Nieuw MvACon AI-systeem verhoogt de waarnemingsnauwkeurigheid van zelfrijdende auto's

Onderzoekers van de North Carolina State University ontwikkelden een nieuwe benadering om zelfrijdende auto's te helpen beter te begrijpen wat er om hen heen gebeurt. Deze nieuwe opzet, die ze Multi-View Attentive Contextualization (MvACon) hebben genoemd, pakt enkele van de veelvoorkomende haperingen aan die voorkomen in de huidige vision transformer AI-systemen die werken op het spotten van dingen in 3D vanuit verschillende hoeken.

Ze voerden verschillende tests uit met de nuScenes dataset - een populaire dataset voor autonoom rijden - en MvACon slaagde erin om de detectienauwkeurigheid te verbeteren bij verschillende vision-systemen van topklasse. Toen ze het combineerden met het BEVFormer systeem, liet het duidelijke verbeteringen zien in het uitzoeken waar objecten zich bevinden, het voorspellen welke kant ze op kijken en zelfs het benaderen van hoe snel ze bewegen.

Het team ontdekte dat de aandachtsmethode van MvACon, die zich richt op clusters, de detectie scherp houdt voor voertuigen en nabijgelegen structuren. Ze noemen dit een "lokaal object-context-bewust coördinatensysteem", wat betekent dat het systeem een beter gevoel van ruimte krijgt, wat veel helpt bij het volgen van hoe dingen bewegen en hoe ze eruit zien.

Een innovatief aspect van deze technologie is dat het gemakkelijk kan worden toegevoegd aan huidige autonome voertuigzichtsystemen zonder dat er extra hardware nodig is. En in welke opstelling het ook gebruikt wordt, het zal de prestaties consistent verbeteren, ongeacht hoe het geïmplementeerd wordt.

Tests toonden aan dat het systeem effectief presteerde, zelfs in uitdagende scenario's met meerdere drukke objecten.