A maioria das coleções de dados de treinamento usadas para desenvolver sistemas de carros autônomos concentra-se em objetos do cotidiano, como carros comuns, andadores e bicicletas. No entanto, esta abordagem geral deixa de fora veículos importantes, mas menos frequentemente vistos, como ambulâncias e carros da polícia. Um conjunto de dados gerado por computador recentemente publicado, denominado EMS3D-KITTI, visa colmatar esta lacuna. Oferece um conjunto equilibrado de cenas que incluem veículos médicos de emergência. Dr. da Universidade Estadual Agrícola e Técnica da Carolina do Norte. O conjunto de dados foi desenvolvido por pesquisadores liderados por Chandra Jaiswal. Seus trabalhos foram publicados em revistas Dados resumidos.
Para criar esse conjunto de dados, a equipe do Dr. Jaiswal usou uma plataforma de direção virtual chamada Car Learning to Act, um ambiente de simulação realista usado para treinar e testar sistemas de direção autônoma. A ferramenta permitiu a simulação de situações de trânsito realistas, incluindo ambulâncias, carros de polícia e outros usuários da estrada. Muitos veículos de teste digital possuem câmeras e sensores a laser chamados de detecção e alcance de luz, ou LiDAR, que medem distâncias usando luz para criar mapas 3D detalhados do ambiente. Esses veículos gravaram cenas em diversos cenários da cidade. Estas cidades virtuais incorporam uma variedade de condições, tais como alterações climáticas e movimentos imprevisíveis dos veículos, para imitar a condução na vida real o mais fielmente possível. Todos os dados capturados foram organizados usando um formato amplamente aceito desenvolvido pelo Karlsruhe Institute of Technology e pelo Toyota Technological Institute, uma estrutura padrão usada no campo da pesquisa de veículos autônomos para armazenar e processar dados visuais e espaciais.
Usando este método cuidadosamente planejado, a equipe registrou uma grande variedade de objetos na estrada. Os veículos médicos de emergência representam um quarto do total, uma percentagem muito maior do que a maioria dos conjuntos de dados existentes. “Este conjunto de dados aborda uma lacuna significativa nos conjuntos de dados de visão computacional disponíveis publicamente, superando o desafio de dados limitados para objetos raros”, explicou o Dr.
Ambulâncias virtuais e carros de polícia foram colocados aleatoriamente em diferentes partes das cidades simuladas. O sistema permitiu que veículos de teste equipados com câmeras, muitas vezes chamados de veículos Ego, o principal veículo do qual os dados foram capturados, os visualizassem de vários ângulos e em diferentes situações. A equipe também garantiu que as imagens que possuíam para o conjunto de dados variassem, salvando apenas os quadros selecionados. Isto ajudou a garantir que o conjunto de dados representasse uma ampla gama de cenários de condução. “Para alcançar uma presença equilibrada de veículos médicos de emergência no conjunto de dados, implementamos uma estratégia no quadro de aprendizagem de automóveis para maximizar a frequência de veículos médicos de emergência em cada cenário”, disse o Dr.
O formato usado para organizar esse conjunto de dados facilita o trabalho dos pesquisadores. Cada quadro gravado inclui uma imagem colorida, um mapa de profundidade baseado em laser chamado nuvem de pontos que mostra a posição exata das superfícies no espaço tridimensional, um arquivo mostrando as configurações da câmera chamado arquivo de calibração e uma lista de objetos detectados com seu tamanho, localização e orientação. Esses detalhes ajudam a treinar sistemas de computador para identificar e rastrear com precisão diferentes tipos de veículos e pessoas na estrada. A extensão em que um objeto é visível ou bloqueado é chamada de truncamento e oclusão, e características importantes como a direção que ele aponta, conhecidas como ângulos de orientação, também são incluídas.
Para testar a qualidade do seu conjunto de dados, os pesquisadores realizaram simulações em várias cidades virtuais. Estas cidades representam uma mistura de ambientes, desde áreas rurais tranquilas até ruas movimentadas. Esta categoria ajuda a garantir que os dados representem muitos tipos de estradas do mundo real. O resultado final é uma ótima ferramenta de treinamento para ajudar a melhorar o desempenho dos sistemas autônomos em diversos ambientes.
Uma parte interessante do conjunto de dados é como ele rotula cada veículo de emergência de qual direção ele é visto – seja dianteiro, lateral ou traseiro. Isso dá aos modelos de computador a experiência de reconhecer veículos de múltiplas perspectivas, e os computadores são melhores em detectá-los em diferentes condições de tráfego. Em média, veículos de emergência foram exibidos regularmente em todas as cenas gravadas, dando aos modelos mais oportunidades de aprender com eles.
Embora o conjunto de dados seja baseado em simulações, os criadores pretendem torná-lo o mais realista possível. Existem algumas limitações no uso de dados virtuais, especialmente quando comparados com imagens do mundo real. Para resolver isso, eles recomendam mais testes para garantir que os modelos treinados neste conjunto de dados tenham um bom desempenho no tráfego real. No entanto, o conjunto de dados representa um passo em frente no sentido de ajudar os sistemas de condução autónoma a detectar e responder melhor aos veículos de emergência, o que é essencial para uma navegação rodoviária segura e eficaz.
Concluindo, o conjunto de dados EMS3D-KITTI acrescenta um acréscimo importante às ferramentas existentes para treinar carros autônomos. Ao concentrar-se no reconhecimento de veículos de emergência, apoia o desenvolvimento de sistemas mais inteligentes e responsivos. À medida que o trabalho continua para melhorar a condução automatizada, recursos como este conjunto de dados se tornarão ainda mais valiosos.
Nota de diário
Jaiswal C., Acquaah S., Nenebi C., AlHmoud I., Islam AKM, Gokaraju B., “EMS3D-KITTI: conjunto de dados 3D sintético formato KITTI para treinamento de modelo de IA autodrive com distribuição razoável de veículos de serviço médico de emergência.” Resumo de dados, 2025. DOI: https://doi.org/10.1016/j.dib.2024.111221
Sobre o autor
Dr. Ele é bacharel em ciência da computação e engenharia, possui MBA e doutorado em IA e ciência de dados pela North Carolina Agricultural and Technical State University, Greensboro. Ele é um analista de sistemas de suprimentos experiente, com mais de 18 anos de experiência em gerenciamento de cadeia de suprimentos. Suas contribuições para a robótica agregaram valor significativo aos sistemas autônomos de realidade aumentada (AR) e realidade virtual (VR), demonstrando sua capacidade de combinar inovação de ponta com aplicações práticas. A liderança e a experiência de Chandra modernizaram os processos da cadeia de abastecimento, melhoraram a eficiência operacional e posicionaram-no como um inovador com visão de futuro na cadeia de abastecimento e em sistemas autónomos.
