Οι Αισθητήρες AI Μπορούν να Βοηθήσουν τα Αυτόνομα Οχήματα στις Χιονισμένες Πόλεις

Μια από τις μεγαλύτερες προκλήσεις που αντιμετωπίζουν τα αυτόνομα οχήματα είναι ότι δυσκολεύονται να πλοηγηθούν σε κακές καιρικές συνθήκες, γεγονός που περιορίζει nghiêmτικά την εφαρμογή τους σε χιονισμένες πόλεις όπως το Ντιτρόιτ και το Σικάγο. Τα οχήματα βασίζονται σε κρίσιμες δεδομένα αισθητήρων για την ανίχνευση εμποδίων και τη διατήρηση της σωστής πλευράς του δρόμου, αλλά αυτά τα δεδομένα δυσκολεύονται στη χιονισμένη εποχή.

Σε δύο νέες μελέτες που παρουσιάστηκαν στο SPIE Defense + Commercial Sensing 2021, ερευνητές από το Πανεπιστήμιο της Μίσιγκαν ανέπτυξαν νέες λύσεις για σενάρια οδήγησης σε χιονισμένες συνθήκες με αυτόνομα οχήματα.

Υπάρχει ένας ευρύς φάσμα αυτόνομων οχημάτων, συμπεριλαμβανομένων οχημάτων με τυφλά σημεία ή βοήθεια φρένων, και άλλων με αυτόματη και μη αυτόματη λειτουργία. Κάποια από τα καλύτερα οχήματα μπορούν να λειτουργούν εξ ολοκλήρου αυτόνομα.

Επειδή η τεχνολογία είναι ακόμη σε πρώιμο στάδιο σε πολλά μέρη, οι κατασκευαστές αυτοκινήτων και τα ερευνητικά πανεπιστήμια εργάζονται συνεχώς για την βελτίωση της τεχνολογίας και των αλγορίθμων. Όταν συμβαίνουν ατυχήματα, συχνά είναι αποτέλεσμα λανθασμένης κρίσης από το AI του οχήματος ή ανθρώπινου λάθους.

Αισθητήρες Ανθρώπινης Οπτικής

Τα ανθρώπινα μάτια είναι επίσης的一種 αισθητήρας, καθώς αισθάνονται την ισορροπία και την κίνηση. Ο εγκέφαλός μας λειτουργεί ως επεξεργαστής, μας βοηθώντας να κατανοήσουμε το περιβάλλον μας. Αυτά μαζί μας επιτρέπουν να οδηγούμε σε όλες τις συνθήκες, ακόμη και σε αυτές που είναι νέες,既然 ο εγκέφαλός μας μπορεί να γενικεύσει νέες εμπειρίες.

Τα αυτόνομα οχήματα συνήθως έχουν δύο κάμερες τοποθετημένες σε γυροσκόπια, και σκανάρουν και αντιλαμβάνονται το βάθος χρησιμοποιώντας στερεοσκοπική όραση για να μιμηθούν την ανθρώπινη όραση. Ταυτόχρονα, η ισορροπία και η κίνηση μπορούν να μετρηθούν με einen αισθητήρα μέτρησης κίνησης. Οι υπολογιστές, από την άλλη πλευρά, μπορούν να αντιδράσουν μόνο σε σενάρια που έχουν ήδη συναντήσει ή έχουν προγραμματιστεί να αναγνωρίσουν.

Σύντηξη Αισθητήρων

Τα αυτόνομα οχήματα βασίζονται σε αλγόριθμους τεχνητής νοημοσύνης που απαιτούν πολλαπλούς αισθητήρες, όπως κάμερες με φακό ψαράκια, αισθητήρες υπέρυθρης ακτινοβολίας, ραντάρ, ανίχνευση φωτός και lidar.

Ο Nathir Rawashdeh είναι βοηθός καθηγητής υπολογιστών στο Κολλέγιο Υπολογιστών του Michigan Tech και ένας από τους βασικούς συγγραφείς της μελέτης.

