Ερευνητές στο TU Graz έχουν μοντελοποιήσει ένα σύστημα AI για αισθητήρες ραντάρ αυτοκινήτων που φιλτράρει τα σήματα παρεμβολής που προκαλούνται από άλλους αισθητήρες ραντάρ και βελτιώνει δραματικά την ανίχνευση αντικειμένων. Τώρα το σύστημα πρόκειται να γίνει πιο ανθεκτικό στις καιρικές και περιβαλλοντικές επιρροές καθώς και σε νέους τύπους παρεμβολών.
Η TU Graz συνεργάζεται με την Infineon για νέους, ισχυρούς αισθητήρες ραντάρ για αυτόνομη οδήγηση. © Infineon
Προκειμένου τα συστήματα υποβοήθησης οδήγησης και ασφάλειας στα σύγχρονα αυτοκίνητα να αντιλαμβάνονται το περιβάλλον τους και να λειτουργούν αξιόπιστα σε όλες τις πιθανές καταστάσεις, πρέπει να βασίζονται σε αισθητήρες όπως κάμερες, lidar, υπέρηχους και ραντάρ. Τα τελευταία συγκεκριμένα είναι απαραίτητα συστατικά. Οι αισθητήρες ραντάρ παρέχουν στο όχημα πληροφορίες θέσης και ταχύτητας από γύρω αντικείμενα. Ωστόσο, πρέπει να αντιμετωπίσουν πολυάριθμες ενοχλητικές και περιβαλλοντικές επιρροές στην κυκλοφορία. Παρεμβολές από άλλο εξοπλισμό (ραντάρ) και ακραίες καιρικές συνθήκες δημιουργούν θόρυβο που επηρεάζει αρνητικά την ποιότητα της μέτρησης του ραντάρ.
«Όσο καλύτερα λειτουργεί η απενεργοποίηση του θορύβου από τα παρεμβαλλόμενα σήματα, τόσο πιο αξιόπιστα μπορεί να προσδιοριστεί η θέση και η ταχύτητα των αντικειμένων», εξηγεί ο Franz Pernkopf από το Ινστιτούτο Επεξεργασίας Σήματος και Επικοινωνίας Ομιλίας. Μαζί με την ομάδα του και με συνεργάτες από την Infineon, ανέπτυξε ένα σύστημα τεχνητής νοημοσύνης βασισμένο σε νευρωνικά δίκτυα που μετριάζει τις αμοιβαίες παρεμβολές στα σήματα ραντάρ, ξεπερνώντας κατά πολύ την τρέχουσα κατάσταση της τέχνης. Τώρα θέλουν να βελτιστοποιήσουν αυτό το μοντέλο, ώστε να λειτουργεί και εκτός των μαθησιακών μοτίβων και να αναγνωρίζει αντικείμενα ακόμα πιο αξιόπιστα.
Επεξεργασία σήματος με αποδοτική χρήση πόρων και έξυπνη
Για το σκοπό αυτό, οι ερευνητές ανέπτυξαν αρχικά αρχιτεκτονικές μοντέλων για αυτόματη καταστολή θορύβου με βάση τα λεγόμενα συνελικτικά νευρωνικά δίκτυα (CNN). «Αυτές οι αρχιτεκτονικές διαμορφώνονται με βάση την ιεραρχία των στρωμάτων του οπτικού μας φλοιού και χρησιμοποιούνται ήδη με επιτυχία στην επεξεργασία εικόνας και σήματος», λέει ο Pernkopf. Τα CNN φιλτράρουν τις οπτικές πληροφορίες, αναγνωρίζουν τις συνδέσεις και ολοκληρώνουν την εικόνα χρησιμοποιώντας γνωστά μοτίβα. Λόγω της δομής τους, καταναλώνουν σημαντικά λιγότερη μνήμη από άλλα νευρωνικά δίκτυα, αλλά εξακολουθούν να υπερβαίνουν τις διαθέσιμες δυνατότητες των αισθητήρων ραντάρ για αυτόνομη οδήγηση.
Συμπιεσμένο AI σε μορφή chip
Στόχος ήταν να γίνει ακόμα πιο αποτελεσματικός. Για το σκοπό αυτό, η ομάδα του TU Graz εκπαίδευσε διάφορα από αυτά τα νευρωνικά δίκτυα με θορυβώδη δεδομένα και επιθυμητές τιμές εξόδου. Σε πειράματα, εντόπισαν ιδιαίτερα μικρές και γρήγορες αρχιτεκτονικές μοντέλων αναλύοντας τον χώρο της μνήμης και τον αριθμό των υπολογιστικών λειτουργιών που απαιτούνται ανά διεργασία αποθορυβοποίησης. Στη συνέχεια, τα πιο αποδοτικά μοντέλα συμπιέστηκαν ξανά μειώνοντας τα πλάτη των bit, δηλαδή τον αριθμό των bit που χρησιμοποιούνται για την αποθήκευση των παραμέτρων του μοντέλου. Το αποτέλεσμα ήταν ένα μοντέλο AI με υψηλή απόδοση φίλτρου και χαμηλή κατανάλωση ενέργειας ταυτόχρονα. Τα εξαιρετικά αποτελέσματα αποθορυβοποίησης, με βαθμολογία F1 (ένα μέτρο της ακρίβειας μιας δοκιμής) 89 τοις εκατό, είναι σχεδόν ισοδύναμα με ένα ρυθμό ανίχνευσης αντικειμένων αδιατάρακτων σημάτων ραντάρ. Τα παρεμβαλλόμενα σήματα απομακρύνονται έτσι σχεδόν πλήρως από το σήμα μέτρησης.
