Hvorfor er selvkjørende biler fremtiden og hvordan lages de?

På grunn av de nylige adaptive karantenetiltakene som ble pålagt i praktisk talt alle deler av verden, fikk flyreiser, offentlig transport og mange andre sektorer en virkelig stor hit i 2020. Imidlertid har bilverdenen og spesielt autonome kjøretøy vist økt motstandskraft i denne vanskelige tiden. Faktisk har selskaper som Ford økt sine investeringer i utvikling av elektriske og selvkjørende biler med bevilger 29 milliarder dollar i fjerde kvartal i fjor. Nærmere bestemt vil 7 milliarder dollar av disse pengene gå til utvikling av selvkjørende biler. Så Ford slutter seg til General Motors, Tesla, Baidu og andre bilprodusenter for å investere tungt i autonome kjøretøy. I denne artikkelen vil vi fortelle deg om hvorfor bedrifter investerer i selvkjørende biler og hvordan maskinlæringsalgoritmene som driver dem trenes.

Hvorfor investerer så mange selskaper i selvkjørende biler?

Når vi tar en titt på alle fordelene som tilbys av autonome kjøretøy, er det lett å se hvorfor så mange selskaper investerer i utviklingen deres. Sjåfører vil kunne spare mer penger siden de slipper å betale for dyre forsikringsplaner, det vil øke hastigheten på deres daglige pendler, forbedre drivstofføkonomien og mange andre fordeler. For bedrifter åpner slik automatisering døren for større besparelser. Et godt eksempel på dette er autonom langdistansetransport som vil kunne kutte driftskostnadene med 45 %, ifølge en rapport fra McKinsey & Company.

Hovedfordelen må være økt sikkerhet. I følge NHTSA er 94 % av alvorlige ulykker et resultat av menneskelige feil. Selvkjørende biler kan redusere antallet ulykker betraktelig siden de ikke krever noe sjåførinnspill og har 360 graders sikt til enhver tid. Dessuten kan avanserte førersikkerhetssystemer (ADAS) overta sikkerhetskritiske funksjoner i farlige situasjoner som bremsing og styring. Det er mange merverdier som autonome kjøretøy tilbyr samfunnet som reduserte utslipp. Faktisk viste en grunnleggende sak en 9 % reduksjon i energi- og klimagassutslipp i hele kjøretøyets levetid sammenlignet med et konvensjonelt kjøretøy. Ikke at vi vet alle fordelene selvkjørende biler har å tilby, la oss ta en titt på hvordan de er opplært til å gjenkjenne verden rundt dem.

Hvordan fungerer AV-er og hvordan AV-er kan bli en realitet

Et autonomt kjøretøy må følge veiens regler og for å gjøre det, må det gjenkjenne alle de forskjellige trafikkskiltene, veimerkingene, oppdage andre kjøretøy og fotgjengere og utallige andre objekter. Disse AI-kjøretøyene er avhengige av maskinlæring for å "beregne" hva som må gjøres i alle slags kjøresituasjoner. La oss starte med et grunnleggende eksempel. En person er i AV-en og kjører på motorveien for å komme seg til jobb. Bilen må identifisere den angitte fartsgrensen korrekt, holde trygg avstand fra bilen foran, og når den kommer inn i et boligområde, må den gjenkjenne fotgjengere og la dem krysse veien.

Dette krever at tusenvis og tusenvis av bilder kommenteres med teknikker som spenner fra merking hele veien til semantisk segmentering. Faktisk, Evgenia Khimenko, administrerende direktør i Mindy Support, et selskap som leverer datakommentartjenester for bilindustrien, sier at det er et bredt spekter av datamerkingsprosjekter for bilindustrien mulig:

"Disse inkludere prosjekter som ansiktsgjenkjenning på videoer for å trene selvkjørende biler for å identifisere oppførselen til andre sjåfører på veien, videomerking og merknader for å oppdage bevegelse og retning av kjøretøyet (vi har kommentert mer enn 545 millioner bildesekvenser). En annen sofistikert lydkommentaroppgave var da vi måtte identifisere tidsstemplet og merke menneskelig tale i tillegg til all bakgrunnsstøyen som skjedde inne i kjøretøyet som radio, latter, roping, sang, dyr og til og med stillhet.

La oss vurdere et komplekst scenario. Tenk deg at det autonome kjøretøyet kjører i et boligområde og det er tenåringer med skateboard som venter på å krysse veien. I følge reglene har bilen forkjørsrett, men det er stor sjanse for at tenåringene ikke venter på at lyset blir grønt og prøver å krysse veien for tidlig. En menneskelig sjåfør vil være godt klar over slik risiko og vil senke farten for å forutse en slik hendelse, men for en maskin vil dette være svært vanskelig å beregne. Dette er det neste steget forskere prøver å ta med autonome kjøretøy, og ganske enkelt mer kommenterte data kan være svaret.

Hvordan ser AV-ene den fysiske verden?

Autonome kjøretøyer er avhengige av LiDAR-teknologi for å hjelpe dem med å se verden rundt seg. LiDAR lager en 3D-punktsky som er en digital representasjon av hvordan AI-systemet ser på verden. Denne teknologien er ikke reservert bare for autonome kjøretøy, den brukes også til andre robotprosessautomatiseringsjobber som å lage en robot som kan høste avlinger for landbrukssektoren. 3D-punktskyen må også merkes slik at maskinen vet nøyaktig hva den ser. Dette gjøres vanligvis med teknikker som merking, 3D-bokser og semantisk segmentering. En mer avansert form for merknad vil være å fargekode 3D-punktskyen slik at kjøretøyet forstår avstanden til objektet.

Måten LiDAR fungerer på er at den sender et lyssignal til alle objektene som omgir den, og avhengig av hvor lang tid det tar å komme tilbake, gir det AI en forståelse av hvor langt unna objektet er. For eksempel vil bakken på 3D-punktskyen alltid være blå fordi det er det laveste punktet, lyset vil sprette raskt av og blått har veldig kort bølgelengde. En av bygningene rundt kan være rød eller oransje avhengig av hvor langt unna den er.

Det er verdt å merke seg at LiDAR ikke er det eneste spillet i byen. For eksempel bruker Tesla noe som kalles Hydrant, som er en kombinasjon av åtte kameraer som syr sammen et komplett bilde av veien. Andre selskaper, som Waymo og Voyage, bruker LiDAR. En mulig grunn til at Tesla kanskje unngår LiDAR er at den er veldig klumpete og ødelegger bilens generelle utseende. Tross alt er Teslaer veldig dyre og sjåfører vil sannsynligvis ikke ha en gigantisk boks på taket av bilene deres. Bedrifter som utvikler robotakse, som Waymo, kan kanskje slippe unna med å bruke LiDAR.

Hvorfor er kvalitetsopplæringsdata så viktige?

Å ha treningsdata av høy kvalitet er noe av det mest essensielle du trenger for å lage en selvkjørende bil. Det er imidlertid ikke nok å bare skaffe disse dataene. Opplæringsdatasettene må forberedes via datakommentarer slik at AI-systemet kan lære av dem. Selv om dette er en veldig tidkrevende og kjedelig prosess, avhenger suksessen til hele prosjektet av det. Tross alt er selvkjørende biler fremtiden og kan potensielt hjelpe oss med å redusere eller til og med eliminere noen av problemene vi opplever når det gjelder bilulykker og skader, miljøproblemer og stopp på veiene.