Dlaczego Samochody Bez Kierowcy Są Przyszłością i Jak Są Tworzone?

Ze względu na niedawne środki kwarantanny adaptacyjnej wprowadzonych w niemal wszystkich częściach świata, loty, transport publiczny i wiele innych sektorów zostały dotknięte w 2020 roku. Jednak świat motoryzacyjny i pojazdy autonomiczne, w szczególności, wykazały zwiększoną odporność w tym trudnym czasie. W rzeczywistości, firmy takie jak Ford zwiększyły swoje inwestycje w rozwój samochodów elektrycznych i bezzałogowych, przydzielając 29 miliardów dolarów w czwartym kwartale zeszłego roku. Konkretnie, 7 miliardów dolarów z tej kwoty zostanie przeznaczone na rozwój samochodów bezzałogowych. Ford dołącza tym samym do General Motors (GM ), Tesla (TSLA ), Baidu i innych producentów samochodów, którzy również zwiększają swoje inwestycje w pojazdy autonomiczne. W tym artykule opowiemy o tym, dlaczego firmy inwestują w samochody bezzałogowe i jak algorytmy uczenia maszynowego, które je napędzają, są szkolone.

Dlaczego Tyle Firm Inwestuje w Samochody Bezzałogowe?

Gdy spojrzymy na wszystkie korzyści oferowane przez pojazdy autonomiczne, łatwo zrozumieć, dlaczego tak wiele firm inwestuje w ich rozwój. Kierowcy będą mogli zaoszczędzić więcej pieniędzy, ponieważ nie będą musieli płacić za drogie ubezpieczenia, przyspieszy to ich dojazdy do pracy, poprawi zużycie paliwa i wiele innych korzyści. Dla firm taka automatyzacja otwiera drzwi do większych oszczędności. Dobrym przykładem jest autonomiczny transport długodystansowy, który może obniżyć koszty operacyjne o 45%, według raportu McKinsey & Company.

Główną korzyścią jest zwiększona bezpieczeństwo. Według NHTSA, 94% poważnych wypadków jest wynikiem błędu ludzkiego. Samochody bezzałogowe mogą znacznie zmniejszyć liczbę wypadków, ponieważ nie wymagają żadnego wkładu kierowcy i mają widok 360 stopni przez cały czas. Ponadto, zaawansowane systemy bezpieczeństwa kierowcy (ADAS) mogą przejąć funkcje krytyczne dla bezpieczeństwa w niebezpiecznych sytuacjach, takich jak hamowanie i sterowanie. Są też wiele dodatkowych korzyści, jakie pojazdy autonomiczne oferują społeczeństwu, takie jak zmniejszenie emisji. W rzeczywistości, podstawowy przypadek pokazał 9% zmniejszenie zużycia energii i emisji gazów cieplarnianych w całym cyklu życia pojazdu w porównaniu z pojazdami konwencjonalnymi. Teraz, gdy wiemy już o wszystkich korzyściach, jakie samochody bezzałogowe mają do zaoferowania, przyjrzyjmy się, jak są one szkolone do rozpoznawania świata wokół nich.

Jak Działają Pojazdy Autonomiczne i Jak Mogą Stać Się Rzeczywistością

Pojazd autonomiczny musi przestrzegać przepisów ruchu drogowego i aby to zrobić, musi rozpoznać wszystkie różne znaki drogowe, oznaczenia drogowe, wykryć inne pojazdy i pieszych, oraz niezliczoną ilość innych obiektów. Te pojazdy AI polegają na uczeniu maszynowym, aby “obliczyć”, co należy zrobić w różnych sytuacjach jazdy. Zacznijmy od podstawowego przykładu. Osoba jest w swoim pojeździe autonomicznym, jadącym autostradą, aby dojechać do pracy. Samochód musi poprawnie zidentyfikować ograniczenie prędkości, utrzymać bezpieczną odległość od samochodu przed nim i, gdy wjedzie na teren mieszkalny, musi rozpoznać pieszych i pozwolić im przejść przez jezdnię.

