.
Carros autônomos, ou veículos autônomos, há muito são apontados como o modo de transporte da próxima geração. Para permitir a navegação autônoma de tais veículos em diferentes ambientes, muitas tecnologias diferentes relacionadas ao processamento de sinais, processamento de imagens, aprendizado profundo de inteligência artificial, computação de ponta e IoT precisam ser implementadas.
Uma das maiores preocupações em torno da popularização dos veículos autônomos é a segurança e a confiabilidade. A fim de garantir uma experiência de direção segura para o usuário, é essencial que um veículo autônomo monitore e distinga com precisão, eficácia e eficiência seus arredores, bem como possíveis ameaças à segurança dos passageiros.
Para isso, os veículos autônomos utilizam sensores de alta tecnologia, como Light Detection and Ranging (LiDaR), radares e câmeras RGB que produzem grandes quantidades de dados como imagens RGB e pontos de medição 3D, conhecidos como “nuvem de pontos”. O processamento e interpretação rápidos e precisos dessas informações coletadas são fundamentais para a identificação de pedestres e outros veículos. Isso pode ser realizado por meio da integração de métodos avançados de computação e Internet das Coisas (IoT) nesses veículos, o que permite processamento de dados rápido e no local e navegação de vários ambientes e obstáculos com mais eficiência.
Em um estudo recente publicado no Transações IEEE de Sistemas de Transporte Inteligentes Journal em 17 de outubro de 2022, um grupo de pesquisadores internacionais, liderados pelo professor Gwanggil Jeon, da Universidade Nacional de Incheon, Coréia, desenvolveu um sistema inteligente de ponta a ponta habilitado para IoT para detecção de objetos 3D em tempo real com base em aprendizado profundo e especialização para situações de direção autônoma.
“Para veículos autônomos, a percepção do ambiente é fundamental para responder a uma pergunta central: ‘O que está ao meu redor?’ É essencial que um veículo autônomo possa entender com eficácia e precisão as condições e ambientes ao seu redor para realizar uma ação responsiva”, explica o Prof. Jeon. “Criamos um modelo de detecção baseado no YOLOv3, um conhecido algoritmo de identificação. O modelo foi usado primeiro para detecção de objetos 2D e depois modificado para objetos 3D”, detalha.
A equipe alimentou as imagens RGB coletadas e os dados da nuvem de pontos como entrada para o YOLOv3, que, por sua vez, produz rótulos de classificação e caixas delimitadoras com pontuações de confiança. Eles então testaram seu desempenho com o conjunto de dados Lyft. Os primeiros resultados revelaram que o YOLOv3 alcançou uma precisão de detecção extremamente alta (> 96%) para objetos 2D e 3D, superando outros modelos de detecção de última geração.
O método pode ser aplicado a veículos autônomos, estacionamento autônomo, entrega autônoma e futuros robôs autônomos, bem como em aplicações onde a detecção, rastreamento e localização visual de objetos e obstáculos são necessários. “Atualmente, a condução autônoma está sendo realizada por meio de processamento de imagem baseado em LiDAR, mas prevê-se que uma câmera geral substitua o papel do LiDAR no futuro. Como tal, a tecnologia usada em veículos autônomos está mudando a cada momento e nós estão na vanguarda”, destaca o Prof. Jeon. “Com base no desenvolvimento de tecnologias de elementos, veículos autônomos com segurança aprimorada devem estar disponíveis nos próximos 5 a 10 anos”, conclui ele com otimismo.
Fonte da história:
Materiais fornecidos por Universidade Nacional de Incheon. Observação: o conteúdo pode ser editado quanto ao estilo e tamanho.
.
