показывала хорошие результаты, но там, где разметку было видно плохо, точность падала.

С такими результатами выезжать на настоящие дороги России небезопасно, поэтому мы решили использовать новый подход с аугментацией. Аугментация данных (data augmentation) — это методика создания дополнительных обучающих данных из имеющихся данных. Мы удаляли разметку с дороги там, где она должна была быть, и обучали нейросеть тем же образом. Нам пришлось научиться понимать, где есть точно дорога, а где другие участники движения.

Для удаления разметки нам было необходимо понимать, где границы дороги, а где другие объекты. После чего мы использовали компьютерное зрение и нейросети для удаления разметки.

Это позволило нам получать изображения, где мы искусственно стирали разметку.

В результате теперь наша нейросеть находит полосы движения независимо от того, есть разметка или её нет.

Мы считаем, что наш подход в создании беспилотного автомобиля наделяет его большим искусственным интеллектом.

Мы с нетерпением ждём плохой погоды в Санкт-Петербурге, чтобы собирать очередной новый датасет и проверять наши подходы в суровых условиях зимы, слякоти и так далее.

Материал опубликован пользователем.
Нажмите кнопку «Написать», чтобы поделиться мнением или рассказать о своём проекте.


Написать