Détection lidar plus efficace pour les voitures autonomes

Détection lidar plus efficace pour les voitures autonomes

Crédit: Laboratoire d’informatique et d’intelligence artificielle du MIT

Si vous voyez une voiture autonome dans la nature, vous remarquerez peut-être un cylindre en rotation géant sur le dessus de son toit. C’est un capteur lidar, et il fonctionne en envoyant des impulsions de lumière infrarouge et en mesurant le temps qu’il leur faut pour rebondir sur les objets. Cela crée une carte de points 3D qui servent d’instantané de l’environnement de la voiture.

L’un des inconvénients du lidar est que ses données 3D sont immenses et gourmandes en calculs. Un capteur typique à 64 canaux, par exemple, produit plus de 2 millions de points par seconde. En raison de la dimension spatiale supplémentaire, les modèles 3D de pointe nécessitent 14 fois plus de calculs au moment de l’inférence par rapport à leur homologue d’image 2D. Cela signifie que, pour naviguer efficacement, les ingénieurs doivent d’abord regrouper les données en 2D, ce qui a pour effet secondaire d’introduire une perte d’informations importante.

Mais une équipe du MIT a travaillé sur un système de conduite autonome qui utilise l’apprentissage automatique afin que le réglage manuel personnalisé ne soit pas nécessaire. Leur nouveau cadre de bout en bout peut naviguer de manière autonome en utilisant uniquement des données brutes de nuages ​​de points 3D et des cartes GPS basse résolution, similaires à celles disponibles sur les smartphones aujourd’hui.

L’apprentissage de bout en bout à partir de données lidar brutes est un processus intensif en calcul, car il implique de fournir à l’ordinateur d’énormes quantités d’informations sensorielles riches pour apprendre à diriger. Pour cette raison, l’équipe a dû concevoir de nouveaux composants d’apprentissage en profondeur qui exploitaient plus efficacement le matériel GPU moderne afin de contrôler le véhicule en temps réel.

«Nous avons optimisé notre solution du point de vue des algorithmes et du système, atteignant une vitesse cumulative d’environ 9x par rapport aux approches lidar 3D existantes», déclare Ph.D. l’étudiant Zhijian Liu, qui était le co-auteur principal de cet article aux côtés d’Alexandre Amini.

Lors de tests, les chercheurs ont montré que leur système réduisait la fréquence à laquelle un conducteur humain devait prendre le contrôle de la machine et pouvait même résister à de graves pannes de capteurs.

Par exemple, imaginez-vous en train de traverser un tunnel puis d’émerger au soleil – pendant une fraction de seconde, vos yeux auront probablement des problèmes de vision à cause de l’éblouissement. Un problème similaire se pose avec les caméras des voitures autonomes, ainsi qu’avec les capteurs lidar des systèmes lorsque les conditions météorologiques sont mauvaises.






Crédit: Laboratoire d’informatique et d’intelligence artificielle du MIT

Pour gérer cela, le système de l’équipe du MIT peut estimer à quel point il est certain d’une prédiction donnée, et peut donc donner plus ou moins de poids à cette prédiction dans la prise de ses décisions. (Dans le cas de la sortie d’un tunnel, cela ignorerait essentiellement toute prédiction qui ne devrait pas être fiable en raison de données de capteur inexactes.)

L’équipe appelle leur approche «fusion de preuves hybrides», car elle fusionne les différentes prédictions de contrôle pour arriver à ses choix de planification de mouvement.

«En fusionnant les prédictions de contrôle en fonction de l’incertitude du modèle, le système peut s’adapter à des événements inattendus», déclare Daniela Rus, professeur au MIT, l’un des principaux auteurs de l’article.

À bien des égards, le système lui-même est une fusion de trois projets antérieurs du MIT:

  • MapLite, un cadre conçu à la main pour conduire sans cartes 3D haute définition
  • «navigation variationnelle de bout en bout», un système d’apprentissage automatique formé à l’aide de données de conduite humaine pour apprendre à naviguer à partir de zéro
  • SPVNAS, une solution d’apprentissage en profondeur 3D efficace qui optimise l’architecture neuronale et la bibliothèque d’inférence

«Nous avons pris les avantages d’une approche de conduite sans mailles et l’avons combinée avec l’apprentissage automatique de bout en bout afin que nous n’ayons pas besoin de programmeurs experts pour régler le système à la main», déclare Amini.

Dans la prochaine étape, l’équipe prévoit de continuer à adapter son système à des niveaux de complexité croissants dans le monde réel, y compris des conditions météorologiques défavorables et une interaction dynamique avec d’autres véhicules.


Le radar amélioré peut permettre aux voitures autonomes de voir clairement quelle que soit la météo


Plus d’information:
Navigation de bout en bout efficace et robuste basée sur LiDAR, arXiv: 2105.09932v1 [cs.RO] arxiv.org/abs/2105.09932

Fourni par le Massachusetts Institute of Technology

Citation: Détection lidar plus efficace pour les voitures autonomes (2021, 25 mai) récupéré le 25 mai 2021 sur https://techxplore.com/news/2021-05-efficace-lidar-self-driving-cars.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.