Apple은 LiDAR의 한계를 극복하기 위해 기계 학습을 사용합니다.

https://techcrunch.com/2017/11/22/apple-could-use-machine-learning-to-shore-up-lidar-limitations-in-self-driving/?ncid=rss

Apple은 Cornell의 arXiv 오픈 과학 연구 논문집에 기계 학습을 사용하여 LiDAR 어레이에 의해 수집 된 원시 포인트 클라우드 데이터를 자전거 및 보행자를 포함하여 추가 정보가없는 결과로 변환하는 방법을 설명합니다 센서 데이터가 필요합니다.

이 신문은 애플이 자체 운전 기술을 연구하면서 얻은 가장 명확한 외모 중 하나이다. 우리는 캘리포니아 주 자동차국 (California Department of Motor Vehicles)에서 자체 운전 시험 허가를 확보하기 위해 많은 것을 인정해야했기 때문에 그리고 그 시험 차량이 시간 내외에서 발견 되었기 때문에 애플이이 작업을하고 있음을 알고 있습니다.

동시에 애플은 자사의 기계 학습 노력에 대한 정보를 공개하고, 연구를 강조하는 블로그에 논문을 게시하며, 이제는 더 광범위한 연구 커뮤니티와 공유하고있다. 이런 종류의 출판 실무는 일반적으로 ML 기술을 발전시키기 위해 광범위한 커뮤니티와 협력하기를 희망하는이 분야의 최고 인재를위한 핵심 요소입니다.

이 특정 그림은 종이 작가 인 Yin Zhou와 Oncel Tuzel을 포함한 Apple 연구원이 LiDAR 배열에 의해 포착 된 점들의 집합으로부터 객체를 외삽하고 추론 할 수있는 VoxelNet이라는 무언가를 어떻게 창조했는지 설명합니다. 본질적으로, LiDAR는 주변에 레이저를 방출하고 반사 된 결과를 등록함으로써 개별 점의 고해상도지도를 작성하여 작동합니다.

이 연구는 흥미 롭다. 왜냐하면 LiDAR가 자체 구동 시스템에서 훨씬 효과적으로 작동 할 수 있기 때문이다. 일반적으로 LiDAR 센서 데이터는 광학 카메라, 레이더 및 기타 센서의 정보와 쌍을 이루거나 '융합'되어 완벽한 그림을 만들고 물체 감지를 수행합니다. LiDAR를 단독으로 사용하여 높은 신뢰도로 도로에서 실제자가 운전 차량의 미래 생산 및 컴퓨팅 효율성을 이끌어 낼 수 있습니다