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

Het rijden in een auto vereist een constante, fractie van een seconde durende conversatie tussen de bestuurder en de weg. De ogen scannen op gevaren, de hersenen verwerken de betekenis van een knipperend licht of een plotselinge stop, en de handen voeren de noodzakelijke bocht of rembeweging uit. Decennialang hebben ingenieurs geprobeerd machines dezezelfde vaardigheid te geven, door systemen te bouwen die kunnen zien en beslissen zonder menselijke hulp. De uitdaging is enorm omdat de wereld onvoorspelbaar is; een voetganger kan van een stoeprand stappen, of een verkeerslicht kan defect raken. Om dit op te lossen, vertrouwen onderzoekers op twee hoofdinstrumenten: sensoren die fungeren als de ogen van de machine, en software die fungeert als de hersenen. De ogen gebruiken meestal camera's of radar om objecten te spotten, terwijl de hersenen complexe computerprogramma's gebruiken om te begrijpen wat die objecten betekenen en wat de volgende stap moet zijn. Het doel is om een voertuig te creëren dat veilig en efficiënt kan navigeren, waarbij het de rommelige realiteit van het echte verkeer aan kan.

Een onderzoeker aan de Tunis El Manar Universiteit heeft een nieuwe manier voorgesteld om dit systeem te bouwen, door een scherpere set ogen te combineren met een meer ervaren brein. Zij introduceerde een nieuwe detector genaamd YOLOGen1, die dient als de visuele sensor voor hun autonome rijsysteem. In tegen tegenstelling tot eerdere versies die vaak moeite hadden met kleine of verre objecten, is deze nieuwe detector ontworpen om de weg met uitzonderlijke helderheid te zien. Het vertrouwt niet op radar, wat beïnvloed kan worden door het weer, maar gebruikt in plaats daarvan een geavanceerde combinatie van camera-gebaseerde modellen die samenwerken. De onderzoeker ontdekte dat deze nieuwe detector objecten kon identificeren met een betrouwbaarheidsniveau van meer dan 98 procent op standaard rijdatasets. In tests met een specifieke dataset van rijsituaties presteerde het beter dan verschillende andere toonaangevende modellen, waarbij het meer auto's, voetgangers en borden met grotere nauwkeurigheid vond.

Zien is echter slechts de helft van de strijd; het voertuig moet ook beslissen hoe te reageren. De onderzoeker pakte dit aan door een nieuw type beslissingssysteem te creëren dat zij een Artificial Neural Expert System noemen. Denk hierbij aan een digitale bestuurder die het verkeerswetboek heeft bestudeerd, maar ook leert van zijn eigen fouten. Traditionele computerprogramma's volgen rigide regels: als het licht rood is, stop dan. Maar wat als het licht kapot is en op rood blijft staan? Een rigide programma zou voor eeuwig blijven staan. Het nieuwe systeem kan echter herkennen dat het licht geblokkeerd is en van strategie wisselen, bijvoorbeeld door de situatie te behandelen als een stopbord. Dit doet het door voortdurend de interne regels bij te werken op basis van wat er vervolgens gebeurt, waardoor het situaties kan afhandelen waarin de standaardregels falen. Dit systeem is ontworpen om veilig te zijn, zodat het, zelfs wanneer het leert, nooit een gevaarlijk pad kiest.

Om dit systeem in realtime te laten werken, organiseerde de onderzoeker de software zodat verschillende onderdelen van de computer simultaan samenwerken, in plaats van te wachten tot één taak voltooid is voordat de volgende begint. Zij testten deze volledige opstelling op een standaard laptopprocessor, zonder de noodzaak van dure grafische kaarten. De resultaten waren opmerkelijk: het systeem kon video verwerken en rijadviezen geven sneller dan real-time, zelfs op eenvoudige hardware. In simulaties navigeerde het systeem succesvol door complexe scenario's, zoals een verkeerslicht dat door een defect rood bleef, door de beslissingslogica dynamisch aan te passen om het voertuig veilig in beweging te houden. De onderzoeker valideerde hun aanpak met gebruik van echte videobeelden, waarmee werd aangetoond dat het systeem nuttig en direct advies kan geven aan een bestuurder of een autonoom voertuig.

De studie suggereert dat door een zeer nauwkeurige visuele detector te combineren met een flexibel, lerend beslissingssysteem, autonome voertuigen veiliger en betrouwbaarder kunnen worden. De onderzoeker heeft aangetoond dat hun nieuwe detector, YOLOGen1, momenteel de meest effectieve versie van zijn soort is voor het spotten van objecten in rijsituaties. Zij toonden ook aan dat hun beslissingssysteem kan adapteren aan gebroken regels en onverwachte obstakels, een cruciale stap naar voertuigen die de chaos van het echte verkeer aankunnen. Hoewel het systeem uitgebreid is getest in simulaties en met opgenomen video's, merkt de onderzoeker op dat verdere tests op werkelijke wegen noodzakelijk zijn voordat het in productieauto's kan worden gebruikt. Hun werk biedt een veelbelovend pad vooruit, en bewijst dat een machine niet alleen de weg duidelijk kan zien, maar ook de problemen die hij daar vindt, kan overdenken.