Neue Technik verbessert die Fähigkeit autonomer Fahrzeuge, ihre Umgebung zu erkennen

MÜNCHEN (IT BOLTWISE) – Eine neue Technik der NC State University könnte autonome Fahrzeuge in die Lage versetzen, ihre Umgebung deutlich besser zu erkennen und zu navigieren.

Dank einer von Forschern der NC State University entwickelten Methode könnten selbstfahrende Autos in Zukunft sicherer und präziser durch den Verkehr navigieren. Die Technik ermöglicht es Künstlicher Intelligenz (KI), dreidimensionale Räume genauer zu erfassen, indem sie zweidimensionale Bilder effizienter verarbeitet.

„Die meisten autonomen Fahrzeuge verwenden leistungsstarke KI-Programme, sogenannte Vision Transformer, um 2D-Bilder von mehreren Kameras zu einer 3D-Repräsentation des Raums um das Fahrzeug zu kombinieren“, erklärt Tianfu Wu, außerordentlicher Professor für Elektro- und Computertechnik an der NC State University und Hauptautor eines Papiers über die neue Technik. „Auch wenn diese Programme unterschiedliche Ansätze verfolgen, gibt es noch erheblichen Verbesserungsbedarf.“

Die neue Technik, die von Wu und seinem Team entwickelt wurde, könnte alle bestehenden KI-Programme dieser Art erheblich optimieren. Ihre sogenannte Multi-View Attentive Contextualization (MvACon) ist eine Art „Plug-and-Play“-Erweiterung, die Vision Transformer effizienter macht, ohne dass zusätzliche Daten von den Kameras benötigt werden.

Die Forscher testeten die Leistung von MvACon mit drei führenden Vision Transformer-Modellen, die jeweils sechs Kameras verwenden, um die benötigten 2D-Bilder zu sammeln. In allen Fällen verbesserte MvACon die Leistung signifikant, insbesondere bei der Ortung von Objekten sowie der Erfassung von Geschwindigkeit und Ausrichtung dieser Objekte.

„Die Performance wurde vor allem bei der Objektlokalisierung, sowie bei der Geschwindigkeitserkennung und Orientierung von Objekten deutlich gesteigert“, betont Wu.

Die Ergebnisse der Studie, die den Titel „Multi-View Attentive Contextualization for Multi-View 3D Object Detection“ trägt, wurden auf der IEEE/CVF Conference on Computer Vision and Pattern Recognition vorgestellt.