欢迎来到进口食品商务网！

多伦多大学航空航天研究所(UTIAS)的研究人员推出了一对高科技工具，可以通过增强机器人系统的推理能力来提高自动驾驶汽车的安全性和可靠性。

这些创新涉及多目标跟踪，这是一个机器人系统用来跟踪物体(包括车辆、行人和骑自行车的人)的位置和运动的过程，以规划自动驾驶汽车在人口稠密地区的路径。

跟踪信息从计算机视觉传感器(2D相机图像和3D激光雷达扫描)收集，并在每个时间戳进行每秒10次的过滤，以预测运动物体的未来运动。

“一旦被处理，它就可以让机器人对其环境进行一些推理。例如，有一个人在十字路口过马路，或者一个骑自行车的人在前面变道，”应用科学与工程学院UTIAS的博士生桑德罗·帕佩斯说。“在每个时间戳，机器人的软件都试图将当前的检测结果与它过去看到的物体联系起来，但它只能追溯到目前为止。”

在日本横滨举行的2024年机器人与自动化国际会议上发表的一篇新论文中，Papais和共同作者Robert Ren(工程科学三年级学生)和Steven Waslander教授(UTIAS多伦多机器人和人工智能实验室主任)介绍了滑动窗口跟踪器(SWTrack)——一种基于图的优化方法，使用额外的时间信息来防止丢失对象。

作品出现在预印本服务器arXiv上。

该工具旨在提高跟踪方法的性能，特别是当物体从机器人的角度被遮挡时。

帕佩斯说:“SWTrack扩大了机器人在规划时所考虑的过去。”“因此，它不会被一帧前看到的和现在发生的事情所限制，它可以回顾过去五秒钟，然后尝试通过它所看到的所有不同的事情进行推理。”

该团队通过nuScenes获得的现场数据对他们的算法进行了测试、训练和验证。nuScenes是一个公共的大规模数据集，用于在世界各地城市的道路上运行的自动驾驶车辆。这些数据包括团队用来对SWTrack性能进行基准测试的人工注释。

他们发现，每次将时间窗口延长到最多5秒，跟踪性能就会变得更好。但超过5秒后，算法的性能会因计算时间而减慢。

“大多数跟踪算法很难对其中一些时间间隔进行推理。但在我们的案例中，我们能够验证我们可以在更长的时间内跟踪，并对我们周围的动态物体保持更一致的跟踪，”Papais说。

帕佩斯说，他期待着在改进机器人记忆的基础上进一步发展，并将其扩展到机器人基础设施的其他领域。“这仅仅是个开始，”他说。“我们正在研究跟踪问题，但也在研究其他机器人问题，在这些问题上，我们可以结合更多的时间信息来增强感知和机器人推理。”

另一篇论文由硕士生Chang Won (John) Lee和Waslander共同撰写，介绍了不确定性跟踪，这是利用概率目标检测的2D跟踪检测方法的扩展集合。

“概率目标检测量化了目标检测的不确定性估计，”Lee解释说。“这里的关键是，对于安全关键任务，您希望能够知道预测的检测何时可能导致下游任务(如多目标跟踪)中的错误。这些错误可能是由于低光照条件或重物体遮挡造成的。

“不确定性估计让我们知道什么时候模型有问题，也就是说，什么时候它很可能在预测中出现错误。但由于概率目标探测器目前尚未用于多目标跟踪，因此存在这种差距。”

李开复的这篇论文是他工程学本科毕业论文的一部分。现在，他是Waslander实验室的硕士生，正在为加拿大arm3研究视觉异常检测，这是加拿大对美国领导的Gateway月球前哨基地的贡献。“在我目前的研究中，我们的目标是提出一种基于深度学习的方法，以检测漂浮在太空中的物体，这些物体对机械臂构成潜在的风险，”李说。

Waslander说，这两篇论文中概述的进展建立在他的实验室多年来一直关注的工作基础上。

“(多伦多机器人和人工智能实验室)多年来一直致力于评估感知不确定性和扩展机器人的时间推理，因为它们是在更广泛的开放世界中部署机器人的关键障碍，”Waslander说。

“我们迫切需要能够理解物体随时间持续存在的人工智能方法，以及能够意识到自身局限性的人工智能方法，当新的或意想不到的东西出现在它们的路径上时，它们会停下来进行推理。这就是我们的研究目标。”

更多信息:Sandro Papais等人，SWTrack:多假设滑动窗口3D多目标跟踪，arXiv(2024)。DOI: 10.48550/ arXiv .2402.17892期刊信息:arXiv由多伦多大学提供引文:研究人员增强自动驾驶汽车的目标跟踪能力(2024,5月29日)检索自https://techxplore.com/news/2024-05-tracking-abilities-cars.html。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。