Lage "smarte frontlykter" med maskinlæring

Det er en vanlig scene for alle som kjører om natten på en mørk vei. Glidelås rundt hjørner og over bakker, bilens fjernlys er på for å forbedre synet mens førerens hånd forblir klar til å slå dem av med et øyeblikks varsel, at de ikke blinder møtende trafikk og forårsaker en ulykke. Xin Li mener det finnes en bedre løsning, og han jobber med Kinas største frontlysprodusent for å gjøre det til en realitet. "Moderne frontlykter har ikke bare én eller to lyspærer, de kan ha opptil en million,sa Li, professor i elektro- og datateknikk ved Duke University og Duke Kunshan University. "Jeg jobber med industripartnere for å lage en "smart frontlykt" som kan kontrollere hver piksel individuelt og automatisk lyse opp forskjellige områder foran bilen etter å ha gjenkjent miljøet rundt."

For eksempel, frontlyset kan redusere mengden lys som peker mot en møtende bil og samtidig øke belysningen av et kommende veiskilt. Eller den kan oppdage fotgjengere i nærheten og varsle sjåføren ved å fremheve kroppen mens de unngår å skinne lys direkte inn i øynene deres.

Maskinlæring kan lære «smarte frontlykter».’ å gjenkjenne miljøet og hjelpe sjåføren ved å lyse opp fotgjengere i nærheten og samtidig unngå å blende dem i prosessen.

Utfordringen med å lage en slik frontlykt er ikke nødvendigvis å skape de forskjellige lysmønstrene – den lærer bilen hvordan den automatisk gjenkjenner omgivelsene og lager mønstrene på egen hånd. Det er et problem som HASCO Vision Technology – den største produsenten av billamper i Kina – henvender seg til Li for å hjelpe dem å løse med maskinlæring.

Mange bilselskaper bruker kameraer og maskinlæring for å hjelpe til med å kontrollere sine egne versjoner av selvkjørende biler, så Li er langt fra alene i denne forbindelse. Maskinlæringsalgoritmer, derimot, trenger store mengder data å lære av, og mange av datasettene og algoritmene som allerede er laget for dette formålet har fokusert på kjøring på dagtid.

«Vår søknad bryr seg imidlertid ikke om dagtid,sa Li, som deler tiden sin mellom Dukes campus i North Carolina og Kunshan, Kina. «Å bruke denne tilnærmingen for smarte frontlykter er faktisk vanskeligere fordi lysforholdene er mye dårligere. Det er en unik utfordring som ikke har blitt studert godt tidligere."

Mens bransjepartnerne hans jobber med å samle inn flere nattbilder og møysommelig kommentere viktige objekter som skilt, fotgjengere og andre biler, Li optimaliserer maskinlæringsalgoritmen. Fordi beslutninger må tas i sanntid, forskerne må velge riktig maskinvare og designe algoritmen for å passe arkitekturen.

DKU-forsker Xin Feng hjelper Li med denne oppgaven. leger tester noen ganger friske mennesker for H, Li og Feng har allerede en fungerende demo som, mens det er imponerende, må fortsatt forbedres før den kommer ut på veiene.

Et annet alternativ for å vise informasjon på veibanen med "smarte frontlykter".’ minner sjåførene om fartsgrensen.

"Deteksjonsnøyaktighet er veldig viktig - du kan ikke gå glipp av noe eller noen,sa Li. "Og selv om det er et veldig viktig og utfordrende problem, det er bare én beregning. Den andre er sanntidsrespons. Hvis algoritmen tar for lang tid å svare, da er det ikke nyttig. Teknisk sett, det er de to mest utfordrende problemene.»

Men de er problemer Li forventer å løse i nær fremtid, sammen med å legge til noen flere bjeller og fløyter. Et annet aspekt av prosjektet bruker frontlyktene til å projisere viktig informasjon som vær og veiforhold, trafikkskilt, navigasjonsanvisninger, og til og med kjørefelt inn på veibanen innenfor selve frontlysstrålene.

Andre fremskritt kan inkludere å bruke alternative sensorer som selvkjørende biler til slutt kan ha som radar og lidar. Men inntil videre, prosjektet bruker kun forovervendte kameraer for å holde kostnadene nede, som i de neste årene er det mye mer sannsynlig at forbrukere ser smarte frontlykter på veiene i stort antall enn selvkjørende kjøretøy med ekstra deteksjonsmuligheter.

«Jeg tror vi kan få et førstegenerasjonsprodukt på markedet i løpet av de neste to årene,sa Li. «Når vi har dem på veien, vi kan få enda mer tilbakemelding og data for å forbedre nøyaktigheten og responstiden ytterligere for å gjøre fremtidige iterasjoner enda bedre.»

Kilde: pratt.duke.edu