Perché le auto a guida autonoma sono il futuro e come vengono create?

A causa delle recenti misure di quarantena adattiva imposte praticamente in tutte le parti del mondo, i viaggi aerei, i trasporti pubblici e molti altri settori hanno subito un duro colpo nel 2020. Tuttavia, il mondo automobilistico e i veicoli autonomi, in particolare, hanno mostrato una maggiore resilienza in questo momento difficile. Aziende come Ford, infatti, hanno aumentato i propri investimenti nello sviluppo di auto elettriche e a guida autonoma di stanziando 29 miliardi di dollari nel quarto trimestre dello scorso anno. Nello specifico, 7 miliardi di dollari saranno destinati allo sviluppo di auto a guida autonoma. Quindi Ford si sta unendo a General Motors, Tesla, Baidu e altre case automobilistiche nell’investire massicciamente in veicoli autonomi. In questo articolo ti spiegheremo perché le aziende investono in auto a guida autonoma e come vengono addestrati gli algoritmi di apprendimento automatico che le alimentano.

Perché così tante aziende stanno investendo in auto a guida autonoma?

Quando diamo uno sguardo a tutti i vantaggi offerti dai veicoli autonomi, è facile capire perché così tante aziende stanno investendo nel loro sviluppo. I conducenti saranno in grado di risparmiare più denaro poiché non dovranno pagare per costosi piani assicurativi, accelereranno i loro spostamenti quotidiani, miglioreranno il risparmio di carburante e molti altri vantaggi. Per le aziende, tale automazione apre le porte a maggiori risparmi. Un ottimo esempio di ciò è l'autotrasporto autonomo a lungo raggio che sarà in grado di ridurre i costi operativi del 45%, secondo un rapporto di McKinsey & Company.

Il vantaggio principale è sicuramente l'aumento della sicurezza. Secondo la NHTSA, il 94% degli incidenti gravi è dovuto a errori umani. Le auto a guida autonoma possono ridurre significativamente il numero di incidenti poiché non richiedono alcun intervento da parte del conducente e hanno una visuale a 360 gradi in ogni momento. Inoltre, i sistemi avanzati di sicurezza del conducente (ADAS) possono assumere funzioni critiche per la sicurezza in situazioni pericolose, come la frenata e lo sterzo. I veicoli autonomi offrono numerosi vantaggi alla società, come la riduzione delle emissioni. Infatti, un caso di studio ha mostrato una riduzione del 9% di energia e di emissioni di gas serra nell'intero ciclo di vita del veicolo rispetto a un veicolo convenzionale. Non conosciamo ancora tutti i vantaggi offerti dalle auto a guida autonoma, ma diamo un'occhiata a come vengono addestrate a riconoscere il mondo che le circonda.

Come funzionano gli AV e come gli AV possono diventare una realtà

Un veicolo autonomo deve seguire le regole della strada e per farlo deve riconoscere tutti i vari segnali stradali, segnaletica orizzontale, rilevare altri veicoli e pedoni e innumerevoli altri oggetti. Questi veicoli AI si affidano all'apprendimento automatico per "calcolare" ciò che deve essere fatto in tutti i tipi di situazioni di guida. Iniziamo con un esempio di base. Una persona è nel suo AV che guida in autostrada per andare al lavoro. L'auto dovrà identificare correttamente il limite di velocità indicato, mantenere una distanza di sicurezza dall'auto che precede e, quando entra in un'area residenziale, deve riconoscere i pedoni e lasciare che attraversino la strada.

Ciò richiede che migliaia e migliaia di immagini vengano annotate con tecniche che vanno dall'etichettatura fino alla segmentazione semantica. Infatti, Evgenia Khimenko, CEO di Supporto Mindy, un'azienda che fornisce servizi di annotazione dei dati per il settore automobilistico, afferma che esiste un'ampia gamma di progetti di annotazione dei dati per l'industria automobilistica:

"Questi includere progetti come il riconoscimento facciale sui video per addestrare le auto a guida autonoma per identificare il comportamento di altri conducenti sulla strada, l'etichettatura e l'annotazione video per rilevare il movimento e la direzione del veicolo (abbiamo annotato più di 545 milioni di sequenze di immagini). Un altro sofisticato compito di annotazione audio è stato quando abbiamo dovuto identificare il timestamp ed etichettare il parlato umano, nonché tutti i rumori di fondo che si verificano all'interno del veicolo come radio, risate, urla, canti, animali e persino silenzio”.

