Математик РУДН назвал основные проблемы автопилотов при обнаружении пешеходов
Математик РУДН с коллегами из Египта, Саудовской Аравии и Китая собрал последние исследования в области глубокого обучения по обнаружению пешеходов для транспорта с автопилотом. Авторы назвали слабые места и наметили цели для дальнейших исследований.
Автомобили и другие транспортные средства с автопилотом уже начали входить в повседневную жизнь. Однако для широкого распространения этой технологии необходимо улучшить несколько фундаментальных характеристик. Одна из них — обнаружение пешеходов. Для этого используют технологии глубокого обучения — искусственные нейронные сети. Математики РУДН с коллегами из Египта, Саудовской Аравии и Китая проанализировали последние исследования в этом направлении.
«В последние годы автономные транспортные средства становятся все более популярными. Они повышают безопасность и удобство, снижают расход топлива, сокращают пробки на дорогах и несчастные случаи, экономят затраты и повышают надежность. Однако прежде чем они будут полностью развернуты на дорогах, нужно решить несколько первостепенных задач. Точное обнаружение пешеходов — очень сложная задача. Технологии глубокого обучения демонстрируют большой потенциал для ее решения. Мы составили обзор проблем обнаружения пешеходов и последних достижений в их решении с помощью методов глубокого обучения», — Аммар Мутханна, кандидат технических наук, младший научный сотрудник научного центра моделирования высокотехнологичных систем и инфокоммуникаций РУДН.
Математики обратили внимание на три главных проблемы, которые возникают при обнаружении пешеходов с помощью глубокого обучения — препятствия, низкое качество изображений, многоспектральные изображения. Последнее — это серия изображений одного и того же объекта, но полученных в разных диапазонах. Например, обычное оптическое изображение и в инфракрасном диапазоне. Предполагается, что данные получаются с лидаров и камер, откуда поступают модель глубинного обучения. Ученые рассмотрели разные подходы, которые используют для построения таких моделей, и назвали их преимущества и недостатки.
Математики РУДН обратили внимание, что разные методы построения дают не только разные результаты, но и разное время и точность работы. Например, современные методы дают более точный ответ, но это занимает больше времени. Поэтому, заключили ученые, важно реализовать такой подход, который сможет найти баланс между точностью и скоростью. Причем такой, который будет соответствовать практическим целям. Также математики обратили внимание, что доступные для обучения данные недостаточно разнородны и могут не давать полной картины. Например, изображения в оптическом диапазоне лучше работают днем, а в инфракрасном — в темное время суток. Чтобы алгоритм был эффективным круглосуточно, необходимы большие наборы разнородных данных для обучения.
Среди целей для будущих исследований в этом направления математики РУДН назвали обнаружение маленьких и загороженных объектов, работу в плохом освещении, комбинирование 3D и 2D подходов. Также исследователи предлагают сделать акцент на улучшении скорости и точности.
Результаты опубликованы в журнале Electronics.
Коллектив исследователей аграрно-технологического института РУДН под руководством кандидата биологических наук Елены Михайловны Чудиновой стал победителем конкурса Российского научного фонда. Проект «Грибо-бактериальные комплексы в патогенезе картофеля и топинамбура: разнообразие и контроль» получил финансирование на
В Гонконгском университете науки и технологий (HKUST) в начале июня прошёл Международный симпозиум по городскому климату и окружающей среде (ISUCE). В мероприятии приняли участие более 90 ведущих учёных из университетов и научных организаций Китая, США, Сингапура, Японии, Великобритании, Германии, Испании и других стран. Институт экологии РУДН на форуме представил кандидат химических наук, доцент департамента экологической безопасности и менеджмента качества продукции Юрий Павлович Хитев.
Учёные кафедры фармацевтической и токсикологической химии медицинского института РУДН обнаружили, что лекарственные препараты, содержащие наночастицы, «светятся» по-разному в зависимости от своего состояния. Чем ближе конец срока годности, тем слабее их тепловое излучение. Этот сигнал регистрируется портативным прибором через закрытую упаковку — без вскрытия, без реактивов, за секунды.