Waarom zijn zelfrijdende auto’s de toekomst en hoe worden ze gemaakt?

Vanwege de recente adaptieve quarantainemaatregelen die in bijna alle delen van de wereld zijn opgelegd, hebben de luchtvaart, het openbaar vervoer en veel andere sectoren in 2020 een enorme klap gekregen. Echter, de automotive wereld en autonome voertuigen in het bijzonder, hebben een toename van veerkracht getoond tijdens deze moeilijke tijd. Feitelijk, bedrijven zoals Ford hebben hun investeringen in de ontwikkeling van elektrische en zelfrijdende auto’s verhoogd door 29 miljard dollar toe te wijzen in het vierde kwartaal van vorig jaar. Specifiek, zal 7 miljard dollar van dat geld naar de ontwikkeling van zelfrijdende auto’s gaan. Dus Ford sluit zich aan bij General Motors, Tesla, Baidu en andere autofabrikanten die zwaar investeren in autonome voertuigen. In dit artikel zullen we je vertellen over waarom bedrijven investeren in zelfrijdende auto’s en hoe de machine learning-algoritmen die ze aandrijven, getraind worden.

Waarom investeren zoveel bedrijven in zelfrijdende auto’s?

Als we naar alle voordelen kijken die autonome voertuigen bieden, is het gemakkelijk te zien waarom zoveel bedrijven in hun ontwikkeling investeren. Bestuurders zullen meer geld kunnen besparen omdat ze geen dure verzekeringen meer hoeven te betalen, het zal hun dagelijkse woon-werkverkeer versnellen, het brandstofverbruik verbeteren en nog veel meer voordelen. Voor bedrijven opent deze automatisering de deur voor grotere besparingen. Een goed voorbeeld hiervan is autonoom langeafstandstransport, dat volgens een rapport van McKinsey & Company de operationele kosten met 45% kan verlagen.

Het belangrijkste voordeel moet de toename van de veiligheid zijn. Volgens de NHTSA zijn 94% van de ernstige ongevallen het resultaat van menselijke fouten. Zelfrijdende auto’s kunnen het aantal ongevallen aanzienlijk verminderen, omdat ze geen bestuurdersinput nodig hebben en altijd een 360-graden zicht hebben. Bovendien kunnen geavanceerde bestuurdersbeveiligingssystemen (ADAS) beveiligingskritieke functies overnemen in gevaarlijke situaties, zoals remmen en sturen. Er zijn veel extra voordelen die autonome voertuigen de samenleving bieden, zoals vermindering van emissies. Feitelijk, een basisgeval toonde een vermindering van 9% in energieverbruik en GHG-emissies in het hele leven van het voertuig, in vergelijking met conventionele voertuigen. Nu we alle voordelen van zelfrijdende auto’s kennen, laten we eens kijken hoe ze getraind worden om de wereld om hen heen te herkennen.

Hoe werken AV’s en hoe kunnen AV’s een realiteit worden

Een autonoom voertuig moet de verkeersregels volgen en daarvoor moet het alle verschillende verkeerstekens, wegmarkeringen, andere voertuigen en voetgangers detecteren, en nog veel meer objecten. Deze AI-voertuigen vertrouwen op machine learning om “te berekenen” wat er moet gebeuren in alle soorten rij situaties. Laten we beginnen met een basisvoorbeeld. Iemand zit in zijn AV en rijdt over de snelweg om naar zijn werk te gaan. De auto moet de juiste maximumsnelheid identificeren, een veilige afstand van de auto voor hem aanhouden en, wanneer hij een woonwijk binnenrijdt, moet hij voetgangers herkennen en hen laten oversteken.

