Výskumníci z TU Graz v Rakúsku modelovali systém umelej inteligencie (AI) pre automobilové radarové senzory, ktorý filtruje rušivé signály spôsobené inými radarovými senzormi a výrazne zlepšuje detekciu objektov. Teraz má byť systém odolnejší voči poveternostným vplyvom a vplyvom prostredia, ako aj novým typom porúch.
Aby asistenčné a bezpečnostné systémy vodiča v moderných autách vnímali svoje okolie a fungovali spoľahlivo vo všetkých mysliteľných situáciách, závisia od senzorov, ako sú kamery, lidar, ultrazvuk a radar. Najmä posledne menované sú nepostrádateľnou súčasťou: radarové senzory dodávajú vozidlu informácie o polohe a rýchlosti z okolitých objektov. Musia sa však vysporiadať s mnohými rušivými a environmentálnymi vplyvmi v doprave: Rušenie inými (radarovými) zariadeniami a extrémne poveternostné podmienky vytvárajú hluk, ktorý negatívne ovplyvňuje kvalitu radarového merania.
Ako vysvetlil Franz Pernkopf z Inštitútu pre spracovanie signálov a hlasovú komunikáciu: „Čím lepšie funguje redukcia šumu z rušivých signálov, tým spoľahlivejšie sa dá určiť poloha a rýchlosť objektov.“ Spolu so svojím tímom a partnermi z Infineonu vyvinul systém AI založený na neurónových sieťach, ktorý oslabuje vzájomné rušenie radarových signálov a ďaleko prevyšuje súčasný stav techniky. Tento model chcú teraz optimalizovať tak, aby fungoval aj mimo naučených vzorcov a ešte spoľahlivejšie rozpoznával predmety.
Zdrojovo efektívne a inteligentné spracovanie signálu
Výskumníci najprv vyvinuli modelové architektúry na automatické znižovanie hluku založené na takzvaných konvolučných neurónových sieťach (CNN). Ako vysvetlil Pernkopf: „Tieto architektúry sú založené na hierarchii vrstiev našej vizuálnej kôry a už sa úspešne používajú pri spracovaní obrazu a signálu.“ CNN filtrujú vizuálne informácie, rozpoznávajú spojenia a dotvárajú obraz pomocou známych vzorov. Vďaka svojej štruktúre spotrebujú podstatne menej úložného priestoru ako iné neurónové siete, no stále prevyšujú dostupné kapacity radarových senzorov pre autonómne riadenie.
Komprimovaná AI vo forme čipu
Cieľom teda bolo byť ešte efektívnejší. Tím z TU Graz preto trénoval rôzne z týchto neurónových sietí so zašumenými údajmi a požadovanými počiatočnými hodnotami. V experimentoch identifikovali obzvlášť malé a rýchle architektúry modelov analýzou úložného priestoru a počtu výpočtových operácií potrebných pre každý proces odšumovania. Najúčinnejšie modely boli potom opäť komprimované znížením bitovej šírky, t. j. počtu bitov použitých na uloženie parametrov modelu. Výsledkom bol model AI s vysokým výkonom filtra a nízkou spotrebou energie. Vynikajúce výsledky zníženia hluku so skóre F1 (miera presnosti testu) 89 % takmer zodpovedajú miere detekcie objektu nerušenými radarovými signálmi. Rušivé signály sú tak takmer úplne odstránené z meracieho signálu.
Vyjadrené číslami: S bitovou šírkou 8 bitov tento model dosahuje rovnaký výkon ako porovnateľné modely s bitovou šírkou 32 bitov, ale vyžaduje len 218 kilobajtov úložného priestoru. Tomu zodpovedá zmenšenie úložného priestoru o 75 %, čo znamená, že model ďaleko prevyšuje súčasný stav techniky.
Zameranie na robustnosť a vysvetliteľnosť
V projekte FFG „REPAIR“ (Robust and ExPlainable AI for Radarsensors“) bude Pernkopf a jeho tím teraz v priebehu nasledujúcich troch rokov spolupracovať so spoločnosťou Infineon na optimalizácii ich vývoja. Ako uviedol Pernkopf: „Pre naše úspešné testy sme použili podobné dáta (rušivé signály, pozn.), ktoré sme použili na tréning. Teraz chceme model vylepšiť tak, aby stále fungoval, keď sa vstupný signál výrazne odchyľuje od naučených vzorov.“ To by urobilo radarové senzory oveľa odolnejšími voči rušeniu z prostredia. Veď aj senzor je v realite konfrontovaný s rôznymi, niekedy neznámymi situáciami. Ďalej dodal: „Doteraz stačili aj najmenšie zmeny nameraných údajov na to, aby sa výstup zrútil a objekty boli nesprávne alebo vôbec nerozpoznané, čo by bolo pri aplikácii autonómneho riadenia devastujúce.“
Vniesť svetlo do čiernej skrinky
Systém sa musí s takýmito výzvami vysporiadať a rozpoznať, keď sú jeho vlastné predpovede neisté. Potom by sa na to mohla použiť napríklad zabezpečená núdzová rutina. Za týmto účelom chcú vedci zistiť, ako systém určuje predpovede a ktoré ovplyvňujúce faktory sú rozhodujúce. Doteraz bolo možné tento zložitý proces v rámci siete pochopiť len v obmedzenej miere. Na tento účel sa komplikovaná architektúra modelu prenesie na lineárny model a zjednoduší sa. Slovami Pernkopfa: „Chceme urobiť správanie CNN trochu vysvetliteľnejším. Zaujíma nás nielen výstupný výsledok, ale aj rozsah jeho kolísania. Čím menší je rozptyl, tým je sieť bezpečnejšia.“
Tak či onak, pre reálne využitie je stále čo robiť. Pernkopf očakáva, že technológia bude v najbližších rokoch natoľko pokročilá, že ňou budú môcť byť vybavené prvé radarové senzory.
Tento výskum prebieha na TU Graz v odbore „Informácie, komunikácia a výpočtová technika“, jednej z piatich hlavných oblastí výskumu univerzity.
Viac informácií:
Robuster Radar: Neue KI-Sensortechnologie für autonomes Fahren
Zdroj: https://www.tugraz.at, zverejnené: 2. 5. 2022, autor: rpa
