MIT y Toyota lanzan datos innovadores de Visual Open Data para acelerar la investigación de conducción autónoma, así, el conjunto de datos de video recientemente publicado y de libre acceso puede ayudar a los investigadores a comprender y predecir mejor los patrones de datos detectados en el transcurso de una escena de conducción continua
"Al compartir este conjunto de datos, esperamos alentar a los investigadores, la industria y otros innovadores a desarrollar una nueva visión y dirección en el modelado temporal de IA que permita la próxima generación de tecnologías de conducción asistida y seguridad automotriz", dice Bryan Reimer, investigador principal. "Nuestra relación de trabajo de larga data con Toyota CSRC ha permitido que nuestros esfuerzos de investigación tengan un impacto en las futuras tecnologías de seguridad".
"El poder predictivo es una parte importante de la inteligencia humana", dice Rini Sherony, ingeniero principal sénior del Centro de Investigación de Seguridad Colaborativa de Toyota. “Siempre que manejamos, siempre estamos rastreando los movimientos del entorno que nos rodea para identificar riesgos potenciales y tomar decisiones más seguras. Al compartir este conjunto de datos, esperamos acelerar la investigación de sistemas de conducción autónomos y funciones de seguridad avanzadas que estén más en sintonía con la complejidad del entorno que los rodea ".
Hasta la fecha, los datos de conducción autónoma puestos a disposición de la comunidad de investigación han consistido principalmente en tesoros de imágenes únicas y estáticas que se pueden utilizar para identificar y rastrear objetos comunes que se encuentran en y alrededor de la carretera, como bicicletas, peatones o semáforos a través del uso de "cajas delimitadoras". Por el contrario, DriveSeg contiene representaciones más precisas a nivel de píxel de muchos de estos mismos objetos comunes de carretera, pero a través de la lente de una escena de conducción de video continua. Este tipo de segmentación de escena completa puede ser particularmente útil para identificar objetos más amorfos, como la construcción de carreteras y la vegetación, que no siempre tienen formas tan definidas y uniformes.
Según Sherony, la percepción de la escena de conducción basada en video proporciona un flujo de datos que se asemeja más a las situaciones de conducción dinámicas del mundo real. También permite a los investigadores explorar patrones de datos a medida que se desarrollan con el tiempo, lo que podría conducir a avances en el aprendizaje automático, la comprensión de la escena y la predicción del comportamiento.
DriveSeg está disponible de forma gratuita y puede ser utilizado por investigadores y la comunidad académica para fines no comerciales aquí . Los datos se componen de dos partes. DriveSeg (manual) es de 2 minutos y 47 segundos de video de alta resolución capturado durante un viaje diurno por las concurridas calles de Cambridge, Massachusetts. Los 5,000 fotogramas del video se anotan densamente de forma manual con etiquetas humanas por píxel de 12 clases de objetos de carretera.
DriveSeg (semiautomático) es de 20,100 cuadros de video (67 - 10 segundos de video clips) tomados de los datos del Consorcio de Tecnologías Avanzadas de Vehículos (AVT) de MIT. DriveSeg (semiautomático) está etiquetado con la misma anotación semántica en forma de píxeles que DriveSeg (manual), excepto que las anotaciones se completaron a través de un nuevo enfoque de anotación semiautomática desarrollado por MIT. Este enfoque aprovecha los esfuerzos manuales y computacionales para anotar groseramente los datos de manera más eficiente y a menor costo que la anotación manual. Este conjunto de datos se creó para evaluar la viabilidad de anotar una amplia gama de escenarios de conducción del mundo real y evaluar el potencial de los sistemas de percepción de vehículos de entrenamiento en etiquetas de píxeles creadas a través de sistemas de etiquetado basados en IA.
Para obtener más información sobre las especificaciones técnicas y los casos de uso permitidos para los datos, haga clic aquí .
¿Cómo podemos entrenar vehículos autónomos para tener una conciencia más profunda del mundo que los rodea? ¿Pueden las computadoras aprender de experiencias pasadas para reconocer patrones futuros que pueden ayudarlos a navegar de manera segura en situaciones nuevas e impredecibles?
Estas son algunas de las preguntas que los investigadores del AgeLab del Instituto de Tecnología de Massachusetts (MIT) en el Centro de Transporte y Logística del MIT y el Centro de Investigación de Seguridad Colaborativa de Toyota (CSRC) están tratando de responder compartiendo un nuevo e innovador conjunto de datos abierto llamado DriveSeg.
A través del lanzamiento de DriveSeg, MIT y Toyota están trabajando para avanzar en la investigación en sistemas de conducción autónomos que, al igual que la percepción humana, perciben el entorno de conducción como un flujo continuo de información visual.
