Los sensores láser que se utilizan actualmente para detectar objetos 3D en las trayectorias de los coches autónomos son voluminosos, feo, costoso, energéticamente ineficiente y muy preciso.

Estos sensores de detección y rango de luz (LiDAR) se fijan a los techos de los automóviles, donde aumentan la resistencia del viento, una desventaja particular para los coches eléctricos. Pueden agregar alrededor de $ 10, 000 al costo de un automóvil. Pero a pesar de sus inconvenientes, La mayoría de los expertos han considerado que los sensores LiDAR son la única forma plausible de que los vehículos autónomos perciban a los peatones con seguridad. automóviles y otros peligros en la carretera.

Ahora, Los investigadores de Cornell han descubierto que un método más simple, usando dos cámaras económicas a cada lado del parabrisas, puede detectar objetos con casi la precisión de LiDAR y por una fracción del costo. Los investigadores encontraron que analizar las imágenes capturadas a vista de pájaro en lugar de la vista frontal más tradicional triplicó con creces su precisión. haciendo de la cámara estéreo una alternativa viable y de bajo costo a LiDAR.

"Uno de los problemas esenciales de los automóviles autónomos es identificar los objetos que los rodean; obviamente, eso es crucial para que un automóvil navegue por su entorno. "dijo Kilian Weinberger, profesor asociado de informática y autor principal del artículo, "Pseudo-LiDAR de la estimación de profundidad visual:superando la brecha en la detección de objetos 3D para la conducción autónoma, "que se presentará en la Conferencia de 2019 sobre Visión por Computador y Reconocimiento de Patrones, 15-21 de junio en Long Beach, California.

"La creencia común es que no se pueden fabricar automóviles autónomos sin LiDAR, "Weinberger dijo." Hemos mostrado, al menos en principio, que es posible ".

El primer autor del artículo es Yan Wang, estudiante de doctorado en informática.

Los sensores LiDAR utilizan láseres para crear mapas de puntos en 3D de su entorno, medir la distancia de los objetos a través de la velocidad de la luz. Cámaras estéreo, que se basan en dos perspectivas para establecer la profundidad, como hacen los ojos humanos, parecía prometedor. Pero su precisión en la detección de objetos ha sido lamentablemente baja, y la sabiduría convencional era que eran demasiado imprecisos.

Luego, Wang y sus colaboradores observaron más de cerca los datos de las cámaras estéreo. Para su sorpresa, encontraron que su información era casi tan precisa como LiDAR. Surgió la brecha en la precisión, ellos encontraron, cuando se estaban analizando los datos de las cámaras estéreo.

Para la mayoría de los vehículos autónomos, Los datos capturados por cámaras o sensores se analizan mediante redes neuronales convolucionales, una especie de aprendizaje automático que identifica imágenes mediante la aplicación de filtros que reconocen patrones asociados con ellas. Se ha demostrado que estas redes neuronales convolucionales son muy buenas para identificar objetos en fotografías en color estándar. pero pueden distorsionar la información 3D si se representa desde el frente. Entonces, cuando Wang y sus colegas cambiaron la representación de una perspectiva frontal a una nube de puntos observada a vista de pájaro, la precisión se triplicó.

"Cuando tienes imágenes de la cámara, es tan, asi que, tan tentador mirar la vista frontal, porque eso es lo que ve la cámara, ", Dijo Weinberger." Pero también está el problema, porque si ves los objetos desde el frente, la forma en que se procesan los deforma, y difuminas objetos en el fondo y deformas sus formas ".

Por último, Weinberger dijo:Las cámaras estéreo podrían usarse potencialmente como la forma principal de identificar objetos en automóviles de menor costo, o como método de respaldo en automóviles de gama alta que también están equipados con LiDAR.

"La industria de los automóviles autónomos se ha mostrado reacia a alejarse de LiDAR, incluso con los altos costos, dada su excelente precisión de alcance, que es esencial para la seguridad en el automóvil, "dijo Mark Campbell, el profesor John A. Mellowes '60 y S.C. Thomas Sze, director de la Escuela de Ingeniería Mecánica y Aeroespacial de Sibley y coautor del artículo. "La espectacular mejora de la precisión y la detección del alcance, con la representación a vista de pájaro de los datos de la cámara, tiene el potencial de revolucionar la industria ".

Los resultados tienen implicaciones más allá de los vehículos autónomos, dijo el coautor Bharath Hariharan, profesor asistente de informática.

"En la práctica actual, existe una tendencia a alimentar los datos tal cual a complejos algoritmos de aprendizaje automático bajo el supuesto de que estos algoritmos siempre pueden extraer la información relevante, ", Dijo Hariharan." Nuestros resultados sugieren que esto no es necesariamente cierto, y que deberíamos pensar un poco en cómo se representan los datos ".

También contribuyeron el investigador postdoctoral de Cornell Wei-Lun Chao y Divyansh Garg '20.