“Κάθε αισθητήρας έχει περιορισμούς, και κάθε αισθητήρας καλύπτει την πλάτη του άλλου,” είπε ο Rawashdeh. “Η σύντηξη αισθητήρων χρησιμοποιεί πολλαπλούς αισθητήρες διαφορετικών modalities για να κατανοήσει μια σκηνή. Δεν μπορείτε να προγραμματίσετε εξαντλητικά για κάθε λεπτομέρεια όταν οι εισροές έχουν δύσκολα μοτίβα. Αυτός είναι ο λόγος για τον οποίο χρειαζόμαστε την τεχνητή νοημοσύνη.”

Οι συνεργάτες της μελέτης περιελάμβαναν τον Nader Abu-Alrub, διδακτορικό φοιτητή στο τμήμα ηλεκτρικής και υπολογιστικής μηχανικής, και τον Jeremy Bos, βοηθό καθηγητή ηλεκτρικής και υπολογιστικής μηχανικής. Άλλοι συνεργάτες περιελάμβαναν φοιτητές master και απόφοιτους από το εργαστήριο του Bos: Akhil Kurup, Derek Chopp, και Zach Jeffreies.

Οι αισθητήρες και οι αλγόριθμοι αυτόνομων οχημάτων αναπτύσσονται σχεδόν αποκλειστικά σε ηλιόλουστες και καθαρές τοπικές συνθήκες. Το εργαστήριο του Bos ξεκίνησε να συλλέγει δεδομένα σε ένα αυτόνομο όχημα του Michigan Tech στη χιονισμένη εποχή, και πάνω από 1.000 καρέ δεδομένων lidar, ραντάρ και εικόνας συλλέχθηκαν από χιονισμένες οδούς στη Γερμανία και τη Νορβηγία.

Σύμφωνα με τον Bos, η ανίχνευση αισθητήρων είναι δύσκολη λόγω της ποικιλίας του χιονιού. Είναι σημαντικό να προεπεξεργαστούμε τα δεδομένα και να διασφαλίσουμε την ακριβή επισήμανση.

“Όλο το χιόνι δεν δημιουργείται ίσο,” είπε ο Bos. “Η τεχνητή νοημοσύνη είναι σαν ένας σεφ — αν έχετε καλά υλικά, θα έχετε ένα εξαιρετικό γεύμα,” είπε. “Δώστε στη μάθηση δικτύου της τεχνητής νοημοσύνης βρώμικα δεδομένα αισθητήρων και θα πάρετε ένα κακό αποτέλεσμα.”

Άλες σημαντικές προκλήσεις περιλαμβάνουν τα χαμηλής ποιότητας δεδομένα και τη βρωμιά, και η συσσώρευση χιονιού στους αισθητήρες προκαλεί τα δικά της προβλήματα. Ακόμη και μετά την καθαρισμό των αισθητήρων, δεν υπάρχει πάντα συμφωνία στην ανίχνευση εμποδίων. Είναι συχνά πολύ δύσκολο να πάρουν οι αισθητήρες και οι αξιολογήσεις κινδύνου να επικοινωνούν και να μαθαίνουν ο ένας από τον άλλον,既然 ο καθένας μπορεί να φτάσει στο δικό του συμπέρασμα. Ωστόσο, η ομάδα θέλει τους αισθητήρες να φτάσουν σε ένα συμπέρασμα χρησιμοποιώντας την σύντηξη αισθητήρων.

“Αντί να ψηφίσουμε αυστηρά, χρησιμοποιώντας την σύντηξη αισθητήρων θα φτάσουμε σε μια νέα εκτίμηση,” λέει ο Bos.

Οι αισθητήρες των αυτόνομων οχημάτων θα συνεχίσουν να μαθαίνουν και να βελτιώνονται σε κακές καιρικές συνθήκες, και νέες προσεγγίσεις όπως η σύντηξη αισθητήρων θα οδηγήσουν τον δρόμο για τα αυτόνομα οχήματα σε χιονισμένες οδούς.