Το MultiNet, ένα τεχνολογικό σύστημα που ανιχνεύει και ταυτόχρονα προβλέπει την κίνηση και εν γένει πορεία «εμποδίων» για τα αυτόνομα κινούμενα οχήματά της ανέπτυξε και πρόκειται να δοκιμάσει πιλοτικά η Uber.
Στελέχη της τελευταίας υποστηρίζουν πως σε αντίθεση με υφιστάμενες εφαρμογές και τεχνολογίες, το MultiNet αιτιολογεί την αβεβαιότητα της συμπεριφοράς και της κίνησης των αυτοκινήτων, των πεζών, αλλά και των ποδηλατών αξιοποιώντας ένα μοντέλο που παραβιάζει τις ανιχνεύσεις και τις προβλέψεις και στη συνέχεια τις βελτιώνει προκειμένου να δημιουργήσει πιθανές τροχιές.
Αναμφίβολα, η πρόβλεψη της μελλοντικής κατάστασης εμποδίων μπορεί μεν να αποτελεί ένα δύσκολο έργο, εντούτοις όμως θεωρείται ως το «κλειδί» για την πρόληψη ατυχημάτων στο δρόμο.
Μέσα στο πλαίσιο ενός αυτοκινούμενου οχήματος, ένα σύστημα έγκαιρης όσο και ρεαλιστικής αντίληψης οφείλει να συλλαμβάνει, να επεξεργάζεται και να προβλέπει μια σειρά πολλαπλών τροχιών, τη στιγμή κατά την οποία η πλειοψηφία των συστημάτων αδυνατεί ακόμη και να αναγνωρίσει μια μεμονωμένη πιθανή τροχιά.
Για παράδειγμα, ένα όχημα που κινείται στο αντίθετο ρεύμα και πλησιάζει μια διασταύρωση μπορεί να συνεχίσει να οδηγεί ευθεία ή να στρίψει μπροστά από ένα αυτόνομα κινούμενο όχημα.
Προκειμένου να διασφαλιστεί η ασφάλεια, το αυτοκινούμενο όχημα οφείλει να αιτιολογήσει αυτές τις δυνατότητες και να προσαρμόσει ανάλογα τη συμπεριφορά του.
Το MultiNet λαμβάνει δεδομένα αισθητήρα lidar και χάρτες υψηλής ευκρίνειας οδών, μαθαίνοντας από κοινού τροχιές εμποδίων, μα και αβέβαιες τροχιές.
Προκειμένου να δοκιμάσουν την απόδοση του MultiNet, οι ερευνητές «εκπαίδευσαν» το σύστημα για μια ημέρα στο ATG4D, ένα σύνολο δεδομένων που περιέχει δεδομένα που συλλέχθηκαν από αυτόνομα οχήματα της Uber σε πόλεις της Βόρειας Αμερικής χρησιμοποιώντας έναν αισθητήρα lidar που τοποθετήθηκε στην οροφή.
Αποτέλεσμα; Να διαμορφώσουν και να εξελίξουν 5.500 πιθανά όσο και ξεχωριστά σενάρια που δύναται να βρουν εφαρμογή στον δρόμο.
Αναφέρουν ότι το MultiNet ξεπέρασε σε εντυπωσιακό βαθμό και επιτυγχάνοντας σημαντικά ποσοστά επιτυχίας και στους τρεις τύπους εμποδίων (οχήματα, πεζοί και ποδηλάτες) όσον αφορά την ακρίβεια των προβλέψεων.
Συγκεκριμένα, η αβεβαιότητα μοντελοποίησης οδήγησε σε βελτιώσεις που κινήθηκαν -μόλις- μεταξύ 9% και 13%, και επέτρεψε τη συλλογιστική σχετικά με τον εγγενή θόρυβο της μελλοντικής κίνησης της κυκλοφορίας.
ή αποκτήστε ετήσια συνδρομή εδώ.
