Warum sind selbstfahrende Autos die Zukunft und wie werden sie entwickelt?

Aufgrund der jüngsten adaptiven Quarantänemaßnahmen, die in fast allen Teilen der Welt ergriffen wurden, haben Luftverkehr, öffentlicher Verkehr und viele andere Branchen im Jahr 2020 einen großen Einbruch erlebt. Die Automobilbranche und insbesondere die autonomen Fahrzeuge haben jedoch während dieser schwierigen Zeit eine erhöhte Widerstandsfähigkeit gezeigt. Tatsächlich haben Unternehmen wie Ford ihre Investitionen in die Entwicklung von Elektro- und selbstfahrenden Autos um 29 Milliarden Dollar erhöht, indem sie im vierten Quartal des letzten Jahres 29 Milliarden Dollar bereitgestellt haben. Insbesondere werden 7 Milliarden Dollar davon für die Entwicklung selbstfahrender Autos verwendet. Ford schließt sich damit General Motors (GM ), Tesla (TSLA ), Baidu und anderen Automobilherstellern an, die stark in autonome Fahrzeuge investieren. In diesem Artikel werden wir Ihnen erzählen, warum Unternehmen in selbstfahrende Autos investieren und wie die maschinellen Lernalgorithmen, die sie antreiben, trainiert werden.

Warum investieren so viele Unternehmen in selbstfahrende Autos?

Wenn wir alle Vorteile betrachten, die autonome Fahrzeuge bieten, ist es leicht zu verstehen, warum so viele Unternehmen in ihre Entwicklung investieren. Fahrer können Geld sparen, da sie keine teuren Versicherungspläne bezahlen müssen, ihre täglichen Pendelfahrten beschleunigen, den Kraftstoffverbrauch verbessern und viele andere Vorteile genießen. Für Unternehmen öffnet sich durch diese Automatisierung die Tür zu größeren Einsparungen. Ein gutes Beispiel dafür ist das autonome Fernverkehrstransportwesen, das die Betriebskosten um 45 % senken kann, laut einem Bericht von McKinsey & Company.

Der Hauptvorteil ist jedoch die erhöhte Sicherheit. Laut der NHTSA sind 94 % der schweren Unfälle auf menschliche Fehler zurückzuführen. Selbstfahrende Autos können die Anzahl der Unfälle erheblich reduzieren, da sie keine Fahrereingaben erfordern und immer eine 360-Grad-Sicht haben. Außerdem können fortschrittliche Fahrersicherheitssysteme (ADAS) in gefährlichen Situationen wie Bremsen und Lenken die Sicherheitskritischen Funktionen übernehmen. Es gibt viele weitere Vorteile, die autonome Fahrzeuge der Gesellschaft bieten, wie z. B. reduzierte Emissionen. Tatsächlich zeigte ein grundlegender Fall eine 9-prozentige Reduzierung des Energie- und GHG-Ausstoßes im gesamten Lebenszyklus des Fahrzeugs im Vergleich zu herkömmlichen Fahrzeugen. Da wir nun alle Vorteile kennen, die selbstfahrende Autos bieten, lassen Sie uns sehen, wie sie trainiert werden, die Welt um sie herum zu erkennen.

Wie funktionieren AVs und wie können AVs Realität werden

Ein autonomes Fahrzeug muss den Regeln der Straße folgen und dazu muss es alle verschiedenen Verkehrszeichen, Straßenmarkierungen, andere Fahrzeuge und Fußgänger sowie unzählige andere Objekte erkennen. Diese künstlichen Intelligenz-Fahrzeuge verlassen sich auf maschinelles Lernen, um “zu berechnen”, was in allen möglichen Fahrtsituationen zu tun ist. Lassen Sie uns mit einem einfachen Beispiel beginnen. Eine Person sitzt in ihrem AV und fährt auf der Autobahn zur Arbeit. Das Auto muss die angezeigte Höchstgeschwindigkeit richtig identifizieren, einen sicheren Abstand zum vorausfahrenden Auto einhalten und wenn es in ein Wohngebiet eintritt, muss es Fußgänger erkennen und sie über die Straße lassen.

Dies erfordert Tausende und Abertausende von Bildern, die durch Techniken wie Markierung und semantische Segmentierung annotiert werden. Tatsächlich sagt Evgenia Khimenko, die CEO von Mindy Support, einem Unternehmen, das Datenannotierungsdienste für die Automobilbranche anbietet, dass es eine Vielzahl von Datenannotierungsprojekten für die Automobilindustrie gibt:

„Diese umfassen Projekte wie Gesichtserkennung auf Videos, um selbstfahrende Autos zu trainieren, das Verhalten anderer Fahrer auf der Straße zu erkennen, Video-Markierung und -Annotierung, um Bewegung und Richtung des Fahrzeugs zu erkennen (wir haben mehr als 545 Millionen Bildsequenzen annotiert). Ein weiteres komplexes Audio-Annotierungsaufgabe war, wenn wir den Zeitstempel identifizieren und menschliche Sprache sowie alle Hintergrundgeräusche im Fahrzeug wie Radio, Lachen, Schreien, Singen, Tiere und sogar Stille markieren mussten“.

