Det är en vanlig scen för alla som kör på natten på en mörk väg. Dra runt hörn och över kullar, bilens helljus är på för att förbättra synen medan förarens hand förblir redo att stänga av dem med ett ögonblicks varsel, så att de inte förblindar mötande trafik och orsakar en olycka.

Xin Li tror att det finns en bättre lösning, och han arbetar med Kinas största strålkastartillverkare för att göra det till verklighet.

"Moderne strålkastare har inte bara en eller två glödlampor, de kan ha upp till en miljon, sa Li, professor i el- och datateknik vid Duke University och Duke Kunshan University. "Jag arbetar med branschpartner för att skapa en "smart strålkastare" som kan styra varje pixel individuellt och automatiskt lysa upp olika områden framför bilen efter att ha känt igen den omgivande miljön."

Till exempel, strålkastaren kan minska mängden ljus som pekar mot en mötande bil samtidigt som den ökar belysningen av en kommande vägskylt. Eller så kan den upptäcka närliggande fotgängare och varna föraren genom att framhäva deras kropp samtidigt som den undviker att lysa direkt i ögonen.

Utmaningen med att tillverka en sådan strålkastare är inte nödvändigtvis att skapa olika ljusmönster – det är att lära bilen hur man automatiskt känner igen den omgivande miljön och gör mönstren på egen hand. Det är ett problem som HASCO Vision Technology – den största tillverkaren av billampor i Kina – vänder sig till Li för att hjälpa dem lösa med maskininlärning.

Många bilföretag använder kameror och maskininlärning för att hjälpa till att kontrollera sina egna versioner av självkörande bilar, så Li är långt ifrån ensam i detta avseende. Maskininlärningsalgoritmer, dock, behöver stora mängder data att lära av, och många av de datauppsättningar och algoritmer som redan skapats för detta ändamål har fokuserat på körning under dagtid.

"Vår ansökan bryr sig dock inte om dagtid, sa Li, som delar sin tid mellan Dukes campus i North Carolina och Kunshan, Kina. "Att använda detta tillvägagångssätt för smarta strålkastare är faktiskt svårare eftersom ljusförhållandena är mycket sämre. Det är en unik utmaning som inte har studerats väl tidigare."

Medan hans branschpartner arbetar med att samla in fler nattbilder och noggrant kommentera viktiga föremål som skyltar, fotgängare och andra bilar, Li optimerar maskininlärningsalgoritmen. Eftersom beslut måste fattas i realtid, forskarna måste välja rätt hårdvara och utforma algoritmen för att passa dess arkitektur.

DKU:s forskare Xin Feng hjälper Li med denna uppgift. Tillsammans, Li och Feng har redan en fungerande demo som, även om det är imponerande, måste fortfarande förbättras innan den kommer ut på vägarna.

"Detektionsnoggrannhet är mycket viktigt - du kan inte missa något eller någon, " sa Li. "Och även om det är ett mycket viktigt och utmanande problem, det är bara ett mått. Den andra är realtidssvar. Om algoritmen tar för lång tid att svara, då är det inte användbart. Tekniskt, det är de två mest utmanande frågorna."

Men de är problem Li förväntar sig att lösa inom en snar framtid, tillsammans med att lägga till några fler klockor och visselpipor. En annan aspekt av projektet använder strålkastarna för att projicera viktig information som väder och vägförhållanden, vägskyltar, navigationsanvisningar, och till och med körbanor på vägbanan inom själva strålkastarna.

Andra framsteg kan vara att använda sig av alternativa sensorer som självkörande bilar så småningom kan ha som radar och lidar. Men för nu, projektet använder endast framåtriktade kameror för att hålla kostnaderna nere, som under de närmaste åren är det mycket mer sannolikt att konsumenter ser smarta strålkastare på vägarna i stort antal än självkörande fordon med extra detekteringsmöjligheter.

"Jag tror att vi kan få en första generationens produkt på marknaden under de kommande två åren, " sa Li. "När vi har dem på vägen, vi kan få ännu mer feedback och data för att ytterligare förbättra noggrannheten och svarstiden för att göra framtida iterationer ännu bättre."