Hvorfor er selvkjørende biler fremtiden og hvordan blir de laget?

På grunn av de nylige adaptive karantène tiltakene som er innført i nesten alle deler av verden, tok flyreiser, offentlig transport og mange andre sektorer en stor nedtur i 2020. Men den automatiske verden og selvkjørende kjøretøy i særdeleshet, har vist økt motstandskraft under denne vanskelige tiden. Faktisk har selskaper som Ford økt sine investeringer i utviklingen av elektriske og selvkjørende biler ved å allokere 29 milliarder dollar i fjerde kvartal i fjor. Spesifikt vil 7 milliarder dollar av disse pengene gå til utviklingen av selvkjørende biler. Så Ford slutter seg til General Motors, Tesla, Baidu og andre bilprodusenter i å investere tungt i autonome kjøretøy. I denne artikkelen vil vi fortelle deg om hvorfor selskaper investerer i selvkjørende biler og hvordan maskinlæringsalgoritmene som driver dem blir trent.

Hvorfor investerer så mange selskaper i selvkjørende biler?

Når vi ser på alle fordeler som selvkjørende kjøretøy tilbyr, er det lett å se hvorfor så mange selskaper investerer i deres utvikling. Sjåfører vil kunne spare mer penger siden de ikke trenger å betale for dyre forsikringsplaner, det vil øke deres daglige pendling, forbedre brenseløkonomien og mange andre fordeler. For selskaper åpner slik automatisering døren for større besparelser. Et godt eksempel på dette er autonom langtransport som vil kunne kutte driftskostnadene med 45%, ifølge en rapport fra McKinsey & Company.

Hovedfordelen må være økt sikkerhet. Ifølge NHTSA er 94% av alvorlige ulykker et resultat av menneskelig feil. Selvkjørende biler kan betydelig redusere antall ulykker siden de ikke krever noen sjåførinngrep og har en 360-graders visning hele tiden. Dessuten kan avanserte sikkerhetssystemer (ADAS) overta sikkerhetskritiske funksjoner i farlige situasjoner som bremsing og styring. Det er mange tilleggsverdier selvkjørende kjøretøy tilbyr samfunnet, som reduserte utslipp. Faktisk viste en grundig analyse en 9% reduksjon i energi og GHG-utslipp i kjøretøyets hele liv i sammenligning med konvensjonelle kjøretøy. Nå som vi kjenner alle fordeler selvkjørende biler har å tilby, la oss se på hvordan de blir trent til å gjenkjenne verden rundt seg.

Hvordan fungerer AV og hvordan kan AV bli en realitet

Et autonomt kjøretøy må følge vegreglene og for å gjøre det, må det gjenkjenne alle forskjellige trafikkskilt, veimarkeringer, detektere andre kjøretøy og fotgjengere og talløse andre objekter. Disse AI-kjøretøyene avhenger av maskinlæring for å “beregne” hva som må gjøres i alle slags kjøresituasjoner. La oss starte med et enkelt eksempel. En person er i sitt AV og kjører på motorveien for å komme til jobben. Bilen må korrekt identifisere den fastsatte hastighetsgrensen, holde en trygg avstand fra bilen foran og, når den kommer inn i et boligområde, må den gjenkjenne fotgjengere og la dem kryssere veien.

Dette krever tusenvis og tusenvis av bilder som må annoteres ved hjelp av teknikker som varierer fra labeling til semantisk segmentering. Faktisk sier Evgenia Khimenko, CEO i Mindy Support, et selskap som tilbyr dataannoteringstjenester for bilindustrien, at det finnes en rekke dataannoteringsprosjekter for bilindustrien som er mulige:

“Disse inkluderer prosjekter som ansiktsgjenkjenning på videoer for å trene selvkjørende biler til å identifisere andre sjåførenes atferd på veien, video labeling og annotering for å detektere bevegelse og retning av kjøretøyet (vi annoterte over 545 millioner bilde sekvenser). En annen sofistikert lydannoteringoppgave var når vi måtte identifisere tidsstempel og merke menneskelig tale samt all bakgrunnstøy som skjer inne i kjøretøyet, som radio, latter, roping, sang, dyr og selv stillhet”.

La oss vurdere en kompleks situasjon. Tenk at det autonome kjøretøyet kjører i et boligområde og det er tenåringer med skateboard som venter på å kryssere veien. Ifølge reglene har bilen forkjørsrett, men det er en god sjanse for at tenåringene ikke vil vente på at lyset skal bli grønt og vil prøve å kryssere veien for tidlig. En menneskelig sjåfør vil være godt klar over en slik risiko og vil sakke ned for å forutse en slik hendelse, men for en maskin vil dette være svært vanskelig å beregne. Dette er neste skritt forskerne prøver å ta med selvkjørende kjøretøy og enkelt mer annotert data kan være svaret.

Hvordan ser AV den fysiske verden?

Selvkjørende kjøretøy avhenger av LiDAR-teknologi for å se verden rundt seg. LiDAR skaper en 3D-punktsky som er en digital representasjon av hvordan AI-systemet ser verden. Denne teknologien er ikke forbeholdt bare selvkjørende kjøretøy, men brukes også til andre robotprosesseringsjobber som å lage en robot som kan høste avlinger for landbrukssektoren. 3D-punktskyen må også annoteres så maskinen vet hva den ser. Dette gjøres vanligvis med teknikker som labeling, 3D-bokser og semantisk segmentering. En mer avansert form for annotering ville være å fargekode 3D-punktskyen så kjøretøyet forstår avstanden til objektet.

Måten LiDAR fungerer er at den sender et lysignal til alle objektene rundt seg og avhengig av hvor lenge det tar for lyset å returnere, gir det AI en forståelse av hvor langt unna objektet er. For eksempel vil bakken på 3D-punktskyen alltid være blå fordi den er det laveste punktet, lyset vil bunte av raskt og blå har en svært kort bølgelengde. Et av de omkringliggende bygningene kan være rød eller oransje avhengig av hvor langt unna det er.

Det er verdt å merke seg at LiDAR ikke er den eneste i byen. For eksempel bruker Tesla noe som kalles Hydrant, som er en kombinasjon av åtte kameraer som syer sammen et fullstendig bilde av veien. Andre selskaper, som Waymo og Voyage, bruker LiDAR. En mulig grunn til at Tesla kan unngå LiDAR er at det er svært bulkete og ødelegger bilens utseende. Selskaper som utvikler robotaxi, som Waymo, kan kanskje få unna å bruke LiDAR.

Hvorfor er kvalitets trening data så viktig?

Å ha kvalitets trening data er en av de viktigste tingene du trenger for å lage en selvkjørende bil. Men å bare skaffe denne dataen er ikke nok. Treningssammenstillingene må bli preparert via dataannotering så AI-systemet kan lære av dem. Selv om dette er en svært tidskrevende og kjedelig prosess, avhenger hele prosjektets suksess av det. Etter all, selvkjørende biler er fremtiden og kan potensielt hjelpe oss å redusere eller til og med eliminere noen av problemene vi opplever i form av bilulykker og dødsfall, miljøproblemer og trafikkkaos på veiene.