Точное прогнозирование в режиме реального времени движения транспортных средств или будущей траектории движения пешеходов имеет важное значение для безопасного автономного вождения.
Исследовательская группа, возглавляемая Городским университетом Гонконга (CityU), недавно разработала новую систему искусственного интеллекта, которая повышает точность прогнозирования в условиях плотного движения и повышает эффективность вычислений более чем на 85%, предлагая большой потенциал для повышения безопасности автономных транспортных средств.
Профессор Ван Цзяньпин с факультета компьютерных наук (CS) CityU, который руководил исследованием, объяснил критическую важность точного прогнозирования в режиме реального времени при автономном вождении, подчеркнув, что даже минимальные задержки и ошибки могут привести к катастрофическим авариям.
Однако существующие решения для прогнозирования поведения часто затрудняются с правильным пониманием сценариев вождения или недостаточно эффективны в своих прогнозах. Эти решения обычно включают повторную нормализацию и перекодирование последних данных о местоположении окружающих объектов и окружающей среды всякий раз, когда транспортное средство и его обзорное окно перемещаются вперед, даже если последние данные о местоположении существенно перекрывают предыдущие данные. Это приводит к избыточным вычислениям и задержкам в онлайн-прогнозах в режиме реального времени.
Чтобы преодолеть эти ограничения, профессор Ван и его команда представили революционную модель прогнозирования траектории, называемую «QCNet», которая теоретически может поддерживать потоковую обработку. Она основана на принципе относительного позиционирования в пространстве-времени, что придает модели прогнозирования превосходные свойства, такие как «инвариантность к roto-translation в пространственном измерении» и «инвариантность к translation во временном измерении».
Эти два свойства позволяют информации о местоположении, извлеченной из сценария вождения, быть уникальной и фиксированной, независимо от пространственно-временной системы координат наблюдателя при просмотре сценария вождения. Этот подход позволяет кэшировать и повторно использовать ранее вычисленные кодировки координат, позволяя модели прогнозирования теоретически работать в режиме реального времени.
Команда также включила относительные положения участников дорожного движения, полос движения и пешеходных переходов в модель искусственного интеллекта, чтобы зафиксировать их взаимоотношения в сценариях вождения. Это улучшенное понимание правил дорожного движения и взаимодействий между несколькими участниками дорожного движения позволяет модели генерировать прогнозы без столкновений, учитывая неопределенность в будущем поведении участников дорожного движения.
Для оценки эффективности QCNet команда использовала «Argoverse 1» и «Argoverse 2», две крупномасштабные коллекции данных об автономном вождении с открытым исходным кодом и карты высокой четкости из разных городов США. Эти наборы данных считаются наиболее сложными эталонами для прогнозирования поведения, включающими более 320 000 последовательностей данных и 250 000 сценариев.
В ходе тестирования QCNet продемонстрировала как скорость, так и точность прогнозирования будущих движений участников дорожного движения, даже при долгосрочном прогнозировании до шести секунд. Она заняла первое место среди 333 подходов к прогнозированию в Argoverse 1 и 44 подходов в Argoverse 2. Более того, QCNet значительно сократила задержку онлайн-вывода с 8 мс до 1 мс и повысила эффективность более чем на 85% в условиях самого плотного дорожного движения с участием 190 участников дорожного движения и 169 картографических полигонов, таких как полосы движения и пешеходные переходы.
«Интегрируя эту технологию в системы автономного вождения, автономные транспортные средства могут эффективно понимать окружающую обстановку, более точно прогнозировать будущее поведение других пользователей и принимать более безопасные и гуманные решения, прокладывая путь к безопасному автономному вождению», — сказал профессор Ван. «Мы планируем применять эту технологию в большем количестве приложений для автономного вождения, включая моделирование дорожного движения и принятие решений, подобных человеческому».