Pesquisadores da TU Graz modelaram um sistema de IA para sensores de radar automotivo que filtra sinais de interferência causados por outros sensores de radar e melhora drasticamente a detecção de objetos. Agora, o sistema deve ser mais robusto às influências climáticas e ambientais, bem como a novos tipos de interferência.
Para que os sistemas de assistência à condução e segurança em carros modernos percebam seu ambiente e funcionem de maneira confiável em todas as situações concebíveis, eles precisam contar com sensores como câmeras, lidar, ultrassom e radar. Estes últimos, em particular, são componentes indispensáveis. Os sensores de radar fornecem ao veículo informações de localização e velocidade de objetos ao redor. No entanto, eles têm que lidar com inúmeras influências perturbadoras e ambientais no trânsito. A interferência de outros equipamentos (radar) e condições climáticas extremas criam ruídos que afetam negativamente a qualidade da medição do radar.
“Quanto melhor funciona a eliminação de ruído de sinais interferentes, mais confiável a posição e a velocidade dos objetos podem ser determinadas”, explica Franz Pernkopf, do Instituto de Processamento de Sinais e Comunicação de Fala. Junto com sua equipe e com parceiros da Infineon, ele desenvolveu um sistema de IA baseado em redes neurais que mitiga a interferência mútua em sinais de radar, superando em muito o estado da arte atual. Eles agora querem otimizar esse modelo para que ele também funcione fora dos padrões aprendidos e reconheça objetos de forma ainda mais confiável.
Processamento de sinal inteligente e eficiente em recursos
Para este fim, os pesquisadores primeiro desenvolveram arquiteturas de modelo para supressão automática de ruído com base nas chamadas redes neurais convolucionais (CNNs). “Essas arquiteturas são modeladas na hierarquia de camadas do nosso córtex visual e já estão sendo usadas com sucesso no processamento de imagens e sinais”, diz Pernkopf. As CNNs filtram as informações visuais, reconhecem conexões e completam a imagem usando padrões familiares. Devido à sua estrutura, eles consomem consideravelmente menos memória do que outras redes neurais, mas ainda excedem as capacidades disponíveis dos sensores de radar para condução autônoma.
IA compactada em formato de chip
O objetivo era tornar-se ainda mais eficiente. Para isso, a equipe da TU Graz treinou várias dessas redes neurais com dados ruidosos e valores de saída desejados. Em experimentos, eles identificaram arquiteturas de modelo particularmente pequenas e rápidas analisando o espaço de memória e o número de operações de computação necessárias por processo de remoção de ruído. Os modelos mais eficientes foram então compactados novamente reduzindo as larguras de bits, ou seja, o número de bits usados para armazenar os parâmetros do modelo. O resultado foi um modelo de IA com alto desempenho de filtro e baixo consumo de energia ao mesmo tempo. Os excelentes resultados de redução de ruído, com uma pontuação F1 (uma medida da precisão de um teste) de 89%, são quase equivalentes a uma taxa de detecção de objetos de sinais de radar não perturbados. Os sinais de interferência são assim quase completamente removidos do sinal de medição.
Expresso em números: com uma largura de bits de 8 bits, o modelo atinge o mesmo desempenho de modelos comparáveis com uma largura de bits de 32 bits, mas requer apenas 218 kilobytes de memória. Isso corresponde a uma redução do espaço de armazenamento de 75%, o que significa que o modelo supera em muito o atual estado da arte.
Foco na robustez e explicabilidade
No projeto FFG REPAIR (IA robusta e explanável para sensores de radar), Pernkopf e sua equipe agora estão trabalhando em conjunto com a Infineon nos próximos três anos para otimizar seu desenvolvimento. Diz Pernkopf: “Para nossos testes bem-sucedidos, usamos dados (observação: sinais de interferência) semelhantes aos que usamos para o treinamento. Agora queremos melhorar o modelo para que ele ainda funcione quando o sinal de entrada se desviar significativamente dos padrões aprendidos”. Isso faria com que os sensores de radar muitas vezes mais robusto em relação à interferência do meio ambiente. Afinal, o sensor também é confrontado com situações diferentes, às vezes desconhecidas na realidade. “Até agora, mesmo as menores alterações nos dados de medição eram suficientes para que a saída entrasse em colapso e os objetos não fossem detectados ou detectados incorretamente, algo que seria devastador no caso de uso de direção autônoma”.
Brilhando uma luz na caixa preta
O sistema precisa lidar com esses desafios e perceber quando suas próprias previsões são incertas. Então, por exemplo, poderia responder com uma rotina de emergência segura. Para isso, os pesquisadores querem descobrir como o sistema determina as previsões e quais fatores influenciadores são decisivos para isso. Este processo complexo dentro da rede só era compreensível até certo ponto. Para isso, a complicada arquitetura do modelo é transferida para um modelo linear e simplificada. Nas palavras de Pernkopf: “Queremos tornar o comportamento das CNNs um pouco mais explicável. Não estamos interessados apenas no resultado de saída, mas também em sua faixa de variação. Quanto menor a variação, mais segura é a rede”.
De qualquer forma, ainda há muito a ser feito para uso no mundo real. Pernkopf espera que a tecnologia seja desenvolvida até o ponto em que os primeiros sensores de radar possam ser equipados com ela nos próximos anos.
Fonte: https://techxplore.com/news/2022-02-ai-sensor-technology-autonomous.html
