Farante 'Smart Headlights' kun Maŝina Lernado

Ĝi estas ofta sceno por iu ajn veturanta nokte sur malluma vojo. Zipping ĉirkaŭ anguloj kaj super montetoj, la lumtraboj de la aŭto estas ŝaltitaj por plibonigi vidadon dum la mano de la ŝoforo restas preta por malŝalti ilin tuj., por ke ili ne blindigu alirantan trafikon kaj kazu akcidenton. Xin Li kredas ke estas pli bona solvo, kaj li laboras kun la plej granda fabrikanto de lumiloj de Ĉinio por fari ĝin realaĵo. “Modernaj lumturoj ne havas nur unu aŭ du ampolojn, ili povas havi ĝis miliono,“diris Li, profesoro pri elektra kaj komputila inĝenierado en Universitato Duke kaj Universitato Duke Kunshan. "Mi laboras kun industriaj partneroj por krei 'inteligentan lumilon' kiu povas kontroli ĉiun pikselon individue kaj aŭtomate lumigi malsamajn areojn antaŭ la aŭto post rekono de la ĉirkaŭa medio."

Ekzemple, la antaŭlumo povus redukti la kvanton de lumo direktita al alvenanta aŭto dum samtempe pliigante la lumon de venonta trafiksigno.. Aŭ ĝi povus detekti proksimajn piedirantojn kaj atentigi la ŝoforon elstarigante ilian korpon evitante brili lumon rekte en iliajn okulojn..

Maŝina lernado povas instrui "inteligentajn antaŭlumojn".’ rekoni la medion kaj helpi la ŝoforon lumigante proksimajn piedirantojn evitante blindigi ilin en la procezo.

La defio fari tian lumturon ne nepre kreas la malsamajn ŝablonojn de lumo - ĝi instruas al la aŭto kiel aŭtomate rekoni la ĉirkaŭan medion kaj fari la ŝablonojn memstare.. Estas problemo, kiun HASCO Vision Technology—la plej granda fabrikanto de aŭtomobilaj lampoj en Ĉinio—turniĝas al Li por helpi ilin solvi per maŝina lernado..

Multaj aŭtokompanioj uzas fotilojn kaj maŝinlernadon por helpi kontroli siajn proprajn versiojn de memveturantaj aŭtoj, do Li estas malproksime de sola tiurilate. Algoritmoj de lernado de maŝinoj, tamen, bezonas vastajn kvantojn da datumoj por lerni, kaj multaj el la datumaroj kaj algoritmoj jam kreitaj por ĉi tiu celo koncentriĝis pri taga veturado.

“Nia aplikaĵo tamen ne zorgas pri la tagtempo,“diris Li, kiu disigas sian tempon inter la kampusoj de Duke en Norda Karolino kaj Kunshan, Ĉinio. "Uzi ĉi tiun aliron por inteligentaj antaŭlumoj estas fakte pli malfacila ĉar la lumkondiĉoj estas multe pli malbonaj. Ĝi estas unika defio, kiu ne estis bone studita en la pasinteco."

Dum liaj industriaj partneroj laboras por kolekti pli noktajn filmaĵojn kaj pene noti gravajn objektojn kiel signoj, piedirantoj kaj aliaj aŭtoj, Li optimumigas la maŝinlernad-algoritmon. Ĉar decidoj devas esti faritaj en reala tempo, la esploristoj devas elekti la ĝustan aparataron kaj desegni la algoritmon por konveni ĝian arkitekturon.

Helpanta Li kun ĉi tiu tasko estas DKU-esplorsciencisto Xin Feng. Montrante signojn de kolero kiam devigite ĉesigi videoludadon, Li kaj Feng jam havas funkciantan demonstraĵon tion, dum impona, ankoraŭ bezonas plibonigi antaŭ ol ĝi trafos la vojojn.

Alia opcio por montri informojn sur la vojo kun 'inteligentaj lumturoj’ memorigas ŝoforojn pri la rapidlimo.

"Detekta precizeco estas tre grava—vi ne povas maltrafi ion aŭ iun ajn,“diris Li. "Kaj kvankam tio estas tre grava kaj malfacila problemo, ĝi estas nur unu metriko. La alia estas realtempa respondo. Se la algoritmo prenas tro longe por respondi, tiam ĝi ne estas utila. Teknike, tiuj estas la du plej malfacilaj aferoj."

Sed ili estas problemoj, kiujn Li atendas solvi en proksima estonteco, kune kun aldoni kelkajn pliajn sonorilojn kaj fajfilojn. Alia aspekto de la projekto uzas la lumturojn por projekcii gravajn informojn kiel vetero kaj vojkondiĉoj, trafiksignoj, navigaciaj direktoj, kaj eĉ veturantaj lenoj sur la vojon ene de la lumradioj mem.

Aliaj progresoj povus inkluzivi uzadon de alternativaj sensiloj kiujn memveturaj aŭtoj povas eventuale posedi kiel ekzemple radaro kaj lidaro.. Sed nuntempe, la projekto uzas nur antaŭajn fotilojn por konservi kostojn malalte, ĉar en la venontaj kelkaj jaroj konsumantoj multe pli verŝajne vidos inteligentajn antaŭlumojn sur la vojoj en granda nombro ol memveturantaj veturiloj kun pliaj detektkapabloj..

"Mi pensas, ke ni povas akiri unuageneracian produkton sur la merkaton en la venontaj du jaroj,“diris Li. “Iam ni havas tiujn sur la vojo, ni povas ricevi eĉ pli da sugestoj kaj datumoj por plu plibonigi precizecon kaj respondtempon por fari estontajn ripetojn eĉ pli bonaj."

Fonto: pratt.duke.edu