Miks on isejuhtivad autod tulevik ja kuidas neid luuakse?

Peaaegu kõigis maailma osades kehtestatud hiljutiste adaptiivsete karantiinimeetmete tõttu said 2020. aastal lennureisid, ühistransport ja paljud teised sektorid tõeliselt suure löögi. Kuid eelkõige automaailm ja autonoomsed sõidukid on näidanud üles suuremat vastupidavust. sel raskel ajal. Tegelikult on sellised ettevõtted nagu Ford suurendanud oma investeeringuid elektri- ja isejuhtivate autode arendamisse aasta võrra eraldades 29 miljardit dollarit eelmise aasta neljandas kvartalis. Täpsemalt, 7 miljardit dollarit sellest rahast läheb isejuhtivate autode arendamiseks. Seega ühineb Ford General Motorsi, Tesla, Baidu ja teiste autotootjatega, investeerides tugevalt autonoomsetesse sõidukitesse. Selles artiklis räägime teile, miks ettevõtted investeerivad isejuhtivatesse autodesse ja kuidas neid toidavad masinõppe algoritmid koolitatakse.

Miks nii paljud ettevõtted investeerivad isejuhtivatesse autodesse?

Kui vaatame kõiki autonoomsete sõidukite pakutavaid eeliseid, on lihtne mõista, miks nii paljud ettevõtted nende arendusse investeerivad. Juhid saavad säästa rohkem raha, kuna nad ei pea maksma kallite kindlustusplaanide eest, see kiirendab nende igapäevast edasi-tagasi sõitmist, parandab kütusesäästlikkust ja palju muid eeliseid. Ettevõtete jaoks avab selline automatiseerimine ukse suuremaks säästmiseks. Selle suurepärane näide on autonoomne kaugvedu, mis McKinsey & Company aruande kohaselt suudab tegevuskulusid vähendada 45%.

Peamine kasu peab olema suurenenud ohutus. NHTSA andmetel on 94% tõsistest õnnetustest inimliku eksimuse tagajärg. Isejuhtivad autod võivad õnnetuste arvu märkimisväärselt vähendada, kuna need ei nõua juhipoolset sekkumist ja neil on kogu aeg 360-kraadine vaade. Lisaks võivad täiustatud juhi turvasüsteemid (ADAS) võtta üle ohutuse seisukohalt kriitilised funktsioonid sellistes ohtlikes olukordades nagu pidurdamine ja juhtimine. Autonoomsed sõidukid pakuvad ühiskonnale palju lisandväärtust nagu vähendatud heitkogused. Tegelikult näitas põhijuhtum sõiduki kogu eluea jooksul energia- ja kasvuhoonegaaside heitkoguste vähenemist 9% võrreldes tavalise sõidukiga. Mitte, et me teaksime kõiki isejuhtivate autode eeliseid, vaadakem, kuidas neid õpetatakse ümbritsevat maailma ära tundma.

Kuidas AV-d töötavad ja kuidas AV-d võivad saada reaalsuseks

Autonoomne sõiduk peab järgima liikluseeskirju ning selleks peab ta ära tundma kõik erinevad liiklusmärgid, teemärgised, tuvastama teisi sõidukeid ja jalakäijaid ning lugematul hulgal muid objekte. Need AI-sõidukid põhinevad masinõppel, et arvutada välja, mida tuleb igasugustes sõiduolukordades teha. Alustame põhilise näitega. Inimene sõidab AV-s maanteel, et tööle saada. Auto peab õigesti tuvastama postitatud kiiruspiirangu, hoidma eessõitva autoga ohutut distantsi ning elamupiirkonda sisenedes peab ta ära tundma jalakäijad ja laskma neil teed ületada.

See nõuab tuhandete ja tuhandete piltide märkimist meetoditega, mis ulatuvad märgistamisest kuni semantilise segmenteerimiseni. Tegelikult Evgenia Himenko, tegevjuht Mindy tugi, autotööstusele andmemärkimisteenuseid pakkuv ettevõte, ütleb, et autotööstuse jaoks on võimalik teha mitmesuguseid andmemärkimisprojekte:

"Need sisaldab selliseid projekte nagu näotuvastus videotes, et õpetada isejuhtivaid autosid tuvastama teiste juhtide käitumist teel, videosildid ja märkused sõiduki liikumise ja suuna tuvastamiseks (märkisime rohkem kui 545 miljonile pildiseeriale). Veel üks keerukas heliannotatsiooni ülesanne oli see, kui pidime tuvastama ajatempli ja märgistama inimkõne, samuti kogu sõiduki sees toimuva taustamüra, nagu raadio, naer, karjumine, laulmine, loomad ja isegi vaikus.

