Goedkope camera's kunnen productiekosten autonome voertuigen verlagen

Leesduur: +/- 3 min.
Een nieuw systeem stelt autonome voertuigen in staat hun weg te vinden met behulp van twee goedkope camera's. Doordat relatief dure Light Detection and Ranging (LiDAR) sensoren achterwege kunnen blijven, kan de ontwikkeling de kostprijs van autonome voertuigen aanzienlijk verlagen.
Bron foto: Pixabay / dgozgozz

Bron foto: Pixabay / dgozgozz

Autonome voertuigen zetten over het algemeen sensoren zoals LiDAR sensoren in om hun omgeving in kaart te brengen. Deze sensoren maken gebruik van lasers om met behulp van 3D-punten een kaart van de omgeving te creëren en onder meer voetgangers, automobilisten, obstakels en verkeersborden in beeld te brengen. 

Relatief duur

LiDAR sensoren zijn echter relatief duur en kunnen al snel 10.000 dollar toevoegen aan de ontwikkelkosten van een autonoom voertuig, stelt de Cornell University. Ondanks dit hoge prijskaartje waren de sensoren tot nu toe echter de enige manier om autonome voertuigen op veilige wijze voetgangers, voertuigen en andere obstakels te laten detecteren. 

Autonome voertuigen kunnen ook gebruik maken van camera's om hun omgeving in kaart te brengen, waarbij de beelden van twee camera's worden gecombineerd om diepte te creëren. De nauwkeurigheid van deze werkwijze bij het detecteren van objecten liet tot nu toe echter te wensen over. Over het algemeen werd daarom aangenomen dat camera's simpelweg niet nauwkeurig genoeg zijn voor dit doeleinde. 

Fractie van de kosten

Onderzoekers van de Cornell University hebben een systeem ontwikkeld dat camera's wel geschikt maakt voor dit doeleinden. Het systeem werkt met behulp van twee goedkope camera's die aan weerszijde van de voorruit worden geplaatst. Deze camera's kunnen objecten detecteren met een nauwkeurigheid die in de buurt komt van LiDAR sensoren, terwijl de camera's slechts een fractie kosten. 

De sleutel zit in de wijze waarop de verzamelde beelden met behulp van een neuraal netwerk worden geanalyseerd. Traditioneel analyseert een neuraal netwerk het vooraanzicht van beelden dit het voorgeschoteld krijgt. De onderzoekers kiezen er echter voor de beelden van bovenaf te laten analyseren, wat een positieve impact heeft op de nauwkeurigheid van de analyses. Zo blijkt een neuraal netwerk een bovenaanzicht driemaal nauwkeuriger te kunnen analyseren van een vooraanzicht. Dit maakt een opstelling met twee camera's een kostenefficiënt alternatief voor LiDAR sensoren. 

'Beelden vervormen'

"Bij camerabeelden is het erg verleidelijk om het vooraanzicht te bekijken, aangezien dit is wat de camera ziet", legt Kilian Weinberger, hoofddocent computerwetenschappen bij de Cornell University, uit. "Hier ligt echter het probleem. Indien objecten vanaf de voorzijde worden bekeken wordt de wijze waarop zij worden verwerkt vervormd, worden objecten onderdeel van de achtergrond en veranderen hun vormen." Indien beelden van bovenaf worden geanalyseerd is dit echter niet het geval, wat de nauwkeurigheid van analyses ten goede komt. 

Weinberger verwacht dat stereo camerasystemen in goedkopere autonome voertuigen gebruikt kunnen worden als primaire methode om objecten te navigeren. Weinberger vermoedt dat in high-end modellen LiDAR gebruikt zal blijven worden, en stereo camerasystemen zullen worden ingezet als back-upsysteem. 

Zelfstandig leren binnen rijbaan te blijven

Het is niet de eerste keer dat onderzoekers succes behalen met het gebruik van traditionele camera's in autonome voertuigen. Zo wisten onderzoekers van de Cambridge University in juli een autonoom voertuig met behulp van slechts één camera te leren binnen zijn rijbaan te blijven. Het voertuig kreeg vooraf geen instructies mee en begon dus zonder voorkennis aan het experiment. 

De auto zocht zelfstandig zijn weg over de weg en werd door een menselijke instructeur gecorrigeerd zodra hij zijn rijbaan dreigde te verlaten. Aan de hand van deze correcties leerde het voertuig in vijftien tot twintig zelfstandig binnen zijn rijbaan te blijven. Meer informatie over dit project is hier te vinden.

Auteur: Wouter Hoeffnagel
Bron: Cornell University

Geef jouw mening

Bij je reactie wordt je achternaam niet getoond