Le nouveau système d'IA MvACon améliore la précision de la perception des voitures autopilotées

Des chercheurs de l'université d'État de Caroline du Nord ont mis au point une nouvelle approche pour aider les voitures autonomes à mieux comprendre ce qui les entoure une nouvelle approche pour aider les voitures autonomes à mieux comprendre ce qui les entoure. Cette nouvelle configuration, qu'ils ont baptisée Multi-View Attentive Contextualization (MvACon), s'attaque à certains des problèmes courants rencontrés par les systèmes d'IA transformateurs de vision actuels qui repèrent des objets en 3D sous différents angles.

Les chercheurs ont effectué plusieurs tests à l'aide de l'ensemble de données nuScenes, très utilisé pour la conduite autonome, et MvACon est parvenu à améliorer la précision de détection de plusieurs systèmes de vision de premier plan. Lorsqu'ils l'ont associé au système BEVFormer, ils ont constaté de nettes améliorations dans la détermination de l'emplacement des objets, la prédiction de leur orientation et même l'approximation de la vitesse à laquelle ils se déplacent.

L'équipe a constaté que la méthode d'attention de MvACon, qui se concentre sur les grappes, permet de maintenir une détection précise des véhicules et des structures proches. L'équipe parle d'un "système de coordonnées local conscient du contexte et des objets", ce qui signifie que le système a une meilleure perception de l'espace, ce qui facilite grandement le suivi des mouvements et de la physionomie des objets.

L'une des innovations de cette technologie est qu'elle peut être facilement ajoutée aux systèmes de vision des véhicules autonomes actuels sans nécessiter de matériel supplémentaire. Et quelle que soit la configuration dans laquelle elle est utilisée, elle améliorera constamment les performances, quelle que soit la manière dont elle est mise en œuvre.

Les essais ont montré que le système fonctionnait efficacement, même dans des scénarios difficiles avec de multiples objets encombrés.