Τα AI Αισθητήρες Μπορούν Να Βοηθήσουν Τα Αυτόνομα Οχήματα Σε Χιονισμένες Πόλεις

Ένα από τα μεγαλύτερα προβλήματα που αντιμετωπίζουν τα αυτόνομα οχήματα είναι ότι δυσκολεύονται να πλοηγηθούν σε κακές καιρικές συνθήκες, το οποίο περιορίζει σημαντικά 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 στο χιόνι.

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.

Υπάρχουν πολλά αυτόνομα οχήματα, συμπεριλαμβανομένων οχημάτων με τυφλά σημεία ή βοήθεια φρένων, και άλλων με αυτόνομη οδήγηση που ενεργοποιείται και απενεργοποιείται. Κάποια από τα καλύτερα οχήματα μπορούν να λειτουργούν完全 αυτόνομα.

Επειδή η τεχνολογία είναι ακόμη σε πρώιμο στάδιο, οι κατασκευαστές αυτοκινήτων και τα ερευνητικά πανεπιστήμια εργάζονται συνεχώς για τη βελτίωση της τεχνολογίας και των αλγορίθμων. Όταν συμβαίνουν ατυχήματα, συχνά οφείλονται σε λάθος κρίση του AI του οχήματος ή σε ανθρώπινο λάθος.

Αισθητήρες Ανθρώπων

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

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

Σύντηξη Αισθητήρων

Τα αυτόνομα οχήματα βασίζονται σε αλγορίθμους τεχνητής νοημοσύνης που απαιτούν πολλαπλούς αισθητήρες, όπως κάμερες fish-eye, αισθητήρες υπέρυθρων, ραντάρ, ανίχνευση φωτός και λίdar.

Ο Nathir Rawashdeh είναι βοηθός καθηγητής υπολογιστών στο Κολλέγιο Υπολογιστών του Μίσιγκαν Τεχνόλογικο 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 που χρειαζόμαστε την τεχνητή νοημοσύνη.”

Οι συνεργάτες της μελέτης περιελάμβαναν τον Nader Abu-Alrub, διδακτορικό φοιτητή ηλεκτρονικής και υπολογιστικής μηχανικής, και τον Jeremy Bos, βοηθό καθηγητή ηλεκτρονικής και υπολογιστικής μηχανικής. Άλλοι συνεργάτες περιελάμβαναν φοιτητές και απόφοιτους του εργαστηρίου του Bos: Akhil Kurup, Derek Chopp, και Zach Jeffreies.

Οι αισθητήρες και οι αλγόριθμοι αυτόνομης οδήγησης αναπτύσσονται σχεδόν αποκλειστικά σε ηλιόλουστες και καθαρές τοποθεσίες. Το εργαστήριο του Bos ξεκίνησε να συλλέγει δεδομένα σε ένα αυτόνομο όχημα του Μίσιγκαν Τεχνόλογικο σε βαριά χιονόπτωση, και πάνω από 1.000 καρέ λίdar, 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 προ-επεξεργαστούμε τα δεδομένα και να διασφαλίσουμε την ακριβή επισήμανση.

“Όλα τα χιόνια δεν δημιουργούνται ίσα”, είπε ο Bos. “Η τεχνητή νοημοσύνη είναι σαν ένας σεφ — αν έχετε καλά υλικά, θα existe ένα εξαιρετικό γεύμα”, είπε. “Δώστε στο δίκτυο μάθησης της τεχνητής νοημοσύνης βρόμικα δεδομένα αισθητήρων και θα πάρετε ένα κακό αποτέλεσμα.”

Άλλοι σημαντικοί προβληματισμοί περιλαμβάνουν χαμηλής ποιότητας δεδομένα και βρόμικα, 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. Συχνά είναι πολύ δύσκολο να πείσουν τους αισθητήρες και τις αξιολογήσεις κινδύνου να επικοινωνούν και να μαθαίνουν ο ένας από τον άλλον, поскольку ο καθένας μπορεί να φτάσει σε δικό του συμπέρασμα. Ωστόσο, η ομάδα θέλει τους αυτόνομους αισθητήρες να φτάσουν σε ένα συμπέρασμα χρησιμοποιώντας την σύντηξη αισθητήρων.

“Αντί να ψηφίσουμε αυστηρά, χρησιμοποιώντας την σύντηξη αισθητήρων θα βγάλουμε 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.