Hvorfor er selvkjørende biler fremtiden og hvordan blir de laget?

På grunn av de nylige tilpassede karantène tiltakene som er innført i nesten alle deler av verden, har lufttransport, offentlig transport og mange andre sektorer tatt en stor nedtur i 2020. Men, den automatiske verden og selvkjørende biler har vist økt motstandskraft under denne vanskelige tiden. Faktisk, selskaper som Ford har økt sine investeringer i utviklingen av elektriske og selvkjørende biler ved å tildele 29 milliarder dollar i fjerde kvartal i fjor. Spesifikt, 7 milliarder dollar av disse pengene vil gå til utviklingen av selvkjørende biler. Så Ford slutter seg til General Motors (GM ), Tesla (TSLA ), Baidu og andre bilprodusenter i å investere tungt i selvkjørende biler. 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 biler tilbyr, er det lett å se hvorfor så mange selskaper investerer i deres utvikling. Førere vil kunne spare mer penger siden de ikke trenger å betale for dyre forsikringsplaner, det vil akselerere deres daglige reiser, forbedre brenseløkonomien og mange andre fordeler. For selskaper, åpner slik automatisering døren for større besparelser. Et godt eksempel på dette er selvkjørende 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 signifikant redusere antall ulykker siden de ikke trenger noen førerinput og har en 360-graders visning hele tiden. Dessuten kan avanserte førersikkerhetssystemer (ADAS) overta sikkerhetskritiske funksjoner i farlige situasjoner som bremsing og styring. Det er mange ekstra verdier selvkjørende biler tilbyr samfunnet, som reduserte utslipp. Faktisk, et enkelt tilfelle viste en 9% reduksjon i energi og GHG-utslipp i bilens hele liv i sammenligning med konvensjonelle biler. 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 selvkjørende biler og hvordan kan de bli en realitet

En selvkjørende bil må følge reglene for veien og for å gjøre det, må den gjenkjenne alle forskjellige trafikkskilt, veimarkeringer, detektere andre biler og fotgjengere og talløse andre objekter. Disse AI-bilene avhenger av maskinlæring til å “regne ut” hva som må gjøres i alle slags kjøresituasjoner. La oss starte med et enkelt eksempel. En person er i sin selvkjørende bil og kjører på motorveien for å komme til jobben. Bilen må korrekt identifisere den oppsatte 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 bli annotert med tekniker som varierer fra labeling til semantisk segmentering. Faktisk, Evgenia Khimenko, CEO i Mindy Support, et selskap som tilbyr data-annoteringstjenester for den automatiske sektoren, sier at det finnes en rekke data-annoteringsprosjekter for den automatiske industrien som er mulige:

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

La oss vurdere en kompleks situasjon. Tenk at den selvkjørende bilen kjører i et boligområde og det er tenåringer med skateboard som venter på å kryssere veien. Ifølge reglene, har bilen førerett, men det er en god sjanse til 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, ville dette være svært vanskelig å regne ut. Dette er det neste steget forskerne prøver å ta med selvkjørende biler og enkelt mer annotert data kan være svaret.

Hvordan ser selvkjørende biler den fysiske verden?

Selvkjørende biler 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 biler, men brukes også til andre robotprosesseringsjobber som å lage en robot som kan høste avlinger for landbrukssektoren. 3D-punktskyen må også bli annotert så maskinen vet hva den ser. Dette gjøres vanligvis med tekniker som labeling, 3D-bokser og semantisk segmentering. En mer avansert form for annotering ville være å fargekodere 3D-punktskyen så bilen forstår avstanden til objektet.

LiDAR fungerer ved å sende et lysignal til alle objekter 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 reflekteres raskt og blå har en svært kort bølgelengde. En av de omkringliggende bygningene 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 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 bulk og ødelegger bilens utseende. Ettersom Teslas er svært dyre, vil sjåførene sannsynligvis ikke ønske en stor boks sittende på taket av bilen. Selskaper som utvikler robotaxis, som Waymo, kan kanskje få unna å bruke LiDAR.

Hvorfor er kvalitets treningdata så viktig?

Å ha kvalitets treningdata er en av de viktigste tingene du trenger for å lage en selvkjørende bil. Men, å bare skaffe disse dataene er ikke nok. Treningssettene må bli forberedt via data-annotering så AI-systemet kan lære av dem. Mens dette er en svært tidkrevende og kjedelig prosess, avhenger hele prosjektets suksess av det. Ettersom selvkjørende biler er fremtiden og kan potensielt hjelpe oss å redusere eller eliminere noen av problemene vi opplever i form av bilulykker og skader, miljøproblemer og trafikkproblemer på veiene.