Les véhicules autonomes promettent de lutter contre les embouteillages, d’améliorer la fluidité du trafic grâce à la communication de véhicule à véhicule et de révolutionner l’expérience de voyage en offrant des trajets confortables et sûrs. De furthermore, l’intégration de la technologie de conduite autonome dans les véhicules électriques pourrait contribuer à des methods de transportation in addition respectueuses de l’environnement.
Une problem essentielle au succès des véhicules autonomes est leur capacité à détecter et à contourner les hurdles, les piétons et les autres véhicules dans divers environnements. Les véhicules autonomes actuels utilisent des capteurs intelligents tels que les LiDAR (Gentle Detection and Ranging) pour une vue 3D de l’environnement et des informations de profondeur, RADaR (Radio Detection and Ranging) pour détecter des objets la nuit et par temps nuageux, et un ensemble de caméras pour fournir du RVB. des images et une vue à 360 degrés, formant collectivement un ensemble de données complet appelé nuage de points. Cependant, ces capteurs sont souvent confrontés à des défis tels que des capacités de détection réduites en cas de mauvais temps, sur des routes non structurées ou en raison d’occlusions.
Pour surmonter ces lacunes, une équipe internationale de chercheurs dirigée par le professeur Gwanggil Jeon du Département d’ingénierie des systèmes embarqués de l’Université nationale d’Incheon (INU), en Corée, a récemment développé une option révolutionnaire basée sur l’apprentissage en profondeur basée sur l’Internet des objets. système de détection d’objets 3D complet. « Le système que nous proposons fonctionne en temps réel, améliorant les capacités de détection d’objets des véhicules autonomes, rendant ainsi la navigation dans la circulation as well as fluide et plus sûre », explique le professeur Jeon. Leur post a été mis en ligne le 17 octobre 2022 et publié dans le quantity 24, numéro 11 de la revue IEEE Transactions on Smart Transportation Systems en novembre 2023.
Le système innovant proposé est construit sur la approach de détection d’objets d’apprentissage en profondeur YOLOv3 (You Only Glance After), qui est la system de pointe la in addition lively disponible pour la détection visuelle 2D. Les chercheurs ont d’abord utilisé ce nouveau modèle pour la détection d’objets 2D, puis ont modifié la system YOLOv3 pour détecter des objets 3D. En utilisant à la fois les données de nuages de details et les images RVB en entrée, le système génère en sortie des cadres de délimitation avec des scores de confiance et des étiquettes pour les obstructions visibles.
Pour évaluer les performances du système, l’équipe a mené des expériences en utilisant l’ensemble de données Lyft, composé d’informations routières collectées auprès de 20 véhicules autonomes parcourant un itinéraire prédéterminé à Palo Alto, en Californie, sur une période de quatre mois. Les résultats ont démontré que YOLOv3 présente une grande précision, surpassant les autres architectures de pointe. Notamment, la précision globale de la détection d’objets 2D et 3D était respectivement impressionnante de 96 % et 97 %.
Le professeur Jeon souligne l’impact potentiel de cette capacité de détection améliorée : « En améliorant les capacités de détection, ce système pourrait propulser les véhicules autonomes dans le courant dominant. L’introduction de véhicules autonomes a le potentiel de transformer le secteur du transport et de la logistique, offrant des avantages économiques grâce à une réduction des coûts. dépendance à l’égard des conducteurs humains et introduction de méthodes de transport moreover efficaces.
En outre, les travaux actuels devraient stimuler la recherche et le développement dans divers domaines technologiques tels que les capteurs, la robotique et l’intelligence artificielle. À l’avenir, l’équipe vise à explorer d’autres algorithmes d’apprentissage en profondeur pour la détection d’objets 3D, reconnaissant l’accent actuel mis sur le développement d’images 2D.
En résumé, cette étude révolutionnaire pourrait ouvrir la voie à une adoption généralisée des véhicules autonomes et, par ricochet, à un manner de transportation in addition respectueux de l’environnement et plus confortable.
