Mejorando la seguridad de los peatones en vehículos autónomos
Un nuevo algoritmo predice el movimiento de los peatones para mejorar la seguridad vehicular.
― 5 minilectura
Tabla de contenidos
La seguridad vial es un tema importante, especialmente con el aumento de los vehículos autónomos. Uno de los principales retos es evitar accidentes con peatones. Cuando los vehículos funcionan sin un conductor, deben reaccionar rápidamente a los cambios en su entorno. Esto es especialmente crítico cuando un peatón aparece de repente frente a un vehículo en movimiento.
Para mejorar la seguridad, los sistemas deben juzgar con precisión los movimientos e intenciones de los peatones. En nuestra investigación, nos enfocamos en crear un sistema que pueda predecir lo que hará un peatón basado en sus movimientos. Esto es vital para los vehículos autónomos, que necesitan tomar decisiones rápidas para evitar accidentes.
El Problema
El desafío surge cuando un peatón entra de repente en el camino de un vehículo. El tiempo de respuesta del vehículo es crucial para evitar colisiones. Los sistemas tradicionales que dependen de Algoritmos complejos a veces pueden ser demasiado lentos, especialmente en emergencias. Por lo tanto, nuestro objetivo es crear una solución que mejore la Velocidad y precisión en la detección de movimientos de peatones.
Solución Propuesta
Proponemos un nuevo algoritmo que predice el movimiento de los peatones utilizando un modelo de árbol de decisiones. Este algoritmo considera varias características de los peatones, como su velocidad y Orientación. Al analizar estos factores, el algoritmo puede clasificar rápidamente las intenciones de los peatones de manera eficiente.
¿Por Qué Usar Árboles de Decisiones?
Los árboles de decisiones son algoritmos simples que descomponen datos complejos en partes más simples. Son efectivos para tareas de clasificación, que es precisamente lo que necesitamos para predecir acciones de los peatones. Requieren menos cálculos que métodos más complejos, haciéndolos más rápidos y adecuados para aplicaciones en tiempo real.
Cómo Funciona
Nuestro algoritmo se centra en analizar los feeds de cámara para rastrear peatones. Usamos una tecnología llamada MediaPipe, que ayuda a identificar puntos clave en el cuerpo de una persona. Por ejemplo, puede detectar los hombros, codos y caderas de una persona.
Información Clave Recopilada
- Orientación: La dirección en la que está mirando un peatón.
- Velocidad: Cuán rápido se mueve el peatón horizontal y verticalmente en el marco de la cámara.
- Posición: Dónde se encuentra el peatón en el marco.
Al recopilar esta información, el algoritmo puede predecir hacia dónde se moverá el peatón a continuación.
Experimentación y Pruebas
Para probar nuestro sistema propuesto, utilizamos datos del mundo real de personas caminando en diversas direcciones. Los datos incluían varios escenarios, como peatones caminando recto, cruzando o moviéndose de lado. Grabamos videos y procesamos los fotogramas para extraer la información necesaria.
Precisión del Modelo
Nuestras pruebas mostraron que el algoritmo alcanzó una precisión de aproximadamente 83.56%. Esto significa que predijo correctamente el movimiento de los peatones la mayor parte del tiempo. El algoritmo también fue rápido, con un tiempo de respuesta de alrededor de 48 milisegundos.
Comparado con modelos existentes que usan métodos más complejos como el aprendizaje profundo, nuestro enfoque no solo es más rápido, sino también menos intensivo en recursos.
Eficiencia Computacional
Una de las ventajas significativas de nuestro enfoque de árbol de decisiones es su eficiencia. Requiere menos cálculos que los métodos de aprendizaje profundo, que a menudo necesitan procesar enormes cantidades de datos. Esto lo hace ideal para su implementación en dispositivos con potencia de cómputo limitada.
Aplicaciones Prácticas
Dado que se necesita una toma de decisiones rápida en vehículos autónomos, nuestro modelo es particularmente relevante. La capacidad de evaluar rápidamente las intenciones de los peatones puede reducir significativamente el riesgo de accidentes. Con predicciones más precisas, los vehículos pueden ajustar sus caminos o frenar a tiempo para evitar colisiones.
Escenarios del Mundo Real
Imagina un vehículo autónomo acercándose a un paso de peatones. Si un peatón de repente se baja de la acera, el vehículo debe reconocer este cambio de inmediato. Usando nuestro sistema, el vehículo puede detectar el movimiento del peatón y responder de acuerdo, asegurando la seguridad tanto del peatón como del conductor.
Desarrollos Futuros
Aunque nuestros resultados iniciales son prometedores, todavía hay mucho por explorar. El trabajo futuro podría centrarse en mejorar el modelo aún más, tal vez incorporando conjuntos de datos más diversos o mejorando su capacidad para detectar múltiples peatones simultáneamente.
Abordando Limitaciones
Nuestras pruebas actuales se centraron en peatones individuales. Sin embargo, las situaciones de la vida real a menudo involucran a varias personas moviéndose de manera impredecible. Mejorar nuestro algoritmo para manejar estos escenarios es crucial para el desarrollo futuro.
Conclusión
El aumento de los vehículos autónomos presenta desafíos únicos en la seguridad de los peatones. Nuestra investigación propone una solución que utiliza un modelo de árbol de decisiones para predecir rápidamente las intenciones de los peatones con precisión. Al centrarse en características clave como la velocidad y la orientación, el sistema puede tomar decisiones oportunas que pueden ayudar a prevenir accidentes.
A medida que la tecnología sigue evolucionando, es esencial desarrollar sistemas eficientes que mejoren la seguridad de todos los usuarios de la carretera. Nuestro enfoque muestra promesa en satisfacer estas necesidades mientras mantiene bajos requisitos computacionales, haciéndolo adecuado para su implementación en futuros sistemas de transporte inteligentes.
En resumen, nuestro algoritmo busca cerrar la brecha entre sistemas de detección de peatones complejos y la necesidad de mecanismos de respuesta rápidos y eficientes en vehículos autónomos. Al simplificar el procesamiento necesario para interpretar los movimientos de los peatones, podemos crear carreteras más seguras para todos.
Título: MonoPIC -- A Monocular Low-Latency Pedestrian Intention Classification Framework for IoT Edges Using ID3 Modelled Decision Trees
Resumen: Road accidents involving autonomous vehicles commonly occur in situations where a (pedestrian) obstacle presents itself in the path of the moving vehicle at very sudden time intervals, leaving the robot even lesser time to react to the change in scene. In order to tackle this issue, we propose a novel algorithmic implementation that classifies the intent of a single arbitrarily chosen pedestrian in a two dimensional frame into logic states in a procedural manner using quaternions generated from a MediaPipe pose estimation model. This bypasses the need to employ any relatively high latency deep-learning algorithms primarily due to the lack of necessity for depth perception as well as an implicit cap on the computational resources that most IoT edge devices present. The model was able to achieve an average testing accuracy of 83.56% with a reliable variance of 0.0042 while operating with an average latency of 48 milliseconds, demonstrating multiple notable advantages over the current standard of using spatio-temporal convolutional networks for these perceptive tasks.
Autores: Sriram Radhakrishna, Adithya Balasubramanyam
Última actualización: 2024-02-03 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2304.00206
Fuente PDF: https://arxiv.org/pdf/2304.00206
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.