Artificial Neural Expert System based YOLO$_{Gen_1}$ detector for Autonomous Driving Problem

Guidare un'auto richiede una conversazione costante e istantanea tra il conducente e la strada. Gli occhi scansionano alla ricerca di pericoli, il cervello elabora il significato di una luce lampeggiante o di una frenata improvvisa, e le mani eseguono la sterzata o la frenata necessaria. Per decenni, gli ingegneri hanno cercato di dare alle macchine questa stessa capacità, costruendo sistemi in grado di vedere e decidere senza l'aiuto umano. La sfida è immensa perché il mondo è imprevedibile; un pedone potrebbe scendere dal marciapiede, o un semaforo potrebbe guastarsi. Per risolvere questo problema, i ricercatori si affidano a due strumenti principali: sensori che fungono da occhi della macchina e software che funge da suo cervello. Gli occhi utilizzano solitamente telecamere o radar per individuare oggetti, mentre il cervello utilizza complessi programmi informatici per capire cosa significhino quegli oggetti e cosa fare successivamente. L'obiettivo è creare un veicolo in grado di navigare in modo sicuro ed efficiente, gestendo la realtà disordinata del traffico reale.

Un ricercatore dell'Università di Tunisi El Manar ha proposto un nuovo modo per costruire questo sistema, combinando un insieme di occhi più acuti con un cervello più esperto. Ha introdotto un nuovo rilevatore chiamato YOLOGen1, che funge da sensore visivo per il loro sistema di guida autonoma. A differenza delle versioni precedenti che spesso faticavano con oggetti piccoli o distanti, questo nuovo rilevatore è progettato per vedere la strada con una chiarezza eccezionale. Non si affida al radar, che può essere influenzato dalle condizioni meteorologiche, ma utilizza una sofisticata combinazione di modelli basati su telecamere che lavorano insieme. Il ricercatore ha scoperto che questo nuovo rilevatore poteva identificare gli oggetti con un livello di confidenza superiore al 98 percento su dataset di guida standard. Nei test utilizzando un dataset specifico di scene di guida, ha superato diversi altri modelli all'avanguardia, trovando più auto, pedoni e segnali con maggiore accuratezza.

Tuttavia, vedere la strada è solo metà della battaglia; il veicolo deve anche decidere come reagire. Il ricercatore ha affrontato questo problema creando un nuovo tipo di sistema decisionale che chiama Sistema Esperto di Reti Neurali Artificiali. Pensate a questo come a un conducente digitale che ha studiato il codice della strada ma che impara anche dai propri errori. I programmi informatici tradizionali seguono regole rigide: se la luce è rossa, fermati. Ma cosa succede se la luce è guasta e rimane bloccata sul rosso? Un programma rigido si fermerebbe per sempre. Il nuovo sistema, invece, può riconoscere che la luce è bloccata e cambiare strategia, trattando magari la situazione come un segnale di stop. Lo fa aggiornando costantemente le proprie regole interne in base a ciò che accade successivamente, permettendogli di gestire le situazioni in cui le regole standard falliscono. Questo sistema è progettato per essere sicuro, garantendo che, anche quando impara, non scelga mai una strada pericolosa.

Per far sì che questo sistema funzioni in tempo reale, il ricercatore ha organizzato il software in modo che diverse parti del computer lavorino insieme simultaneamente, invece di aspettare che un compito finisca prima di iniziarne un altro. Ha testato l'intero setup su un normale processore per laptop, senza la necessità di costose schede grafiche. I risultati sono stati sorprendenti: il sistema poteva elaborare il video e fornire raccomandazioni di guida più velocemente del tempo reale, anche su hardware semplice. Nelle simulazioni, il sistema ha navigato con successo in scenari complessi, come un semaforo che rimaneva rosso a causa di un malfunzionamento, cambiando dinamicamente la propria logica decisionale per mantenere il veicolo in movimento in sicurezza. Il ricercatore ha convalidato il suo approccio utilizzando filmati del mondo reale, dimostrando che il sistema può fornire consigli utili e immediati a un conducente o a un veicolo autonomo.

Lo studio suggerisce che, combinando un rilevatore visivo altamente accurato con un sistema decisionale flessibile basato sull'apprendimento, i veicoli autonomi possono diventare più sicuri e affidabili. Il ricercatore ha dimostrato che il suo nuovo rilevatore, YOLOGen1, è attualmente la versione più efficace della sua categoria per individuare oggetti nelle scene di guida. Ha anche mostrato che il suo sistema decisionale può adattarsi a regole interrotte e ostacoli inaspettati, un passo critico verso veicoli in grado di gestire il caos del traffico reale. Sebbene il sistema sia stato testato estensivamente in simulazioni e con video registrati, il ricercatore osserva che sono necessari ulteriori test sulle strade reali prima che possa essere utilizzato nelle auto di produzione. Il suo lavoro offre una via promettente, provando che una macchina può non solo vedere chiaramente la strada, ma anche riflettere sui problemi che trova lungo il percorso.