Consideriamo uno scenario complesso. Immagina che il veicolo autonomo stia guidando in un quartiere residenziale e ci siano adolescenti con skateboard che aspettano di attraversare la strada. Secondo le regole, l'auto ha la precedenza, ma c'è una buona probabilità che i ragazzi non aspetteranno che il semaforo diventi verde e proveranno ad attraversare la strada in anticipo. Un guidatore umano sarà ben consapevole di tale rischio e rallenterà per anticipare un tale evento, ma per una macchina sarebbe molto difficile da calcolare. Questo è il prossimo passo che i ricercatori stanno cercando di fare con i veicoli autonomi e semplicemente più dati annotati potrebbero essere la risposta.

In che modo gli AV vedono il mondo fisico?

I veicoli autonomi si affidano alla tecnologia LiDAR per aiutarli a vedere il mondo che li circonda. LiDAR crea una nuvola di punti 3D che è una rappresentazione digitale di come il sistema AI vede il mondo. Questa tecnologia non è riservata solo ai veicoli autonomi, ma viene utilizzata anche per altri lavori di automazione dei processi robotici, come la creazione di un robot in grado di raccogliere raccolti per il settore agricolo. Sarà inoltre necessario annotare la nuvola di punti 3D in modo che la macchina sappia esattamente cosa sta vedendo. Questo di solito viene fatto con tecniche come l'etichettatura, i riquadri 3D e la segmentazione semantica. Una forma più avanzata di annotazione sarebbe quella di codificare a colori la nuvola di punti 3D in modo che il veicolo comprenda la distanza dell'oggetto.

Il modo in cui LiDAR funziona è che invia un segnale di luce a tutti gli oggetti che lo circondano e, a seconda di quanto tempo impiega la luce per tornare, dà all'IA una comprensione di quanto è lontano l'oggetto. Ad esempio, il terreno sulla nuvola di punti 3D sarà sempre blu perché è il punto più basso, la luce rimbalzerà rapidamente e il blu ha una lunghezza d'onda molto corta. Uno degli edifici circostanti può essere rosso o arancione a seconda della distanza.

Vale la pena notare che LiDAR non è l'unico gioco in città. Ad esempio, Tesla utilizza qualcosa chiamato Hydrant, che è una combinazione di otto telecamere che uniscono un'immagine completa della strada. Altre società, come Waymo e Voyage, utilizzano LiDAR. Una possibile ragione per cui Tesla potrebbe evitare LiDAR è che è molto ingombrante e rovina l'aspetto generale dell'auto. Dopotutto, le Tesla sono molto costose e probabilmente i conducenti non vorranno una scatola gigante sul tetto delle loro auto. Le aziende che sviluppano robotaxi, come Waymo, potrebbero essere in grado di farla franca utilizzando LiDAR.

Perché i dati sulla formazione di qualità sono così importanti?

Avere dati di allenamento di qualità è una delle cose più essenziali di cui hai bisogno per creare un'auto a guida autonoma. Tuttavia, ottenere semplicemente questi dati non è sufficiente. I set di dati di addestramento devono essere preparati tramite l'annotazione dei dati in modo che il sistema di intelligenza artificiale possa apprendere da essi. Anche se questo è un processo molto lungo e noioso, il successo dell'intero progetto dipende da questo. Dopotutto, le auto a guida autonoma sono il futuro e possono potenzialmente aiutarci a ridurre o addirittura eliminare alcuni dei problemi che stiamo vivendo in termini di incidenti automobilistici e vittime, problemi ambientali e ingorghi sulle strade.