Lassen Sie uns ein komplexes Szenario betrachten. Stellen Sie sich vor, das autonome Fahrzeug fährt in einem Wohngebiet und es gibt Teenager mit Skateboards, die auf die Straße warten, um sie zu überqueren. Laut den Regeln hat das Auto Vorfahrt, aber es besteht eine gute Chance, dass die Teenager nicht auf das grüne Licht warten und versuchen, die Straße vorzeitig zu überqueren. Ein menschlicher Fahrer ist sich dieser Gefahr sehr bewusst und wird langsamer fahren, um ein solches Ereignis vorherzusehen, aber für eine Maschine wäre dies sehr schwierig zu berechnen. Dies ist der nächste Schritt, den Forscher bei autonomen Fahrzeugen unternehmen möchten, und einfach mehr annotierte Daten könnten die Antwort sein.

Wie sehen die AVs die physische Welt?

Autonome Fahrzeuge verlassen sich auf LiDAR-Technologie, um die Welt um sie herum zu erkennen. LiDAR erstellt eine 3D-Punktwolke, die eine digitale Darstellung der Welt ist, wie sie das künstliche Intelligenz-System sieht. Diese Technologie ist nicht nur für autonome Fahrzeuge reserviert, sondern wird auch für andere Roboter-Automatisierungsaufgaben wie die Erstellung eines Roboters, der für die Landwirtschaft Pflanzen ernten kann, verwendet. Die 3D-Punktwolke muss auch annotiert werden, damit die Maschine weiß, was sie genau sieht. Dies geschieht normalerweise durch Techniken wie Markierung, 3D-Boxen und semantische Segmentierung. Eine fortgeschrittenere Form der Annotierung wäre, die 3D-Punktwolke farblich zu kodieren, damit das Fahrzeug den Abstand des Objekts versteht.

Die LiDAR-Technologie funktioniert, indem sie ein Lichtsignal an alle umgebenden Objekte sendet und je nachdem, wie lange es dauert, bis das Licht zurückkehrt, gibt sie der künstlichen Intelligenz ein Verständnis dafür, wie weit entfernt das Objekt ist. Zum Beispiel wird der Boden in der 3D-Punktwolke immer blau sein, da er der niedrigste Punkt ist, das Licht wird schnell zurückprallen und Blau hat eine sehr kurze Wellenlänge. Ein umliegendes Gebäude kann rot oder orange sein, je nachdem, wie weit entfernt es ist.

Es ist erwähnenswert, dass LiDAR nicht die einzige Technologie auf dem Markt ist. Zum Beispiel verwendet Tesla etwas, das als Hydrant bezeichnet wird, das eine Kombination aus acht Kameras ist, die ein vollständiges Bild der Straße erstellen. Andere Unternehmen wie Waymo und Voyage verwenden LiDAR. Ein möglicher Grund, warum Tesla LiDAR möglicherweise vermeidet, ist, dass es sehr sperrig ist und das Gesamtbild des Autos ruiniert. Schließlich sind Teslas sehr teuer und die Fahrer werden wahrscheinlich nicht wollen, dass ein großer Kasten auf dem Dach ihres Autos sitzt. Unternehmen, die Robotaxis entwickeln, wie Waymo, können es sich möglicherweise leisten, LiDAR zu verwenden.

Warum ist qualitativ hochwertige Trainingsdaten so wichtig?

Qualitativ hochwertige Trainingsdaten sind eines der wichtigsten Dinge, die Sie benötigen, um ein selbstfahrendes Auto zu erstellen. Es reicht jedoch nicht aus, einfach diese Daten zu erhalten. Die Trainingsdatensätze müssen durch Datenannotierung vorbereitet werden, damit das künstliche Intelligenz-System daraus lernen kann. Obwohl dies ein sehr zeitaufwändiger und mühsamer Prozess ist, hängt der Erfolg des gesamten Projekts davon ab. Schließlich sind selbstfahrende Autos die Zukunft und können uns möglicherweise helfen, einige der Probleme zu reduzieren oder sogar zu eliminieren, die wir im Hinblick auf Autounfälle und Opfer, Umweltprobleme und Staus auf den Straßen erleben.