Estas son algunas de las preguntas que los investigadores del AgeLab del Instituto de Tecnología de Massachusetts (MIT) en el Centro de Transporte y Logística del MIT y el Centro de Investigación de Seguridad Colaborativa de Toyota (CSRC) están tratando de responder compartiendo un nuevo e innovador conjunto de datos abierto llamado DriveSeg.
A través del lanzamiento de DriveSeg, MIT y Toyota están trabajando para avanzar en la investigación en sistemas de conducción autónomos que, al igual que la percepción humana, perciben el entorno de conducción como un flujo continuo de información visual.
 |
| MIT y Toyota lanzan datos de Visual Open Data para acelerar la conducción autónoma |
"Al compartir este conjunto de datos, esperamos alentar a los investigadores, la industria y otros innovadores a desarrollar una nueva visión y dirección en el modelado temporal de IA que permita la próxima generación de tecnologías de conducción asistida y seguridad automotriz", dice Bryan Reimer, investigador principal. "Nuestra relación de trabajo de larga data con Toyota CSRC ha permitido que nuestros esfuerzos de investigación tengan un impacto en las futuras tecnologías de seguridad".
"El poder predictivo es una parte importante de la inteligencia humana", dice Rini Sherony, ingeniero principal sénior del Centro de Investigación de Seguridad Colaborativa de Toyota. “Siempre que manejamos, siempre estamos rastreando los movimientos del entorno que nos rodea para identificar riesgos potenciales y tomar decisiones más seguras. Al compartir este conjunto de datos, esperamos acelerar la investigación de sistemas de conducción autónomos y funciones de seguridad avanzadas que estén más en sintonía con la complejidad del entorno que los rodea ".
Hasta la fecha, los datos de conducción autónoma puestos a disposición de la comunidad de investigación han consistido principalmente en tesoros de imágenes únicas y estáticas que se pueden utilizar para identificar y rastrear objetos comunes que se encuentran en y alrededor de la carretera, como bicicletas, peatones o semáforos a través del uso de "cajas delimitadoras". Por el contrario, DriveSeg contiene representaciones más precisas a nivel de píxel de muchos de estos mismos objetos comunes de carretera, pero a través de la lente de una escena de conducción de video continua. Este tipo de segmentación de escena completa puede ser particularmente útil para identificar objetos más amorfos, como la construcción de carreteras y la vegetación, que no siempre tienen formas tan definidas y uniformes.
Según Sherony, la percepción de la escena de conducción basada en video proporciona un flujo de datos que se asemeja más a las situaciones de conducción dinámicas del mundo real. También permite a los investigadores explorar patrones de datos a medida que se desarrollan con el tiempo, lo que podría conducir a avances en el aprendizaje automático, la comprensión de la escena y la predicción del comportamiento.
DriveSeg está disponible de forma gratuita y puede ser utilizado por investigadores y la comunidad académica para fines no comerciales aquí . Los datos se componen de dos partes. DriveSeg (manual) es de 2 minutos y 47 segundos de video de alta resolución capturado durante un viaje diurno por las concurridas calles de Cambridge, Massachusetts. Los 5,000 fotogramas del video se anotan densamente de forma manual con etiquetas humanas por píxel de 12 clases de objetos de carretera.
DriveSeg (semiautomático) es de 20,100 cuadros de video (67 - 10 segundos de video clips) tomados de los datos del Consorcio de Tecnologías Avanzadas de Vehículos (AVT) de MIT. DriveSeg (semiautomático) está etiquetado con la misma anotación semántica en forma de píxeles que DriveSeg (manual), excepto que las anotaciones se completaron a través de un nuevo enfoque de anotación semiautomática desarrollado por MIT. Este enfoque aprovecha los esfuerzos manuales y computacionales para anotar groseramente los datos de manera más eficiente y a menor costo que la anotación manual. Este conjunto de datos se creó para evaluar la viabilidad de anotar una amplia gama de escenarios de conducción del mundo real y evaluar el potencial de los sistemas de percepción de vehículos de entrenamiento en etiquetas de píxeles creadas a través de sistemas de etiquetado basados en IA.
Para obtener más información sobre las especificaciones técnicas y los casos de uso permitidos para los datos, haga clic aquí .
Así, que MIT y Toyota lanzan datos innovadores de Visual Open Data para acelerar la investigación de conducción autónoma, así, el conjunto de datos de video recientemente publicado y de libre acceso puede ayudar a los investigadores a comprender y predecir mejor los patrones de datos detectados en el transcurso de una escena de conducción continua
Comentarios
Publicar un comentario