חוקרי אפל דוחפים קדימה במאמצים להביא מערכות רכב אוטונומיות לכבישים ציבוריים, ובשבוע שעבר פרסמו מאמר אקדמי המתאר שיטה לזיהוי עצמים בענני נקודות תלת מימדיים באמצעות רשתות עצביות הניתנות לאימון. בעוד שעדיין בשלביה המוקדמים, הטכנולוגיה עשויה להבשיל לשיפור הדיוק בפתרונות הניווט של LiDAR.
בדומה למאמרים מדעיים אחרים שפורסמו על ידי מהנדסי אפל, הערך האחרון, "VoxelNet: למידה מקצה לקצה עבור זיהוי אובייקטים תלת מימדיים מבוססי ענן נקודות" מאת חוקר הבינה המלאכותית Yin Zhou ומומחה למידת מכונה Oncel Tuzel, התפרסם (קישור ל-PDF) דרך ארכיון arXiv של מאמרים מדעיים.
במאמר שלה, אפל מציינת שזיהוי מדויק של אובייקטים בענני נקודות תלת מימדיים, כמו אלה שנוצרו על ידי מערכי LiDAR, הוא נקודת תקיעה במספר יישומים מתפתחים בעולם האמיתי. ממכוניות אוטונומיות ועד שואבים רובוטיים, מכונות שמנווטות את העולם סביבן ללא סיוע של מפעילים אנושיים צריכות לזהות אובייקט קריטי במהירות ובדיוק.
בהשוואה לזיהוי מבוסס תמונה דו-ממדית, טכנולוגיית LiDAR מוכיחה את עצמה כאלטרנטיבה אמינה יותר מכיוון שהיא מספקת מידע עומק למיקום טוב יותר של עצמים בחלל, אומרת אפל. עם זאת, ענני נקודות LiDAR, שנוצרים על ידי פליטת פולסי לייזר ורישום הזמן שלוקח לאור לחזור לאחר הקפצת משטח מוצק, הם דלילים ובעלי צפיפות נקודות משתנה מאוד, ובכך גורמים לשורה של בעיות.
טכניקות עדכניות עדכניות המיועדות לניהול פרשנות נתונים כוללות יצירה ידנית של ייצוגי תכונה עבור ענני נקודות כאמור. שיטות מסוימות מקרינות ענני נקודה לנקודת מבט ממעוף הציפור, בעוד שאחרות הופכות את הנתונים לרשתות ווקסל תלת-ממדיות ומקודדות כל ווקסל עם תכונות מסוימות. יצירה ידנית של ייצוגי תכונות מציגים "צוואר בקבוק מידע" שמגביל מערכות כאלה ממינוף יעיל של מידע צורות תלת-ממדיות, לפי אפל.
במקום זאת, Zhou ו-Tuzel מציעים יישום של ארכיטקטורת עמוקה הניתנת לאימון עבור זיהוי תלת מימד מבוסס ענן נקודות. המסגרת, הנקראת VoxelNet, משתמשת בשכבות של קידוד תכונות ווקסל (VFE) כדי ללמוד תכונות מורכבות לאפיון צורות תלת ממדיות. במיוחד, הטכניקה מפרקת את ענן הנקודות ל-voxels תלת-ממדיים, מקודדת את ה-voxels באמצעות שכבות VFE מוערמות ומציגה ייצוג נפחי.
בבדיקות, המתודולוגיה של אפל הראתה הבטחה, עלתה על אלגוריתמי הזיהוי הנוכחיים מבוססי LiDAR וגישות מבוססות תמונה "בפער גדול". זאת על פי הערכות שבוצעו דרך מדד זיהוי האובייקטים התלת-ממדיים של KITTI, שבו השתמשה אפל כדי להעריך את התהליך שלה. VoxelNet הוכשרה לזהות שלושה עצמים בסיסיים - מכונית, הולכי רגל ורוכב אופניים - במגוון בדיקות.
מלבד מחקר תיאורטי, אפל בוחנת כעת רכב בנהיגה עצמיתמיטת מבחןברחובות קופרטינו, קליפורניה. מאמצי החברה בטכנולוגיה אוטונומית החלו ביוזמת "פרויקט טיטאן", אשר ביקשה לבנות מכונית ממותגת לנהיגה עצמית מהיסוד. לאחר השקעה משמעותית והעברת עובדים מרובים, Titan פגע ב-aמספר תקלותוהועלה בסופו של דבר על הקרח בסוף 2016, אם כי שרידים של היוזמה, כמו תמיכה בתוכנה ובחומרה,להישאר פעילים.
דיווח באוגוסט טען שאפל מעוניינת לחלק את הטכנולוגיה לכדימעבורת אוטונומיתשתעביר את העובדים בין הקמפוסים של עמק הסיליקון.
בעוד מאמר המחקר של אפל מתמקד רבות בניווט ברכב אוטונומי, ניתן ליישם את הטכנולוגיה המתוארת גם על מערכות מציאות רבודה המשתמשות בחומרה למיפוי עומק כדי לזהות אובייקטים בעולם האמיתי. ציוד הספורט החדש של ה-iPhone X הדומה למערכים של LiDAR במצלמת TrueDepth הקדמית שלו, המשלבת מקרן נקודות ממוזער לפעולות מיפוי עומק מדויקות. אם הטווח של TrueDepth יורחב, ויורכב בחלקו האחורי של מכשיר נייד, זה עשוי להיות משויך לתוכנה מתקדמת כדי להפעיל חוויית AR חדשה לגמרי לצרכן.
