AI仅通过雷达测量对道路进行分类

Lawanda

未来的现代自行式汽车是否可以根据雷达数据在交通中真正区分物体，例如汽车，卡车和行人之间的物体？绝对要感谢AI。 In a new paper published on Arxiv.org last week with the title: 'Radar-based Road User Classification and Novelty Detection with Recurrent Neural Network Ensembles' (roughly translated: Classifying objects in actual participation New traffic and discovery based on recurrent neural networks, scientists from Daimler Automobile Corporation and Kassel University, Germany have described in detail a novel machine learning framework that can be clearly classified It is clear that individuals and vehicles are只能通过车辆的雷达系统获得的数据进行，可以看出，该模型特别适合在汽车行业中应用，通常是运输行业，其中自行式车辆可能是最大的。

麻省理工学院努力开发一种AI模型，该模型几乎像人类一样行驶

与当前对象识别方法相比，总体分类性能可以显着提高，此外，可识别对象的数量将更多，以及改进。团队说。此外，正如科学家所解释的那样，雷达是少数几种类型的传感器之一，可以直接测量视力中许多物体的速度，尤其是它比许多类型的其他类型都更强大。其他传感器在不利的天气条件下操作时，在雾中或较重的雨水中，几乎没有降雨和radar systolution and Indroly and Instolution。很难在屏幕上显示密集和清晰的数据。

The team's solution in this case is to use a set of classification tools including 80 short-term memory cells (LSTM) or special recurrent neural networks (here are mathematic functions that mimic biological neuron structures - a technology in deep learning technology that is capable of learning and remembering long-term dependencies. In particular, scientists only need to use a subset of 98 features - namely, statistical derivatives of scope, angle, amplitude, Doppler;几何特性以及与多普勒值分布相关的特征 - 确定需要识别的对象之间的主要差异，并且不需要计算能力，在过程模型培训和推理中处理过高。

AI（人工智能）和认知计算（认知计算）之间的差异

为了培训这些机器学习模型，该团队找到了一个数据集，其中包含超过3,800例交通参与者的300万个数据点。这些训练模型是通过安装在测试工具前半部分的四个雷达传感器（有效范围约为100米）的。训练后，这些基于机器的分类模型能够安排其检测到的对象，包括行人，行人团体，自行车和汽车。，卡车和垃圾分为相对较高准确性的类别。

具体而言，“行人组”类别将被分配给行人数据，其中系统无法确定通过雷达数据获得的每个人的图像之间的明确分离。。另一方面，“垃圾”和“其他”类别将包括系统无法识别或误会的异物和交通车辆。换句话说，分类为这两个类别的对象不适合上述任何其他分类（例如摩托车手，踏板车，轮椅，电缆）。悬挂，猫和狗）。

日本的人工智能创造了超现实的虚拟时装模型

那么，这种高级分类系统的准确性如何，可以在不久的将来使用它？根据研究人员的说法，在共享相同特征集时，他们的平均准确性高达91.46％，并且更准确。显然，由于两类之间的复杂相似之处，大多数分类错误通常发生在行人和行人群体之间。同时，还有其他一些与物体的特征和形状有关的混乱情况。例如，该系统可能会误认坐在轮椅上的人和小型踏板车驾驶员。

撇开那些没有那么重大错误的人，该团队认为，这种提出的结构可以使特征在多个类别之间识别特征的重要性有新的见解。单独地，对于开发新算法以及对传感器系统的要求非常重要。此外，具有从训练数据中看到的对象灵活地识别对象的能力在开发自旋转的车辆技术中也起着重要作用。