Dit vereist duizenden en duizenden afbeeldingen die moeten worden geannoteerd met behulp van technieken die variëren van labeling tot semantische segmentatie. Feitelijk, zegt Evgenia Khimenko, de CEO van Mindy Support, een bedrijf dat gegevensannotatiediensten levert voor de automotive sector, dat er een breed scala aan gegevensannotatieprojecten voor de automotive industrie mogelijk zijn:

“Dit omvat projecten zoals gezichtsherkenning op video’s om zelfrijdende auto’s te trainen om het gedrag van andere bestuurders op de weg te herkennen, video labeling en annotatie om beweging en richting van het voertuig te detecteren (we hebben meer dan 545 miljoen beeldsequenties geannoteerd). Een andere geavanceerde audio-annotatietaken was toen we de tijdstempel moesten identificeren en menselijke spraak moesten labelen, evenals alle achtergrondgeluiden in het voertuig, zoals radio, lachen, schreeuwen, zingen, dieren en zelfs stilte”.

Laten we een complex scenario overwegen. Stel je voor dat het autonome voertuig in een woonwijk rijdt en er tieners met skateboards zijn die wachten om over te steken. Volgens de regels heeft de auto voorrang, maar er is een goede kans dat de tieners niet zullen wachten tot het licht groen wordt en zullen proberen om voorbarig over te steken. Een menselijke bestuurder is zich hiervan bewust en zal vertragen om zo’n gebeurtenis te anticiperen, maar voor een machine zou dit moeilijk te berekenen zijn. Dit is de volgende stap die onderzoekers proberen te zetten met autonome voertuigen en eenvoudigweg meer geannoteerde gegevens kunnen het antwoord zijn.

Hoe zien de AV’s de fysieke wereld?

Autonome voertuigen vertrouwen op LiDAR-technologie om de wereld om hen heen te zien. LiDAR creëert een 3D-puntswolk, die een digitale weergave is van hoe het AI-systeem de wereld ziet. Deze technologie is niet alleen voorbehouden aan autonome voertuigen, maar wordt ook gebruikt voor andere robotische processen, zoals het creëren van een robot die gewassen kan oogsten voor de landbouwsector. De 3D-puntswolk moet ook worden geannoteerd, zodat de machine weet wat het precies ziet. Dit gebeurt meestal met technieken zoals labeling, 3D-boxen en semantische segmentatie. Een meer geavanceerde vorm van annotatie zou zijn om de 3D-puntswolk te kleuren, zodat het voertuig de afstand van het object begrijpt.

Hoe LiDAR werkt, is dat het een lichtsignaal naar alle objecten in de omgeving stuurt en afhankelijk van hoe lang het duurt voordat het licht terugkeert, geeft het de AI een begrip van hoe ver het object is. Bijvoorbeeld, de grond op de 3D-puntswolk is altijd blauw, omdat het het laagste punt is, het licht zal snel terugkaatsen en blauw heeft een zeer korte golflengte. Een van de omliggende gebouwen kan rood of oranje zijn, afhankelijk van hoe ver het is.

Het is het vermelden waard dat LiDAR niet de enige optie is. Bijvoorbeeld, Tesla gebruikt iets dat de Hydrant wordt genoemd, dat een combinatie is van acht camera’s die een complete afbeelding van de weg samenstellen. Andere bedrijven, zoals Waymo en Voyage, gebruiken LiDAR. Een mogelijke reden waarom Tesla LiDAR mogelijk vermijdt, is dat het erg omvangrijk is en de algemene verschijning van de auto verpest. Per slot van rekening, Teslas zijn erg duur en bestuurders zullen waarschijnlijk geen grote doos op het dak van hun auto willen hebben. Bedrijven die robotaxis ontwikkelen, zoals Waymo, kunnen mogelijk LiDAR gebruiken.

Waarom is kwalitatief trainingsgegevens zo belangrijk?

Het hebben van kwalitatief trainingsgegevens is een van de belangrijkste dingen die je nodig hebt om een zelfrijdende auto te creëren. Echter, het verkrijgen van deze gegevens is niet genoeg. De trainingsdatasets moeten worden voorbereid via gegevensannotatie, zodat het AI-systeem ervan kan leren. Hoewel dit een zeer tijdrovend en omslachtig proces is, hangt het succes van het hele project ervan af. Per slot van rekening, zelfrijdende auto’s zijn de toekomst en kunnen ons potentieel helpen om enkele van de problemen die we ervaren in termen van auto-ongelukken en slachtoffers, milieuproblemen en files op de weg, te verminderen of zelfs te elimineren.