Fallstudie

Fußgänger-Tracking & Kollisionsprognose zur Erhöhung der Mobilitätssicherheit

Wir entwickelten Software zur Erkennung von Fußgängern und zur Vorhersage ihres Weges, indem wir das Potenzial der Kalman-Filterung genutzt haben

Hauptmerkmale

  • Erkennen von Fußgängern und Vorhersage ihres Weges

    Erkennen von Fußgängern und Vorhersage ihres Weges

  • Vorhersage von Kollisionen zwischen Fußgängern und Fahrzeugen

    Vorhersage von Kollisionen zwischen Fußgängern und Fahrzeugen

  • Reduzierung von Zwischenfällen und Erhöhung der Sicherheit

    Reduzierung von Zwischenfällen und Erhöhung der Sicherheit

Branche:
Automobil
Kompetenz:
Maschinelles Lernen und künstliche Intelligenz
Teamgröße:
2 Entwickler für Computervision
Projektdauer:
6 Monate
Technologien

Deep learning / Kalman filtering / Keras / Mask R-CNN / Neural networks / YOLOv3

Geschäftsherausforderung

Ein Team von hochkarätigen KI/ML-Entwicklern bei Intellias hat als F&E-Projekt ein Modul zur Fußgängerverfolgung und Kollisionsvorhersage entwickelt. Die Nutzung von Spitzentechnologien für die Sicherheit von Straßen und Fußgängern ist seit langem einer unserer Schwerpunkte und unsere neue Lösung entspricht dem steigenden Bedarf an sicherer Mobilität in Großstädten.

Die Stadtbevölkerung wächst ebenso wie die Anzahl der persönlichen und öffentlichen Verkehrsmittel sowie der Zustellfahrzeuge auf den letzten Kilometern. Diese Fahrzeuge teilen sich zunehmend überfüllte Straßen mit Fußgängern und Radfahrern, die die am stärksten gefährdeten Verkehrsteilnehmer sind. Laut dem Globalen Lagebericht zur Straßenverkehrssicherheit 2018 der WHO waren Fußgänger weltweit für 25% aller Verkehrstoten im Jahr 2018 verantwortlich.

Neben den Staus auf den Straßen sind die toten Winkel von großen Bussen und schweren Fahrzeugen eine weitere Ursache für Zwischenfälle. Die Fahrer müssen schnell und präzise manövrieren und dabei auf jede Bewegung in der Nähe achten. Auf industriellen Lagerstätten können Arbeiter zu Fuß auch durch Gabelstapler potenziellen Schäden ausgesetzt sein. Wenn eine volle Ladung die Sicht vollständig blockiert, haben Gabelstaplerfahrer möglicherweise mehr tote Winkel als Bereiche mit klarer Sicht.

All diese Fragen der Sicherheit von Fußgängern haben uns ermutigt, an einem Modul zur Vorhersage von Fußgängerkollisionen zu arbeiten. Unsere Fähigkeiten im Bereich maschinelles Lernen und KI zusammen mit unserer Erfahrung mit Objekterkennungslösungen führten zum Erfolg unseres F&E-Projekts zur Vorhersage von Fußgängerkollisionen.

Gelieferte Lösung

Unser Ansatz zur Entwicklung eines Moduls zur Vorhersage von Fußgängerkollisionen bestand in der Analyse von Daten über die Position von Fußgängern, ihre vorhergesagten Standorte und Straßenkoordinaten. Das von uns entwickelte Modul besteht aus den folgenden Komponenten:

  • Fußgängererkennung
  • Vorhersage der Bewegung von Fußgängern
  • Straßensegmentierung
  • Das Modul zur Vorhersage von Fußgängerkollisionen selbst

Die Fußgängererkennung wird mit dem YOLOv3-Algorithmus durchgeführt. Das Modul für die Bewegungsvorhersage von Fußgängern mit Kalman-Filter bezieht die Geschwindigkeit und das Tempo eines Fußgängers aus dem Detektionsmodul, um dessen Bewegung vorherzusagen. Dann sucht der Fußgängerdetektor nach dem am besten passenden Erscheinungsbild, um die Messungen zu aktualisieren. Die Ausgabe der vorherigen Berechnung ist eine Eingabe für die nächste. Das Ergebnis des Kalman-Filters ist eine angepasste Fußgängerbewegung.

