Dlaczego samochody autonomiczne są przyszłością i jak powstają?

Ze względu na niedawne adaptacyjne środki kwarantanny nałożone praktycznie we wszystkich częściach świata, podróże lotnicze, transport publiczny i wiele innych sektorów odczuły w 2020 r. naprawdę duży cios. Jednak w szczególności świat motoryzacji i pojazdy autonomiczne wykazały zwiększoną odporność w tym trudnym czasie. W rzeczywistości firmy takie jak Ford zwiększyły swoje inwestycje w rozwój samochodów elektrycznych i autonomicznych o ok przeznaczając 29 miliardów dolarów w czwartym kwartale ubiegłego roku. W szczególności 7 miliardów dolarów z tych pieniędzy zostanie przeznaczone na rozwój samochodów autonomicznych. Dlatego Ford dołącza do General Motors, Tesli, Baidu i innych producentów samochodów, intensywnie inwestując w pojazdy autonomiczne. W tym artykule opowiemy Ci, dlaczego firmy inwestują w samochody autonomiczne i w jaki sposób szkolone są algorytmy uczenia maszynowego, które je napędzają.

Dlaczego tak wiele firm inwestuje w samochody autonomiczne?

Kiedy przyjrzymy się wszystkim korzyściom, jakie oferują 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 plany ubezpieczeniowe, przyspieszy to ich codzienne dojazdy do pracy, poprawi oszczędność paliwa i wiele innych korzyści. Dla firm taka automatyzacja otwiera drzwi do większych oszczędności. Świetnym tego przykładem jest autonomiczny transport dalekobieżny, który według raportu McKinsey & Company będzie w stanie obniżyć koszty operacyjne o 45%.

Główną korzyścią musi być zwiększone bezpieczeństwo. Według NHTSA 94% poważnych wypadków jest wynikiem błędu ludzkiego. Samochody autonomiczne mogą znacznie zmniejszyć liczbę wypadków, ponieważ nie wymagają żadnej interwencji kierowcy i przez cały czas mają widok 360 stopni. Ponadto zaawansowane systemy bezpieczeństwa kierowcy (ADAS) mogą przejąć funkcje krytyczne dla bezpieczeństwa w niebezpiecznych sytuacjach, takich jak hamowanie i kierowanie. Istnieje wiele wartości dodanych, jakie pojazdy autonomiczne oferują społeczeństwu, np. obniżona emisja gazów cieplarnianych. W rzeczywistości podstawowy przypadek wykazał 9% redukcję energii i emisji gazów cieplarnianych w całym okresie użytkowania pojazdu w porównaniu z pojazdem konwencjonalnym. Nie żebyśmy znali wszystkie korzyści, jakie oferują samochody autonomiczne, przyjrzyjmy się, jak są one szkolone w rozpoznawaniu otaczającego ich świata.

Jak działają AV i jak AV mogą stać się rzeczywistością

Autonomiczny pojazd musi przestrzegać przepisów ruchu drogowego, a aby to osiągnąć, musi rozpoznawać wszystkie znaki drogowe, oznakowanie drogowe, wykrywać inne pojazdy i pieszych oraz niezliczoną ilość innych obiektów. Te pojazdy AI opierają się na uczeniu maszynowym, aby „obliczyć”, co należy zrobić w różnych sytuacjach na drodze. Zacznijmy od podstawowego przykładu. Osoba w swoim AV jedzie autostradą, aby dostać się do pracy. Samochód będzie musiał prawidłowo rozpoznać dozwoloną prędkość, zachować bezpieczną odległość od poprzedzającego pojazdu, a wjeżdżając na obszar zabudowany rozpoznawać pieszych i przepuszczać ich przez jezdnię.

Wymaga to opisywania tysięcy obrazów przy użyciu różnych technik, od etykietowania po segmentację semantyczną. W rzeczywistości Evgenia Chimenko, dyrektor generalny Wsparcie Mindy, firma świadcząca usługi adnotacji danych dla sektora motoryzacyjnego, twierdzi, że możliwych jest wiele projektów adnotacji danych dla branży motoryzacyjnej:

"Te obejmują projekty takie jak rozpoznawanie twarzy w filmach w celu szkolenia samochodów autonomicznych w celu identyfikacji zachowań innych kierowców na drodze, etykietowanie filmów i adnotacje w celu wykrycia ruchu i kierunku pojazdu (odnotowaliśmy ponad 545 milionów sekwencji obrazów). Innym wyrafinowanym zadaniem z adnotacją dźwiękową było zidentyfikowanie znacznika czasu i oznaczenie ludzkiej mowy, a także całego hałasu tła występującego wewnątrz pojazdu, takiego jak radio, śmiech, krzyki, śpiew, zwierzęta, a nawet cisza”.

