Увы, справедливости ради стоит признать, что автомобили-роботы, над разработкой которых сегодня заняты практически все ведущие автомобилестроители, пока что не способны продемонстрировать сколь-нибудь уверенные практические навыки контроля дорожной ситуации и зачастую теряются, а то и действуют вопреки любой логике, повышая вероятность ДТП. А ведь изначально самоуправляемые авто, как альтернатива авто, управляемому человеком, создавались с целью минимизировать процент аварий на дорогах. Свое оригинальное решение, которое позволит качественно улучшить и повысить эффективность процесса обучения нейросети робомобиля предложили специалисты Центра компьютерного видения (Computer Vision Center) в Барселоне, создавшие уникальный виртуальный полигон для обучения машинного ИИ в ситуациях, имитирующих реальные.
Никто не сомневается, что по мере совершенствования и обучения систем ИИ, осуществляющих управление робомобилями, последние будут демонстрировать все более уверенное и безопасное вождение. И ускорить тот день, когда понятие «резервное пилотирование» полностью утратит всякий смысл предложила команда Центра компьютерного видения (Computer Vision Center) в Барселоне, создав виртуальную модель городской инфраструктуры Synthia.
Основная задача обучающей платформы Synthia, моделирующей процессы реальной городской инфраструктуры, — ускорение обучения систем искусственного интеллекта в процессе обретения ими способностей распознавать препятствия, мгновенно ориентироваться и принимать решение в различных непредвиденных ситуациях при различных погодных условиях, включая дождь, туман, снег и гололед.
Как известно, основной материал, «скармливаемый» в процессе обучения нейронной сети — библиотеки снимков и видеосюжетов, полученных в реальном мире. Анализируя изображения, нейронные сети учатся распознавать, сопоставлять и классифицировать объекты различных категорий, таких, как: прочие автомобили и транспортные средства, дорожные знаки, знаки разметки, пешеходы и пр. Используя имеющуюся базу данных система в режиме реального времени интерпретирует информацию, поступающую с камер и датчиков, принимая в конченом счете решение о выполнении торможения, смены полосы движения, ускорения, поворота или другого действия, продиктованного конкретной дорожной ситуацией.
Системы ИИ не испытывают проблем при обработке данных при движении по автостраде или по другой прямолинейной траектории. Уровень сложности многократно повышается в условиях города, ограниченной видимости, при наличии множества перекрестков и пересечений улиц и др. С другой стороны все «скармливаемые» нейросетям снимки и видео должны иметь аннотацию и маркировку отдельных объектов на снимках, и составлять такие аннотации приходится вручную. Для того, чтобы представить себе объем проделываемых работ достаточно привести пример специалистов Daimler, которым в процессе реализации проекта CityScapes пришлось аннотировать без малого 20 000 изображений для объектов, разбиваемых на 30 отдельных классов.
В компании Mobileye, занимающейся разработкой ПО автопилота для автомобилей Tesla, в обработке изображений вручную задействованы 600 штатных специалистов, а к концу этого года их количество будет вынуждено увеличено до 1000. Обучающая платформа Synthia (Synthetic collection of Imagery and Annotations of urban scenario), разрабатывавшаяся командой специалистов под руководством Германа Роса (German Ros) из Барселоны предлагает элегантное решение этой неудобной проблемы.
Задуманная как видеоигра с участием уже классифицированных объектов, Synthia способна моделировать множество ситуаций, включая и маловероятные, с которыми ИИ вряд ли придется сталкиваться в реальной жизни.
Использование игрового «движка» Unity позволяет создать реалистичную модель городской среды и спонтанно наполнить ее виртуальной жизнью: непредсказуемо себя ведущими пешеходами, велосипедистами, правильно и неправильно припаркованными автомобилями и пр. Одна из возможностей программы — способность моделировать всевозможные ситуации с учетом различных метеорологических условий, смены времени года и др. В виртуальную среду исследователи поместили виртуальный автомобиль с фиксированной ориентацией камер и создали для него возможность самостоятельно перемещаться по виртуальному городу, фиксируя происходящее вокруг на снимках и видео. Так была получена искусственная база данных из высококачественных реалистичных снимков и видеороликов с безупречной аннотацией. На следующем этапе полученные данные могут быть скормлены нейронной сети для обучения.
На сегодняшний день база данных, созданная специалистами Центра компьютерного видения уже включила около 213 тысяч изображений и видео. При этом, все снимки классифицированы в соответствии с той или иной ситуацией, с максимальным приближением имитирующей реальную. Первые полевые испытания системы Synthia продемонстрировали впечатляющие результаты и высокую эффективность метода.
Анализируя процесс обучения по восьми различным алгоритмам нейронных сетей, которым на вход подавались изображения низкого качества ( при разрешающей способности в 240 180 пикселей), специалисты пришли к выводу, что добавление к базе реальных снимков части «синтетических» изображений позволит существенно увеличить точность распознавания объектов 11 различных классов с 45 до 55 процентов. Коммерческая версия программного обеспечения, использующая снимки высокого разрешения, над разработкой которого трудится команда Германа Роса позволит увеличить эффективность системы обучения еще больше.
На сегодняшний день все данные, произведенные и накопленные системой Synthia беспрепятственно выкладываются в открытый доступ под лицензией «не для коммерческого использования». Это делается в целях установления обратных связей с заинтересованными лицам и организациями, популяризации продукта и поиска новых путей улучшения платформы. А создателям робомобилей разработчики Synthia предлагают создание соответствующих версий обучающей платформы с учетом уникальной конфигурации камер и других датчиков виртуального автомобиля, полностью соответствующей конфигурации камер и датчиков создаваемого автомобиля.
