همجوشی چندوجهی مقاوم در برابر شرایط جوی برای رانندگی خودران: توجه مبتنی بر قابلیت اطمینان در محیط‌های نامساعد

همجوشی چندوجهی مقاوم در برابر شرایط جوی برای رانندگی خودران: توجه مبتنی بر قابلیت اطمینان در محیط‌های نامساعد

رضا همایونی املشی1

1) دانشجو دکترای مهندسی کامپیوتر گرایش هوش مصنوعی،دانشگاه آزاد اسلامی واحد بابل،ایران

کد IOI مقاله : ACEF-ACAZDZ
محل انتشار : ششمین کنگره بین المللی مهندسی، تکتولوژی و علوم کاربردی(etas2027.com)
چکیده :
    سیستم‌های ادراک رانندگی خودران به انواع حسگرها بستگی دارند. این حسگرها شامل لیدار، دوربین‌های RGB، رادار موج میلی‌متری و مادون قرمز نزدیک دروازه‌ای (NIR) می‌شوند. هدف، تشخیص اشیاء در سه بعد است. هوای بد، به عنوان مثال مه، باعث می‌شود حسگرها به روش‌های مختلف از کار بیفتند. لیدار از مشکل پراکندگی معکوس و از دست دادن نقاط رنج می‌برد. دوربین‌ها کنتراست زیادی را از دست می‌دهند. رادار و NIR دروازه‌ای نسبتاً قابل اعتماد هستند. روش‌های فعلی که حسگرها را ترکیب می‌کنند، معمولاً فرض می‌کنند که هر حسگر به طور یکسان کار می‌کند. آنها همچنین به شدت به لیدار به عنوان مرجع هندسه متکی هستند. این امر باعث می‌شود سیستم در هنگام بدی هوا عملکرد ضعیفی داشته باشد. در این مقاله، ما فیوژن مقاوم در برابر آب و هوا (WRF) را معرفی می‌کنیم. WRF سیستمی است که در هسته خود از یک ماژول توجه پنهان چندوجهی (MMLA) استفاده می‌کند. MMLA فیوژن روش‌ها را به عنوان فرآیندی در نظر می‌گیرد که قابلیت اطمینان را تغییر می‌دهد. این به حسگرها - رادار، دوربین و NIR - اجازه می‌دهد تا برای جلب توجه در برابر درخواست‌هایی که از لیدار می‌آیند، رقابت کنند. همه اینها در یک فضای مشترک اتفاق می‌افتد. اگر حسگر اصلی ضعیف شود، وزن‌های توجه به طور خودکار به سمت حسگرهایی که قابل اعتمادتر هستند حرکت می‌کنند. این کار بدون نیاز به طبقه‌بندی آب و هوا انجام می‌شود. ما همچنین یک ترفند آموزشی به نام استراتژی تقویت معکوس دقیق اضافه می‌کنیم. این کار هندسه را در بین همه حسگرها در حین یادگیری سیستم ثابت نگه می‌دارد. ما آزمایش‌هایی را روی معیارهای آب و هوای بد انجام دادیم. WRF در شرایط آب و هوایی بد به ۸۹.۸٪ mAP در ۰.۵ می‌رسد. وقتی مه شدید است و نقاط LiDAR به تدریج کاهش می‌یابند، مدل قوی می‌ماند. حتی وقتی LiDAR کاملاً خاموش است، WRF ۶۱.۳٪ mAP را در ۰.۵ نگه می‌دارد. این بسیار بهتر از خطوط پایه چندوجهی است.

کلمات کلیدی : رانندگی خودکار تلفیق چندوجهی ادراک در شرایط جوی نامساعد نمای از بالا (bev) توجه متقابل (cross attention) تشخیص سه‌بعدی مقاوم