Das Straßensegmentierungsmodul unterscheidet Fahrspuren vom Bürgersteig und gibt Bilder mit beschrifteten Straßenpixeln aus. Das Modul wird normalerweise von einem Convolutional Neural Network (CNN) gehandhabt, daher haben wir für unser F&E-Projekt Mask R-CNN verwendet, die mit dem CityScape-Datensatz trainiert wurde, der um Bilder von Lemberg erweitert wurde.

Das Modul zur Vorhersage von Fußgängerkollisionen berechnet die Wahrscheinlichkeit einer Kollision anhand der Koordinaten eines Fußgänger-Begrenzungsrahmens, die von dem mit dem Kalman-Filter gekoppelten Objektdetektor vorhergesagt und erhalten werden, und der Straßenkoordinaten aus dem Straßensegmentierungsmodul. Wenn sich diese Koordinaten eines Fußgänger-Begrenzungsrahmens nicht mit den Straßenkoordinaten schneiden, ist die Kollision von Fahrzeug und Fußgänger unwahrscheinlich. Im Falle einer Kreuzung ist die Kollisionswahrscheinlichkeit gleich dem Verhältnis des Abstands zum vorhergesagten Standort des Fußgängers und der Entfernung der erkannten Straße, die für das Fahrzeug zur Verfügung steht.

ML und KI in der Automobilindustrie ermöglichen eine sofortige Straßenanalyse, was im obigen Video demonstriert wird, das eine Fußgängerverfolgungssoftware in Aktion zeigt. Die Ergebnisse der automatischen Straßensegmentierung werden grün hervorgehoben, blaue Begrenzungsrahmen stehen für das Vertrauen in die Fußgängererkennung und grün/rote Begrenzungsrahmen stehen für vorhergesagte Kollisionen mit einer niedrigen/hohen Wahrscheinlichkeit.

Unternehmensergebnisse

Aktive Sicherheitstechnologie zur Verhinderung von Fußgängerkollisionen ist wichtig, um ungeschützte Verkehrsteilnehmer zu schützen und auf dem Weg zu einer Gesellschaft ohne Verkehrsunfälle voranzuschreiten. Intellias nutzt seine Expertise in KI- und ML-Lösungen und bietet Softwareentwicklungsdienste an, um Erstausrüster beim Bau intelligenter Fahrzeuge zu unterstützen, die die Straßenbedingungen bis zu 99,8 % besser als menschliche Fahrer wahrnehmen und darauf reagieren können.

Als zusätzliches Augenpaar befasst sich ein Modul zur Kollisionsvorhersage für Fußgänger mit der Herausforderung der Überwachung gefährlicher toter Winkel für Fahrer sowohl von Privatfahrzeugen als auch von großen Fahrzeugen, die in engen Gassen und um Fußgänger herum manövrieren. Sobald die Möglichkeit eines Aufpralls mit einem Fußgänger erkannt wird, erhält der Fahrer eine visuelle und akustische Warnung, so dass er mehr Zeit hat, zu reagieren. Wenn die Situation als kritisch definiert ist, werden die Bremsen automatisch betätigt.

Das von uns entwickelte fortschrittliche Modul zur Richtungsvorhersage von Fußgängern wird Automobilhersteller dabei unterstützen, die Sicherheitsparameter von Fahrzeugen in städtischen, ländlichen und industriellen Umgebungen zu verbessern. Durch die Ausrüstung von Flotten mit einem Modul zur Vorhersage von Fußgängerkollisionen werden Unternehmen Zwischenfälle und damit verbundene Kosten reduzieren und, was am wichtigsten ist, Leben retten.

Erzählen Sie uns von Ihrem Projekt

Ich stimme der Verarbeitung meiner personenbezogenen Daten zu, die im oben genannten Kontaktformular unter den Bedingungen der Datenschutzerklärung von Intellias angegeben sind. Ich möchte kommerzielle Kommunikations- und Marketinginformationen von Intellias über elektronische Kommunikationsmittel (einschließlich Telefon und E-Mail) erhalten.
* Ich stimme der Verarbeitung meiner personenbezogenen Daten zu, die im oben genannten Kontaktformular unter den Bedingungen der Datenschutzerklärung von Intellias angegeben sind.

Auszeichnungen und Anerkennungen

logo
logo
logo
logo
logo
logo
logo
logo
logo

Danke für Ihre Nachricht.
Wir melden uns in Kürze bei Ihnen.

Danke für Ihre Nachricht.
Wir melden uns in Kürze bei Ihnen.