Первоисточник
На этом всё, с вами был простой сервис для выбора сложной техники Dronk.Ru. Не забывайте подписываться на наш блог, будет ещё много интересного…
Никто не сомневается, что по мере совершенствования и обучения систем ИИ, осуществляющих управление робомобилями, последние будут демонстрировать все более уверенное и безопасное вождение. И ускорить тот день, когда понятие «резервное пилотирование» полностью утратит всякий смысл предложила команда Центра компьютерного видения (Computer Vision Center) в Барселоне, создав виртуальную модель городской инфраструктуры Synthia.
Основная задача обучающей платформы Synthia, моделирующей процессы реальной городской инфраструктуры, — ускорение обучения систем искусственного интеллекта в процессе обретения ими способностей распознавать препятствия, мгновенно ориентироваться и принимать решение в различных непредвиденных ситуациях при различных погодных условиях, включая дождь, туман, снег и гололед.
Как известно, основной материал, «скармливаемый» в процессе обучения нейронной сети — библиотеки снимков и видеосюжетов, полученных в реальном мире. Анализируя изображения, нейронные сети учатся распознавать, сопоставлять и классифицировать объекты различных категорий, таких, как: прочие автомобили и транспортные средства, дорожные знаки, знаки разметки, пешеходы и пр. Используя имеющуюся базу данных система в режиме реального времени интерпретирует информацию, поступающую с камер и датчиков, принимая в конченом счете решение о выполнении торможения, смены полосы движения, ускорения, поворота или другого действия, продиктованного конкретной дорожной ситуацией.
Системы ИИ не испытывают проблем при обработке данных при движении по автостраде или по другой прямолинейной траектории. Уровень сложности многократно повышается в условиях города, ограниченной видимости, при наличии множества перекрестков и пересечений улиц и др. С другой стороны все «скармливаемые» нейросетям снимки и видео должны иметь аннотацию и маркировку отдельных объектов на снимках, и составлять такие аннотации приходится вручную. Для того, чтобы представить себе объем проделываемых работ достаточно привести пример специалистов Daimler, которым в процессе реализации проекта CityScapes пришлось аннотировать без малого 20 000 изображений для объектов, разбиваемых на 30 отдельных классов.
В компании Mobileye, занимающейся разработкой ПО автопилота для автомобилей Tesla, в обработке изображений вручную задействованы 600 штатных специалистов, а к концу этого года их количество будет вынуждено увеличено до 1000. Обучающая платформа Synthia (Synthetic collection of Imagery and Annotations of urban scenario), разрабатывавшаяся командой специалистов под руководством Германа Роса (German Ros) из Барселоны предлагает элегантное решение этой неудобной проблемы.
Задуманная как видеоигра с участием уже классифицированных объектов, Synthia способна моделировать множество ситуаций, включая и маловероятные, с которыми ИИ вряд ли придется сталкиваться в реальной жизни.
Использование игрового «движка» Unity позволяет создать реалистичную модель городской среды и спонтанно наполнить ее виртуальной жизнью: непредсказуемо себя ведущими пешеходами, велосипедистами, правильно и неправильно припаркованными автомобилями и пр. Одна из возможностей программы — способность моделировать всевозможные ситуации с учетом различных метеорологических условий, смены времени года и др. В виртуальную среду исследователи поместили виртуальный автомобиль с фиксированной ориентацией камер и создали для него возможность самостоятельно перемещаться по виртуальному городу, фиксируя происходящее вокруг на снимках и видео. Так была получена искусственная база данных из высококачественных реалистичных снимков и видеороликов с безупречной аннотацией. На следующем этапе полученные данные могут быть скормлены нейронной сети для обучения.
На сегодняшний день база данных, созданная специалистами Центра компьютерного видения уже включила около 213 тысяч изображений и видео. При этом, все снимки классифицированы в соответствии с той или иной ситуацией, с максимальным приближением имитирующей реальную. Первые полевые испытания системы Synthia продемонстрировали впечатляющие результаты и высокую эффективность метода.
Анализируя процесс обучения по восьми различным алгоритмам нейронных сетей, которым на вход подавались изображения низкого качества ( при разрешающей способности в 240 180 пикселей), специалисты пришли к выводу, что добавление к базе реальных снимков части «синтетических» изображений позволит существенно увеличить точность распознавания объектов 11 различных классов с 45 до 55 процентов. Коммерческая версия программного обеспечения, использующая снимки высокого разрешения, над разработкой которого трудится команда Германа Роса позволит увеличить эффективность системы обучения еще больше.
На сегодняшний день все данные, произведенные и накопленные системой Synthia беспрепятственно выкладываются в открытый доступ под лицензией «не для коммерческого использования». Это делается в целях установления обратных связей с заинтересованными лицам и организациями, популяризации продукта и поиска новых путей улучшения платформы. А создателям робомобилей разработчики Synthia предлагают создание соответствующих версий обучающей платформы с учетом уникальной конфигурации камер и других датчиков виртуального автомобиля, полностью соответствующей конфигурации камер и датчиков создаваемого автомобиля.
Первоисточник
На этом всё, с вами был простой сервис для выбора сложной техники Dronk.Ru. Не забывайте подписываться на наш блог, будет ещё много интересного…
 |
 |
 |
| Почему интернет-магазины отдают деньги за покупки? | Экономим до 8% с каждой покупки на AliExpres и других интернет-магазинах Китая | Верните свои деньги — Выбираем кэшбэк-сервис для Aliexpress |