Hvorfor er selvstyrende biler fremtiden, og hvordan skabes de?

På grund af de nyligt indførte adaptive karantæneforanstaltninger i stort set alle dele af verden, har lufttransport, offentlig transport og mange andre sektorer taget et stort slag i 2020. Men bilverdenen og selvstyrende køretøjer i særdeleshed har vist en øget robusthed under denne svære tid. Faktisk har virksomheder som Ford øget deres investeringer i udviklingen af elektriske og selvstyrende biler ved at allokerer 29 milliarder dollars i fjerde kvartal sidste år. Specifikt vil 7 milliarder dollars af denne sum gå til udviklingen af selvstyrende biler. Så Ford slutter sig til General Motors (GM ), Tesla (TSLA ), Baidu og andre bilproducenter i at investere kraftigt i selvstyrende køretøjer. I denne artikel vil vi fortælle dig om, hvorfor virksomheder investerer i selvstyrende biler, og hvordan de maskinlæringsalgoritmer, der driver dem, trænes.

Hvorfor investerer så mange virksomheder i selvstyrende biler?

Når vi ser på alle fordelene, som selvstyrende køretøjer tilbyder, er det let at se, hvorfor så mange virksomheder investerer i deres udvikling. Bilister vil kunne spare mere penge, da de ikke behøver at betale for dyre forsikringsplaner, det vil accelerere deres daglige pendling, forbedre brændstoføkonomien og mange andre fordele. For virksomheder åbner sådan automation døren for større besparelser. Et godt eksempel på dette er selvstyrende langdistance-lastbiler, der vil kunne reducere driftsomkostningerne med 45%, ifølge en rapport fra McKinsey & Company.

Hovedfordelen må være den øgede sikkerhed. Ifølge NHTSA skyldes 94% af alvorlige udykker menneskeligt fejl. Selvstyrende biler kan betydeligt reducere antallet af ulykker, da de ikke kræver nogen chaufførindput og har en 360-graders udsigt hele tiden. Desuden kan avancerede sikkerhedssystemer (ADAS) overtage sikkerhedskritiske funktioner i farlige situationer som bremse- og styrefunktioner. Der er mange andre fordele, selvstyrende køretøjer tilbyder samfundet, som reducerede emissioner. Faktisk viste en grundlæggende sag en reduktion på 9% i energi- og GHG-emissioner i køretøjets hele liv i forhold til konventionelle køretøjer. Nu hvor vi kender alle fordelene, selvstyrende biler har at tilbyde, lad os se, hvordan de trænes til at genkende verden omkring dem.

Hvordan fungerer AV’er, og hvordan kan de blive en realitet

Et selvstyrende køretøj skal følge vejreglerne og til det formål skal det genkende alle forskellige trafikskilte, vejmarkeringer, detektere andre køretøjer og fodgængere og utallige andre objekter. Disse AI-køretøjer afhænger af maskinlæring til at “beregne”, hvad der skal gøres i alle mulige kørsels situationer. Lad os starte med et grundlæggende eksempel. En person er i sin AV og kører på motorvejen for at komme til arbejde. Bilen skal korrekt identificere den angivne hastighed, opretholde en sikker afstand fra bilen foran og, når den kommer ind i en beboelsesområde, skal den genkende fodgængere og lade dem krydse vejen.

Dette kræver tusinder og tusinder af billeder, der skal annoteres ved hjælp af teknikker, der spænder fra mærkning til semantisk segmentering. Faktisk siger Evgenia Khimenko, direktøren for Mindy Support, en virksomhed, der tilbyder data-annoterings-tjenester til bilbranchen, at der er en bred vifte af data-annoteringsprojekter for bilindustrien, der er mulige:

“Disse inkluderer projekter som ansigtsgenkendelse på videoer for at træne selvstyrende biler til at identificere andre chaufførers adfærd på vejen, video-mærkning og -annotering for at detektere bevægelse og retning af køretøjet (vi har annoteret over 545 millioner billedsekvenser). En anden sofistikeret lyd-annotering var, da vi skulle identificere tidsstempel og mærke menneskeligt sprog samt alle baggrundslyde, der sker inde i køretøjet, såsom radio, latter, råb, sang, dyr og endda stilhed”.

Lad os overveje en kompleks situation. Forestil dig, at det selvstyrende køretøj kører i et beboelsesområde, og der er teenager med skateboard, der venter på at krydse vejen. Ifølge reglerne har bilen ret til at køre, men der er en god chance for, at teenagerne ikke vil vente på, at lyset skifter til grønt, og vil forsøge at krydse vejen for tidligt. En menneskelig chauffør vil være fuldt ud bekendt med denne risiko og vil sænke farten for at forudse en sådan begivenhed, men for en maskine vil dette være meget svært at beregne. Dette er det næste skridt, forskere forsøger at tage med selvstyrende køretøjer, og blot mere annoteret data kan være svaret.

Hvordan ser AV’erne den fysiske verden?

Selvstyrende køretøjer afhænger af LiDAR-teknologi for at se verden omkring dem. LiDAR skaber en 3D-punktsky, der er en digital repræsentation af, hvordan AI-systemet ser verden. Denne teknologi er ikke forbeholdt kun selvstyrende køretøjer, men bruges også til andre robotteautomatiseringsjob, såsom at skabe en robot, der kan høste afgrøder til landbrugssektoren. 3D-punktskyen skal også annoteres, så maskinen ved, hvad den ser. Dette gøres normalt med teknikker som mærkning, 3D-kasser og semantisk segmentering. En mere avanceret form for annotation ville være at farvekodere 3D-punktskyen, så køretøjet forstår, hvor langt væk objektet er.

Sådan fungerer LiDAR, at det sender et lysignal til alle objekter omkring det, og afhængigt af, hvor lang tid det tager for lyset at returnere, giver det AI’en en forståelse af, hvor langt væk objektet er. For eksempel vil jorden på 3D-punktskyen altid være blå, fordi den er det laveste punkt, lyset vil bounce af hurtigt, og blå har en meget kort bølgelængde. En af de omgivende bygninger kan være rød eller orange, afhængigt af, hvor langt væk den er.

Det er værd at bemærke, at LiDAR ikke er den eneste i byen. For eksempel bruger Tesla noget, der hedder Hydrant, der er en kombination af otte kamerasystemer, der syr sammen til et komplet billede af vejen. Andre virksomheder, som Waymo og Voyage, bruger LiDAR. En mulig grund til, at Tesla måske undgår LiDAR, er, at det er meget bulk og ødelægger det overordnede udseende af bilen. Efter alt, Teslas er meget dyre, og chauffører vil sandsynligvis ikke have en kæmpe kasse siddende på taget af deres biler. Virksomheder, der udvikler robot-taxaer, som Waymo, kan måske få lov til at bruge LiDAR.

Hvorfor er kvalitets-træningsdata så vigtigt?

At have kvalitets-træningsdata er en af de vigtigste ting, du behøver for at skabe et selvstyrende køretøj. Men blot at opnå disse data er ikke nok. Træningsdata-sættene skal forberedes via data-annotation, så AI-systemet kan lære af dem. Selv om dette er en meget tidskrævende og kedelig proces, afhænger hele projektets succes af det. Efter alt, selvstyrende biler er fremtiden og kan potentielt hjælpe os med at reducere eller endda eliminere nogle af de problemer, vi oplever i forhold til bilulykker og dødsfald, miljøproblemer og trafikpropper på vejene.