Parece algo fácil de hacer como humano, pero bastante difícil para un vehículo autónomo. Dada una situación en la que un vehículo autónomo se encuentra con un automóvil estacionario frente a él. Dependiendo de la calidad del sensor de la cámara y las condiciones de iluminación, el algoritmo probablemente puede detectar el estado del vehículo en función de la indicación de las luces de frenado (es decir, estacionado = apagado, parado = encendido). El desafío es, por supuesto, qué tan confiable es esta evaluación. Las diferentes condiciones de iluminación proporcionan diferentes valores de píxeles (RGB) de la luz de frenado, lo que dificulta que la computadora juzgue la situación de manera confiable. Otra forma es esperar, con un algoritmo ingenuo de bayes que aumenta el valor de P (isAParkedVehicle) con cada unidad de tiempo que pasa, t o algo así. El último método es simplemente detenerse y dejar que los humanos decidan si es seguro pasar. ¡Es por eso que el crucero autónomo en la carretera es mucho más fácil, ya que rara vez ocurren casos extremos como este!
¿Cómo diferencia una computadora entre un automóvil estacionado y un automóvil parado?
Related Content
¿Cómo funcionan los programas de IA que aprenden a jugar solos?
¿Cómo se puede adaptar el middleware de IA para la robótica del mundo real?
¿Cómo afecta la IA al desarrollo de aplicaciones en el futuro?
¿Cuál es la diferencia entre los dos en su opinión? No tienes claro eso. No estoy realmente seguro de qué distinción aquí es relevante para un conductor humano, que a menudo no es capaz de hacer una observación sobre si el automóvil que no se mueve está ocupado por otro conductor o no.
(Para mi discusión, considero que un “automóvil parado” es uno en el que el conductor todavía está presente. “Estacionado” es un automóvil vacante. Presumiblemente, el OP no está hablando de un automóvil que espera en un carril por una luz o abandonado en el tráfico por un conductor.)
¿Cómo le enseñas a un conductor humano la diferencia? ¿Por qué necesitan saber la diferencia?
En cambio, le enseñas a los humanos y a los autos autónomos a ignorar esa distinción y solo observar el comportamiento del auto. ¿Se está moviendo ahora? ¿Que tal ahora? ¿Ahora? Si no, entonces simplemente pasa. Tan pronto como vea luces de señalización, luces de freno o movimiento. Sabes que necesitas estar preparado para que se retire. La cuestión es que los autos autónomos, que tienen una capacidad de atención mucho mejor, en realidad siempre están preparados para que cualquier automóvil estacionado (o automóvil detenido) se retire. O cambiar de carril. O muévase de cualquier manera que sea un cambio de su estado actual. El tiempo de reacción es significativamente mayor que el de los humanos y no tienen la limitación de que solo pueden mirar en una dirección a la vez; o enfóquese en un solo automóvil en una línea que podría estar saliendo.
Por lo tanto, no se les enseña esta distinción porque no es útil para un automóvil autónomo.
No soy un gurú de ML, pero desde mi experiencia como desarrollador, solo mirando la foto de un automóvil no se nota la diferencia. Tendría que usar el contexto para comprender la situación. ¿Se coloca el automóvil entre otros automóviles? ¿Hay líneas a los lados? ¿Es por una acera? Pero para ayudar también necesitaría imágenes del pasado para comparar. ¿Cuánto tiempo lleva allí el auto?
En resumen, solo mirar el auto no sería suficiente. Necesitaría muchos datos previos para analizar y comparar para obtener su respuesta.
Estoy seguro de que alguien tiene una respuesta ML más apropiada.
Espero que esto ayude.
Para empezar, el hecho de que las computadoras no puedan entender que más de una cosa puede ser verdad no es cierto en absoluto. Es solo una cuestión de programación para garantizar que un evento determinado no impida que otro evento sea verdadero.
Además, la forma en que una computadora dirá si un automóvil está estacionado o parado es muy similar a cómo lo haría un conductor humano si, por ejemplo, se encontrara detrás de un automóvil con vidrios polarizados.
Algunos ejemplos de cosas que puede hacer:
- Verifique cualquier signo de movimiento
- Compruebe si se supone que un automóvil está estacionado en una ubicación específica a través de los datos del mapa
- Verifique la presencia de luces traseras, intermitentes o luces intermitentes de peligro.
- Verifique la acción del automóvil versus el comportamiento esperado del automóvil en condiciones dadas, como luces de freno, señales de alto, intersecciones, etc.
Y así.
More Interesting
¿Cuáles son las mejores revistas en computación evolutiva?
¿Qué compañías han progresado más en el desarrollo de inteligencia artificial?
Cómo explicar la "extracción de información" en términos simples
¿Por qué tanta gente margina el papel de la inteligencia artificial a largo plazo?
¿Cómo se puede evaluar la inteligencia?
¿La Inteligencia Artificial salvará a la 'Colonia Humana' de destruirse a sí misma?
¿Cuál es el mayor error sobre la IA entre las masas en general?
¿Cómo funciona el algoritmo de búsqueda de ruta de Age of Empires II?