Rozważmy złożony scenariusz. Wyobraź sobie, że autonomiczny pojazd jedzie po dzielnicy mieszkalnej, a nastolatki na deskorolkach czekają na przejście przez ulicę. Zgodnie z przepisami samochód ma pierwszeństwo, istnieje jednak duża szansa, że ​​nastolatkowie nie będą czekać, aż zapali się zielone światło i spróbują przedwcześnie przejść przez jezdnię. Kierowca będący człowiekiem będzie doskonale świadomy takiego ryzyka i zwolni, aby przewidzieć takie zdarzenie, ale w przypadku maszyny byłoby to bardzo trudne do obliczenia. Jest to kolejny krok, jaki badacze próbują podjąć w odniesieniu do pojazdów autonomicznych, a rozwiązaniem może być po prostu więcej danych z adnotacjami.

Jak AV postrzegają świat fizyczny?

Pojazdy autonomiczne korzystają z technologii LiDAR, która pomaga im widzieć otaczający ich świat. LiDAR tworzy trójwymiarową chmurę punktów, która jest cyfrową reprezentacją sposobu, w jaki system AI postrzega świat. Technologia ta nie jest zarezerwowana tylko dla pojazdów autonomicznych, jest również wykorzystywana do innych zadań związanych z automatyzacją procesów, takich jak tworzenie robota, który może zbierać plony dla sektora rolnego. Chmura punktów 3D będzie również wymagała adnotacji, aby maszyna wiedziała, co dokładnie widzi. Zwykle odbywa się to za pomocą technik takich jak etykietowanie, ramki 3D i segmentacja semantyczna. Bardziej zaawansowaną formą adnotacji byłoby oznaczenie kolorami chmury punktów 3D, aby pojazd zrozumiał odległość od obiektu.

Sposób działania LiDAR polega na tym, że wysyła sygnał świetlny do wszystkich otaczających go obiektów i w zależności od tego, ile czasu zajmuje powrót światła, pozwala sztucznej inteligencji zrozumieć, jak daleko znajduje się obiekt. Na przykład podłoże w chmurze punktów 3D zawsze będzie niebieskie, ponieważ jest to najniższy punkt, światło szybko się odbija, a kolor niebieski ma bardzo krótką długość fali. Jeden z otaczających budynków może być czerwony lub pomarańczowy, w zależności od tego, jak daleko się znajduje.

Warto zaznaczyć, że LiDAR to nie jedyna gra w mieście. Na przykład Tesla używa czegoś, co nazywa się Hydrantem, czyli połączenia ośmiu kamer, które łączą w całość pełny obraz drogi. Inne firmy, takie jak Waymo i Voyage, korzystają z LiDAR. Jednym z możliwych powodów, dla których Tesla może unikać LiDAR-u, jest to, że jest on bardzo nieporęczny i psuje ogólny wygląd samochodu. W końcu Tesle są bardzo drogie i kierowcy prawdopodobnie nie będą chcieli, aby na dachu ich samochodów znajdowało się gigantyczne pudło. Firmom opracowującym robotykę, takim jak Waymo, może uchodzić na sucho korzystanie z LiDAR.

Dlaczego dane dotyczące jakości szkoleń są tak ważne?

Posiadanie wysokiej jakości danych szkoleniowych jest jedną z najważniejszych rzeczy, które musisz mieć, aby stworzyć samochód autonomiczny. Jednak samo uzyskanie tych danych nie wystarczy. Zbiory danych szkoleniowych należy przygotować za pomocą adnotacji danych, aby system sztucznej inteligencji mógł się na nich uczyć. Choć jest to proces bardzo czasochłonny i żmudny, to od niego zależy powodzenie całego projektu. W końcu samochody autonomiczne są przyszłością i mogą potencjalnie pomóc nam zmniejszyć lub nawet wyeliminować niektóre problemy, których doświadczamy, takie jak wypadki samochodowe i ofiary, problemy środowiskowe oraz korki na drogach.