Les deux éléments sont essentiels pour des applications telles que les voitures autonomes –

Mengtian Li, un Ph.D. étudiant à l’Institut de robotique de la CMU, a déclaré que les chercheurs universitaires ont tendance à développer des algorithmes sophistiqués qui peuvent identifier avec précision les dangers, mais peuvent exiger beaucoup de temps de calcul. Les ingénieurs de l’industrie, en revanche, ont tendance à préférer des algorithmes simples, moins précis, rapides et nécessitant moins de calculs, afin que le véhicule puisse réagir plus rapidement aux dangers.

Ce compromis est un problème non seulement pour les voitures autonomes, mais également pour tout système nécessitant une perception en temps réel d’un monde dynamique, comme les drones autonomes et les systèmes de réalité augmentée. Pourtant, jusqu’à présent, il n’y a pas eu de mesure systématique qui équilibre la précision et la latence – le délai entre le moment où un événement se produit et le moment où le système de perception reconnaît cet événement. Cette absence de métrique appropriée a rendu difficile la comparaison des systèmes concurrents.

La nouvelle métrique, appelée précision de perception en continu, a été développée par Li, en collaboration avec Deva Ramanan, professeur associé à l’Institut de robotique, et Yu-Xiong Wang, professeur adjoint à l’Université de l’Illinois à Urbana-Champaign. Ils l’ont présenté le mois dernier lors de la Conférence européenne virtuelle sur la vision par ordinateur, où il a reçu une mention honorable pour le meilleur article.

La précision de la perception en continu est mesurée en comparant la sortie du système de perception à chaque instant avec l’état de vérité fondamentale du monde.

«Au moment où vous avez fini de traiter les entrées des capteurs, le monde a déjà changé», a expliqué Li, notant que la voiture a parcouru une certaine distance pendant le traitement.

«La capacité de mesurer la perception en continu offre une nouvelle perspective sur les systèmes de perception existants», a déclaré Ramanan. Les systèmes qui fonctionnent bien selon les mesures classiques de performance peuvent être assez mauvais sur la perception du streaming. L’optimisation de ces systèmes à l’aide de la métrique nouvellement introduite peut les rendre beaucoup plus réactifs.

Un aperçu de la recherche de l’équipe est que la solution n’est pas nécessairement que le système de perception fonctionne plus rapidement, mais de prendre occasionnellement une pause au bon moment. Sauter le traitement de certaines images empêche le système de tomber de plus en plus derrière les événements en temps réel, a ajouté Ramanan.

Une autre idée consiste à ajouter des méthodes de prévision au traitement de la perception. Tout comme un frappeur au baseball balance là où il pense que la balle va être – pas là où elle se trouve – un véhicule peut anticiper certains mouvements d’autres véhicules et piétons. Les mesures de perception en continu de l’équipe ont montré que le calcul supplémentaire nécessaire pour faire ces prévisions ne nuit pas de manière significative à la précision ou à la latence.

Le Centre CMU Argo AI pour la recherche sur les véhicules autonomes, dirigé par Ramanan, a soutenu cette recherche, tout comme la Defense Advanced Research Projects Agency.

Source de l’histoire:

Matériaux fourni par L’université de Carnegie Mellon. Original écrit par Byron Spice. Remarque: le contenu peut être modifié pour le style et la longueur.