To wymaga tysięcy i tysięcy obrazów, które muszą być opisane przy użyciu technik od etykietowania po segmentację semantyczną. W rzeczywistości, Evgenia Khimenko, CEO Mindy Support, firmy świadczącej usługi anotacji danych dla sektora motoryzacyjnego, mówi, że istnieje wiele projektów anotacji danych dla przemysłu motoryzacyjnego, które są możliwe:

„Obejmują one projekty takie jak rozpoznawanie twarzy na filmach, aby nauczyć samochody bezzałogowe rozpoznawać zachowanie innych kierowców na drodze, etykietowanie wideo i anotacja, aby wykryć ruch i kierunek pojazdu (opatrzyliśmy ponad 545 milionów sekwencji obrazów). Innym zaawansowanym zadaniem anotacji audio było zidentyfikowanie znacznika czasu i oznaczenie mowy ludzkiej, a także wszystkich hałasów tła występujących wewnątrz pojazdu, takich jak radio, śmiech, krzyk, śpiew, zwierzęta i nawet cisza”.

Zastanówmy się nad skomplikowanym scenariuszem. Wyobraźmy sobie, że pojazd autonomiczny jedzie po osiedlu mieszkaniowym, a tam są nastolatkowie z deskorolkami, którzy czekają, aż przejdą przez jezdnię. Zgodnie z przepisami, samochód ma pierwszeństwo, ale istnieje duże prawdopodobieństwo, że nastolatkowie nie będą czekać, aż światło zmieni się na zielone, i spróbują przejść przez jezdnię przedwcześnie. Kierowca będzie dobrze świadomy takiego ryzyka i zwolni, aby przewidzieć takie zdarzenie, ale dla maszyny będzie to bardzo trudne do obliczenia. To jest następny krok, który badacze próbują podjąć z pojazdami autonomicznymi, a po prostu więcej opisanych danych może być odpowiedzią.

Jak Pojazdy Autonomiczne Widzą Świat Fizyczny?

Pojazdy autonomiczne polegają na technologii LiDAR, aby pomóc im zobaczyć świat wokół nich. LiDAR tworzy chmurę punktów 3D, która jest cyfrową reprezentacją, jak system AI widzi świat. Ta technologia nie jest zarezerwowana tylko dla pojazdów autonomicznych, jest również używana do innych zadań automatyzacji procesów robotycznych, takich jak tworzenie robota, który może zbierać plony dla sektora rolniczego. Chmura punktów 3D również musi być opisana, aby maszyna wiedziała, co dokładnie widzi. Zwykle jest to robione przy użyciu technik takich jak etykietowanie, pudełka 3D i segmentacja semantyczna. Bardziej zaawansowaną formą anotacji byłoby zakodowanie kolorystyczne chmury punktów 3D, aby pojazd zrozumiał odległość obiektu.

Sposób, w jaki działa LiDAR, polega na tym, że wysyła sygnał światła do wszystkich obiektów wokół niego i w zależności od tego, jak długo zajmuje światłu powrócić, daje AI zrozumienie, jak daleko jest obiekt. Na przykład, podłoże na chmurze punktów 3D zawsze będzie niebieskie, ponieważ jest najniższym punktem, światło odbije się szybko i niebieski ma bardzo krótką długość fali. Jeden z otaczających budynków może być czerwony lub pomarańczowy, w zależności od tego, jak daleko jest.

Warto zauważyć, że LiDAR nie jest jedyną grą w mieście. Na przykład, Tesla używa czegoś, co nazywa się Hydrant, który jest połączeniem ośmiu kamer, które łączą się w pełny obraz drogi. Inne firmy, takie jak Waymo i Voyage, używają LiDAR. Możliwym powodem, dla którego Tesla może unikać LiDAR, jest to, że jest on bardzo duży i psuje ogólny wygląd samochodu. Przecież Tesle są bardzo drogie i kierowcy nie będą chcieli mieć wielkiej skrzynki na dachu swojego samochodu. Firmy rozwijające robotaksówki, takie jak Waymo, mogą być w stanie poradzić sobie z użyciem LiDAR.

Dlaczego Jakość Danych Szkoleniowych Jest Tak Ważna?

Posiadanie jakościowych danych szkoleniowych jest jedną z najważniejszych rzeczy, której potrzebujesz, aby stworzyć samochód bezzałogowy. Jednak po prostu uzyskanie tych danych nie jest wystarczające. Zestawy danych szkoleniowych muszą być przygotowane za pomocą anotacji danych, aby system AI mógł się z nich uczyć. Chociaż jest to bardzo czasochłonne i nużące, powodzenie całego projektu zależy od tego. W końcu, samochody bezzałogowe są przyszłością i mogą potencjalnie pomóc nam zmniejszyć lub nawet wyeliminować niektóre z problemów, z którymi mamy do czynienia w zakresie wypadków samochodowych i ofiar, problemów środowiskowych i korków na drogach, jest to bardzo czasochłonne i nużące, ale sukces całego projektu zależy od tego.