Разработчики: | Университет Карнеги - Меллона (Carnegie Mellon University) |
Отрасли: | Транспорт |
Технологии: | Big Data |
2022: Анонс датасета для обучения машин автономной езде по бездорожью
В конце мая 2022 года исследователи из Университета Карнеги-Меллон отправились на вездеходе в дикую поездку по высокой траве, рыхлому гравию и грязи, чтобы собрать данные о том, как квадроцикл взаимодействует со сложной внедорожной средой. Полученный набор данных, названный TartanDrive, включает около 200 тыс. реальных взаимодействий, а пять часов данных могут быть полезны для обучения автономной езде по бездорожью. Датасет выложен в открытый доступ.
Исследователи считают, что эти данные являются крупнейшим мультимодальным набором данных о реальном вождении внедорожника, как по количеству взаимодействий, так и по типам датчиков. Вездеход с большим количеством приборов ехал на скорости до 50 км в час. Исследователи преодолели большое расстояние, поднимались и спускались с холмов и даже застревали в грязи и все это при сборе данных, таких как видео, скорость каждого колеса и величина хода амортизаторов подвески, с семи типов датчиков.
В предыдущих работах по вождению по бездорожью часто использовались аннотированные карты, на которых давались такие обозначения, как грязь, трава, растительность или вода, чтобы помочь роботу понять местность. Но такая информация оступна нечасто, и даже если она есть, данные могут оказаться бесполезными. Например, участок карты, помеченный как грязь, может быть пригоден или не пригоден для движения.
Ученые обнаружили, что данные мультимодальных датчиков, которые они собрали для TartanDrive, позволили им построить модели прогнозирования, превосходящие те, которые были разработаны на основе более простых, нединамических данных. По словам исследователя, агрессивное вождение также подтолкнуло квадроцикл в область производительности, где понимание динамики стало необходимым. Ученый добавил, что при испытании человек управлял квадроциклом, хотя для контроля рулевого управления и скорости использовалась система Drive-by-Wire.[1]Как развивается российский рынок цифровизации закупок. Обзор TAdviser
Примечания
Подрядчики-лидеры по количеству проектов
БизнесАвтоматика НПЦ (120)
Большая Тройка (46)
Умная Логистика (14)
Сбербанк (14)
Доверенная среда (13)
Другие (491)
БизнесАвтоматика НПЦ (12)
РИР (Росатом Инфраструктурные решения) (3)
OneFactor (Уанфактор) ЕдиныйФактор (3)
Сбербанк (2)
Яндекс (Yandex) (2)
Другие (45)
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
БизнесАвтоматика НПЦ (2, 119)
Большая Тройка (2, 46)
Умная Логистика (2, 14)
Триафлай (1, 13)
Сбербанк (10, 10)
Другие (257, 141)
БизнесАвтоматика НПЦ (1, 12)
РИР (Росатом Инфраструктурные решения) (2, 3)
Мегапьютер Интелидженс (Megaputer Intelligence) (1, 2)
МегаФон (2, 1)
TData (ТДата) (1, 1)
Другие (8, 8)
БизнесАвтоматика НПЦ (1, 5)
РИР (Росатом Инфраструктурные решения) (3, 4)
Сбербанк (2, 2)
CM.Expert (АвтоЭксперт) (1, 2)
Цифра (1, 2)
Другие (17, 18)
БизнесАвтоматика НПЦ (1, 7)
Сбербанк (3, 3)
DataCatalog (ДатаКаталог) (1, 3)
Luxms (1, 3)
Ростелеком (1, 2)
Другие (18, 21)
Распределение систем по количеству проектов, не включая партнерские решения
Visary BI Платформа бизнес-аналитики - 119
Большая Тройка: АИС Редактор территориальных схем - 39
Триафлай BI-платформа - 13
ZIIoT Платформа для работы с промышленными данными - 10
Luxms BI - 9
Другие 137
Visary BI Платформа бизнес-аналитики - 12
Росатом Цифровое теплоснабжение - 2
PolyAnalyst Платформа визуальной разработки сценариев анализа данных и текстов - 2
МегаФон: Цифровой туризм - 1
SODIS Building M - 1
Другие 7