A maioria dos conjuntos de dados de treinamento usados para desenvolver sistemas de carros autônomos tende a se concentrar em objetos do cotidiano, como carros normais, pessoas andando e bicicletas. No entanto, esta abordagem comum tende a ignorar veículos importantes mas pouco comuns, como ambulâncias e carros da polícia. Um conjunto de dados gerado por computador recentemente lançado, denominado EMS3D-KITTI, visa colmatar esta lacuna. Ele fornece uma coleção equilibrada de cenas que inclui veículos médicos de emergência. O conjunto de dados foi criado por pesquisadores liderados pelo Dr. Chandra Jaiswal, da Universidade Estadual Agrícola e Técnica da Carolina do Norte. Seu trabalho foi publicado na revista Introdução de dados.
Para construir 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 para treinar e testar sistemas de direção autônoma. A ferramenta permite simular situações de trânsito da vida real, incluindo ambulâncias e carros de polícia, bem como outros usuários da estrada. Eles equiparam vários veículos de teste digital com câmeras e sensores a laser chamados de detecção e alcance de luz, ou LiDAR, que usam luz para medir distâncias e criar mapas 3D detalhados de seus arredores. Esses veículos gravam cenas de diferentes layouts de cidades. Estas cidades virtuais incluem uma variedade de condições, como mudanças climáticas e movimentos imprevisíveis de veículos, para refletir situações de condução da vida real da forma mais realista possível. Todos os dados capturados são então organizados usando um formato amplamente aceito, projetado pelo Karlsruhe Institute of Technology e pelo Toyota Institute of Technology, que é a estrutura padrão na pesquisa de veículos autônomos para armazenamento e processamento de dados visuais e espaciais.
Usando essa abordagem cuidadosamente selecionada, a equipe documentou muitos tipos diferentes de objetos na estrada. Os veículos médicos de emergência representam cerca de um quarto do total, uma proporção muito maior do que na maioria dos conjuntos de dados existentes. “Este conjunto de dados supera o desafio de dados limitados sobre objetos raros e aborda uma lacuna significativa na maioria dos conjuntos de dados de visão computacional disponíveis publicamente”, explicou o Dr.
Ambulâncias virtuais e carros de polícia são colocados aleatoriamente em diferentes partes da cidade simulada. Essa configuração permite que um veículo de teste equipado com câmera (geralmente chamado de veículo ego, o veículo hospedeiro que captura os dados) os encontre de vários ângulos e em diferentes situações. A equipe também garantiu que as imagens retidas para o conjunto de dados variassem, salvando apenas os quadros selecionados. Isso ajuda a garantir que o conjunto de dados mostre uma ampla variedade de cenários de direção. “Para alcançar uma presença equilibrada de veículos médicos de emergência no conjunto de dados, implementamos uma estratégia na Operação Car Learning que aumentou a frequência de veículos médicos de emergência em cada cenário”, disse o Dr.
O formato usado para organizar esse conjunto de dados facilita seu uso pelos pesquisadores. Cada quadro gravado contém uma imagem colorida, um mapa de profundidade baseado em laser chamado nuvem de pontos que mostra a localização precisa de uma superfície no espaço tridimensional, um arquivo mostrando as configurações da câmera chamado arquivo de calibração e uma lista de objetos detectados e seu tamanho, posição e orientação. Esses detalhes ajudam a treinar sistemas de computador para identificar e rastrear com precisão diferentes tipos de veículos e pessoas na estrada. Também estão incluídos recursos importantes, como quão visível ou ocluído é o objeto (chamado de truncamento e oclusão) e a direção para a qual o objeto está voltado (chamado de ângulo de orientação).
Para testar a qualidade do conjunto de dados, os pesquisadores realizaram simulações em diversas cidades virtuais. Estas cidades representam uma variedade de ambientes, desde áreas rurais tranquilas até ruas movimentadas da cidade. Esta diversidade ajuda a garantir que os dados reflitam muitos tipos de estradas do mundo real. O resultado final é uma ferramenta de treinamento rica que ajuda a melhorar o desempenho dos sistemas de direção autônoma em diferentes ambientes.
Uma parte interessante deste conjunto de dados é como ele rotula a direção de visão de cada veículo de emergência – seja frontal, lateral ou traseira. Isso dá ao modelo computacional mais experiência na identificação de veículos de vários ângulos, permitindo que o sistema os identifique melhor em diferentes condições de tráfego. Em média, os veículos de emergência apareceram regularmente em todas as cenas gravadas, dando ao modelo mais oportunidades de aprender com eles.
Embora o conjunto de dados seja baseado em uma simulação, os criadores procuraram torná-lo o mais realista possível. Eles também enfatizam que existem algumas limitações no uso de dados virtuais, especialmente em comparação com imagens do mundo real. Para resolver esse problema, eles recomendam mais testes para confirmar se os modelos treinados com esse conjunto de dados têm um bom desempenho no tráfego do mundo real. Ainda assim, o conjunto de dados é um passo em frente para ajudar os sistemas de condução autónoma a identificar e responder melhor aos veículos de emergência, o que é fundamental para uma navegação rodoviária segura e eficiente.
Em resumo, o conjunto de dados EMS3D-KITTI acrescenta algumas adições importantes às ferramentas atualmente disponíveis para o treinamento de veículos autônomos. Ao concentrar-se no reconhecimento de veículos de emergência, apoia o desenvolvimento de sistemas mais inteligentes e responsivos. À medida que os esforços de condução autónoma continuam a avançar, recursos como este conjunto de dados tornar-se-ão ainda mais valiosos.
Referência do diário
Jaiswal C., Acquaah S., Nenebi C., AlHmoud I., Islam AKM, Gokaraju B., “EMS3D-KITTI: Um conjunto de dados 3D sintético no formato KITTI para distribuição justa de veículos de serviços médicos de emergência para treinamento autônomo de modelos de IA.” Resumo de dados, 2025. DOI: https://doi.org/10.1016/j.dib.2024.111221
Sobre o autor
Dr.Chandra Jaiswal Ele é bacharel em ciência da computação e engenharia, possui MBA e doutorado em inteligência artificial e ciência de dados pela North Carolina Agricultural and Technical State University em Greensboro, EUA. Com mais de 18 anos de experiência em gerenciamento de cadeia de suprimentos, ele é um analista de sistemas de distribuição experiente, especializado na integração de tecnologias avançadas, como inteligência artificial, visão computacional e robótica, para otimizar as operações da cadeia de suprimentos. Suas contribuições para a robótica também agregaram enorme valor aos sistemas autônomos de realidade aumentada (AR) e realidade virtual (VR), demonstrando sua capacidade de conectar inovações de ponta com aplicações do mundo real. A liderança e a experiência de Chandra modernizaram os processos da cadeia de abastecimento, melhoraram a eficiência operacional e estabeleceram-no como um inovador com visão de futuro na cadeia de abastecimento e em sistemas autónomos.