Εκφρασμένο σε αριθμούς: με πλάτος bit 8 bit, το μοντέλο επιτυγχάνει την ίδια απόδοση με συγκρίσιμα μοντέλα με πλάτος bit 32 bit, αλλά απαιτεί μόνο 218 kilobyte μνήμης. Αυτό αντιστοιχεί σε μείωση του αποθηκευτικού χώρου κατά 75%, πράγμα που σημαίνει ότι το μοντέλο ξεπερνά κατά πολύ την τρέχουσα κατάσταση της τέχνης.
Επικεντρωθείτε στην ευρωστία και την επεξήγηση
Στο έργο FFG REPAIR ( R obust and Ex P lainable AI for R adarsensors), ο Pernkopf και η ομάδα του εργάζονται τώρα μαζί με την Infineon τα επόμενα τρία χρόνια για να βελτιστοποιήσουν την ανάπτυξή τους. Ο Pernkopf λέει: «Για τις επιτυχημένες δοκιμές μας, χρησιμοποιήσαμε δεδομένα (σημείωση: σήματα παρεμβολής) παρόμοια με αυτά που χρησιμοποιήσαμε για την εκπαίδευση. Τώρα θέλουμε να βελτιώσουμε το μοντέλο έτσι ώστε να εξακολουθεί να λειτουργεί όταν το σήμα εισόδου αποκλίνει σημαντικά από τα μαθημένα μοτίβα.” Αυτό θα έκανε τους αισθητήρες ραντάρ πολλές φορές πιο ισχυρούς σε σχέση με τις παρεμβολές από το περιβάλλον. Εξάλλου, ο αισθητήρας έρχεται αντιμέτωπος με διαφορετικές, μερικές φορές άγνωστες καταστάσεις στην πραγματικότητα. «Μέχρι τώρα, ακόμη και οι μικρότερες αλλαγές στα δεδομένα μέτρησης ήταν αρκετές για να καταρρεύσει η έξοδος και τα αντικείμενα να μην ανιχνευθούν ή να εντοπιστούν λανθασμένα, κάτι που θα ήταν καταστροφικό στην περίπτωση χρήσης της αυτόνομης οδήγησης».
Λάμπει ένα φως στο μαύρο κουτί
Το σύστημα πρέπει να αντιμετωπίσει τέτοιες προκλήσεις και να παρατηρήσει πότε οι δικές του προβλέψεις είναι αβέβαιες. Στη συνέχεια, για παράδειγμα, θα μπορούσε να ανταποκριθεί με μια ασφαλή ρουτίνα έκτακτης ανάγκης. Για το σκοπό αυτό, οι ερευνητές θέλουν να ανακαλύψουν πώς το σύστημα καθορίζει τις προβλέψεις και ποιοι παράγοντες επιρροής είναι καθοριστικοί για αυτό. Αυτή η πολύπλοκη διαδικασία εντός του δικτύου ήταν προηγουμένως κατανοητή μόνο σε περιορισμένο βαθμό. Για το σκοπό αυτό, η περίπλοκη αρχιτεκτονική του μοντέλου μεταφέρεται σε ένα γραμμικό μοντέλο και απλοποιείται. Με τα λόγια του Pernkopf: «Θέλουμε να κάνουμε τη συμπεριφορά των CNN λίγο πιο εξηγήσιμη. Δεν μας ενδιαφέρει μόνο το αποτέλεσμα της παραγωγής, αλλά και το εύρος διακύμανσής του. Όσο μικρότερη είναι η διακύμανση, τόσο πιο σίγουρο είναι το δίκτυο».
Είτε έτσι είτε αλλιώς, υπάρχουν ακόμα πολλά που πρέπει να γίνουν για χρήση σε πραγματικό κόσμο. Η Pernkopf αναμένει ότι η τεχνολογία θα αναπτυχθεί σε σημείο που να μπορούν να εξοπλιστούν με αυτήν οι πρώτοι αισθητήρες ραντάρ τα επόμενα χρόνια.
Αυτή η έρευνα εδράζεται στο Πεδίο Εξειδίκευσης « Πληροφορίες, Επικοινωνία και Υπολογισμός », ένας από τους πέντε στρατηγικούς τομείς εστίασης του TU Graz.
