Erweiterte Echtzeit-Computer Vision und intelligente Entscheidungsfindung für Anwendungen autonomer Fahrzeuge

Zusammenfassung Die Trends des autonomen Fahrens und intelligenter Verkehrssysteme nehmen im globalen Kontext exponentiell zu und früher oder später werden sie den bestehenden Verkehrssektor überholen. Künstliche Intelligenz (KI) spielt eine entscheidende Rolle bei der Stärkung und Implementierung. Computer Vision und Entscheidungsfindung sind einige der grundlegenden Aufgaben, die von KI-Techniken ausgeführt werden. Die herausragende Herausforderung tritt auf, wenn die Erkennung falsche Alarme enthält, was zu ungenauer Computer Vision und dementsprechend zu falschen und ungenauen Entscheidungen führt. Dieses Papier präsentiert ein verbessertes Computer Vision- und Entscheidungsfindungsframework für Echtzeitanwendungen intelligenter Verkehrssysteme und unterstützt das Szenario des autonomen Fahrens mit minimalen falschen Alarmen. Bestehende Technologien sind nicht in der Lage, Tiere in Echtzeit zu erkennen, was einen erheblichen Nachteil für Anwendungen autonomer Fahrzeuge darstellt. Das System basiert auf einer entwickelten Computer Vision-Technik, die auf Deep Learning YOLO v6 basiert und mit einem stochastischen varianzreduzierten Gradienteneingang optimiert wurde, um Fahrräder, Autos, Kleintransporter, Kühe, Hunde und Fußgänger mit minimalen falschen Alarmen zu erkennen. Die entwickelte Technik wurde an realen Straßennetzen mit 50 Fahrzeugeinsätzen getestet. Die durchschnittlichen Präzisionswerte (mAP) für alle Klassen belaufen sich auf 0,9783 mit einer Bildrate von 87 Bildern pro Sekunde, die auf NVIDIA GPU implementiert wurde. Das entwickelte System zeigte präzise Erkennungen sowohl am Tag als auch in der Nacht und stellt eine starke Grundlage für fortschrittliche Anwendungen autonomer Fahrzeuge in realen Verkehrsszenarien dar.