Vaatleme keerulist stsenaariumi. Kujutage ette, et autonoomne sõiduk sõidab elamurajoonis ja seal on rulaga teismelised, kes ootavad tee ületamist. Reeglite järgi on autol eesõigus, kuid on suur võimalus, et noorukid ei jää rohelise tule süttimist ootama ja üritavad enneaegselt teed ületada. Inimjuht on sellisest ohust hästi teadlik ja võtab sellise sündmuse ennetamiseks kiirust maha, kuid masina puhul oleks seda väga raske välja arvutada. See on järgmine samm, mida teadlased autonoomsete sõidukite puhul teha üritavad ja vastuseks võivad olla lihtsalt rohkem annoteeritud andmed.

Kuidas AV-d füüsilist maailma näevad?

Autonoomsed sõidukid tuginevad LiDAR-tehnoloogiale, mis aitab neil ümbritsevat maailma näha. LiDAR loob 3D-punktipilve, mis on digitaalne esitus sellest, kuidas AI-süsteem maailma vaatab. Seda tehnoloogiat ei kasutata ainult autonoomsete sõidukite jaoks, seda kasutatakse ka muude robotiprotsesside automatiseerimise tööde jaoks, nagu näiteks roboti loomine, mis suudab põllumajandussektoris saaki koristada. 3D-punktipilvele tuleb lisada ka märkused, et masin teaks, mida see täpselt näeb. Tavaliselt tehakse seda selliste tehnikatega nagu sildistamine, 3D-kastid ja semantiline segmenteerimine. Täpsem märkuste vorm oleks 3D-punktipilve värviline kodeerimine, et sõiduk mõistaks objekti kaugust.

LiDARi toimimisviis on see, et see saadab valgussignaali kõigile seda ümbritsevatele objektidele ja sõltuvalt sellest, kui kaua kulub valguse naasmiseks, annab see tehisintellektile arusaama sellest, kui kaugel objekt asub. Näiteks 3D-punktipilve maapind on alati sinine, kuna see on madalaim punkt, valgus põrkub kiiresti tagasi ja sinisel on väga lühike lainepikkus. Üks ümbritsevatest hoonetest võib olenevalt sellest, kui kaugel see asub, olla punane või oranž.

Väärib märkimist, et LiDAR pole linnas ainus mäng. Näiteks kasutab Tesla midagi, mida nimetatakse hüdrandiks, mis on kaheksa kaamera kombinatsioon, mis ühendavad teest tervikliku pildi. Teised ettevõtted, nagu Waymo ja Voyage, kasutavad LiDAR-i. Üks võimalik põhjus, miks Tesla võib LiDAR-i vältida, on see, et see on väga mahukas ja rikub auto üldilmet. Teslad on ju väga kallid ja ilmselt ei taha autojuhid oma auto katusele istuvat hiiglaslikku kasti. Robotaxist arendavad ettevõtted, nagu Waymo, võivad LiDAR-i kasutamisest pääseda.

Miks on kvaliteetsed koolitusandmed nii olulised?

Kvaliteetsete treeningandmete omamine on üks olulisemaid asju, mida vajate isejuhtiva auto loomiseks. Kuid nende andmete hankimisest ei piisa. Treeningu andmekogumid tuleb ette valmistada andmete annotatsiooni abil, et tehisintellekt saaks neist õppida. Kuigi see on väga aeganõudev ja tüütu protsess, sõltub sellest kogu projekti edu. Lõppude lõpuks on isejuhtivad autod tulevik ja võivad aidata meil vähendada või isegi kõrvaldada mõningaid probleeme, mis on seotud autoõnnetuste ja liiklusõnnetustega, keskkonnaprobleemidega ja ummikutega teedel.