Dlaczego samochody autonomiczne są przyszłością i jak są tworzone?

Ze względu na niedawne środki kwarantanny adaptacyjnej wprowadzone praktycznie we wszystkich częściach świata, loty, transport publiczny i wiele innych sektorów poniosło bardzo duże straty 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 autonomicznych, przeznaczając 29 miliardów dolarów w czwartym kwartale zeszłego roku. Konkretnie, 7 miliardów dolarów z tej kwoty zostanie przeznaczone na rozwój samochodów autonomicznych. Dlatego Ford dołącza do General Motors, Tesla, Baidu i innych producentów samochodów, które znacznie zwiększają inwestycje w pojazdy autonomiczne. W tym artykule opowiemy o tym, dlaczego firmy inwestują w samochody autonomiczne i jak algorytmy uczenia maszynowego, które je napędzają, są szkolone.

Dlaczego tak wiele firm inwestuje w samochody autonomiczne?

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 codzienne dojazdy do pracy, poprawi zużycie paliwa i wiele innych korzyści. Dla firm taka automatyzacja otwiera drzwi do większych oszczędności. Wspaniałym przykładem jest autonomiczne transportowanie ciężarówek na długich trasach, które będzie mogło obniżyć koszty operacyjne o 45%, zgodnie z raportem McKinsey & Company.

Główną korzyścią musi być zwiększona bezpieczeństwo. Zgodnie z NHTSA, 94% poważnych wypadków jest wynikiem błędu ludzkiego. Samochody autonomiczne mogą znacznie zmniejszyć liczbę wypadków, ponieważ nie wymagają one żadnego wprowadzania danych przez kierowcę i mają 360-stopniowy widok w każdej chwili. Ponadto, zaawansowane systemy bezpieczeństwa kierowców (ADAS) mogą przejąć funkcje krytyczne dla bezpieczeństwa w niebezpiecznych sytuacjach, takich jak hamowanie i sterowanie. Istnieje wiele dodatkowych korzyści, jakie pojazdy autonomiczne oferują społeczeństwu, takich jak zmniejszenie emisji. W rzeczywistości, podstawowy przypadek wykazał 9% redukcję energii i emisji GHG w całym cyklu życia pojazdu w porównaniu z pojazdami konwencjonalnymi. Teraz, gdy wiemy o wszystkich korzyściach, jakie samochody autonomiczne mają do zaoferowania, przyjrzyjmy się, jak są one szkolone, aby rozpoznać świat wokół nich.

Jak działają pojazdy autonomiczne i jak mogą stać się rzeczywistością

Pojazd autonomiczny musi przestrzegać zasad 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 we wszystkich rodzajach sytuacji drogowych. Zaczniemy od podstawowego przykładu. Osoba jest w swoim pojeździe autonomicznym jadącym autostradą, aby dostać się do pracy. Samochód musi prawidłowo zidentyfikować znak ograniczenia prędkości, utrzymać bezpieczną odległość od samochodu z przodu 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, która świadczy usługi anotacji danych dla sektora motoryzacyjnego, mówi, że istnieje wiele różnych projektów anotacji danych dla przemysłu motoryzacyjnego:

„Obejmują one projekty takie jak rozpoznawanie twarzy na filmach w celu szkolenia samochodów autonomicznych do identyfikacji zachowania innych kierowców na drodze, etykietowanie i anotowanie filmów w celu wykrycia ruchu i kierunku pojazdu (oznaczyliśmy ponad 545 milionów sekwencji obrazów). Innym zaawansowanym zadaniem anotacji audio było to, gdy musieliśmy zidentyfikować znacznik czasu i oznaczyć mowę ludzką, a także wszystkie tło wewnątrz pojazdu, takie jak radio, śmiech, krzyk, śpiew, zwierzęta i nawet ciszę”.

Zastanówmy się nad skomplikowanym scenariuszem. Wyobraźmy sobie, że pojazd autonomiczny porusza się w dzielnicy mieszkalnej, a tam są nastolatkowie ze skateboardami, którzy czekają, aż przejdą przez jezdnię. Zgodnie z zasadami, 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 danych anotowanych 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 robi się to przy użyciu technik takich jak etykietowanie, 3D boxy 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, a 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 to najniższy punkt, światło odbije się szybko i niebieski ma bardzo krótką długość fali. Jeden z otaczających budynków może być czerwony lub pomarańczowy, w zależności od odległości.

Warto zauważyć, że LiDAR nie jest jedyną opcją. Na przykład, Tesla używa czegoś, co nazywa się Hydrant, który jest połączeniem ośmiu kamer, które tworzą pełny obraz drogi. Inne firmy, takie jak Waymo i Voyage, używają LiDAR. Jednym z możliwych powodów, dla których Tesla może unikać LiDAR, jest to, że jest on bardzo duży i psuje ogólny wygląd samochodu. Wszakże Tesle są bardzo drogie i kierowcy nie będą chcieli mieć dużego pudełka siedzącego na dachu swojego samochodu. Firmy rozwijające robotaksówki, takie jak Waymo, mogą być w stanie używać LiDAR.

Dlaczego jakościowe dane szkoleniowe są tak ważne?

Posiadanie jakościowych danych szkoleniowych jest jedną z najważniejszych rzeczy, które należy mieć, aby stworzyć samochód autonomiczny. Jednakże, samo pozyskanie 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 nudne zadanie, sukces całego projektu zależy od niego. W końcu, samochody autonomiczne 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.