Почему автомобили с автопилотом являются будущим и как они создаются?

Из-за недавних адаптивных карантинных мер, введенных практически во всех частях мира, авиаперелеты, общественный транспорт и многие другие секторы понесли очень большой ущерб в 2020 году. Однако автомобильный мир и автономные транспортные средства, в частности, показали повышенную устойчивость в это трудное время. Фактически, компании như Ford увеличили свои инвестиции в разработку электрических и автомобилей с автопилотом, выделив 29 миллиардов долларов в четвертом квартале прошлого года. Конкретно, 7 миллиардов долларов из этих средств будут направлены на разработку автомобилей с автопилотом. Таким образом, Ford присоединяется к General Motors, Tesla, Baidu и другим автопроизводителям, которые активно инвестируют в автономные транспортные средства. В этой статье мы расскажем вам, почему компании инвестируют в автомобили с автопилотом и как алгоритмы машинного обучения, которые управляют ими, обучаются.

Почему так много компаний инвестируют в автомобили с автопилотом?

Когда мы рассматриваем все преимущества, предлагаемые автономными транспортными средствами, легко понять, почему так много компаний инвестируют в их разработку. Водители смогут сэкономить больше денег, поскольку им не придется платить за дорогие страховые планы, это ускорит их ежедневные поездки, улучшит экономию топлива и многие другие преимущества. Для компаний такая автоматизация открывает двери для большей экономии. Отличным примером этого является автономная дальнобойная перевозка, которая сможет сократить операционные затраты на 45%, согласно отчету McKinsey & Company.

Основным преимуществом является повышенная безопасность. Согласно NHTSA, 94% серьезных аварий являются результатом человеческой ошибки. Автомобили с автопилотом могут значительно снизить количество аварий, поскольку они не требуют никакого водительского вмешательства и имеют 360-градусный обзор в любое время. Кроме того, передовые системы безопасности водителей (ADAS) могут взять на себя критические функции безопасности в опасных ситуациях, таких как торможение и управление. Есть много добавленной ценности, которую автономные транспортные средства предлагают обществу, например, снижение выбросов. Фактически, базовый случай показал снижение энергопотребления и выбросов парниковых газов на 9% на протяжении всего срока службы транспортного средства по сравнению с традиционным транспортным средством. Теперь, когда мы знаем все преимущества, которые предлагают автомобили с автопилотом, давайте рассмотрим, как они обучаются распознавать мир вокруг себя.

Как работают автономные транспортные средства и как они могут стать реальностью

Автономное транспортное средство должно следовать правилам дорожного движения, и для этого оно должно распознавать все виды дорожных знаков, разметки, обнаруживать другие транспортные средства и пешеходов, и бесчисленные другие объекты. Эти транспортные средства с искусственным интеллектом полагаются на машинное обучение, чтобы “рассчитать”, что нужно делать во всех видах ситуаций на дороге. Давайте начнем с базового примера. Человек находится в своем автономном транспортном средстве, едет по шоссе, чтобы добраться до работы. Машина должна правильно определить установленный скоростной лимит, поддерживать безопасное расстояние от машины впереди, и когда она въезжает в жилой район, она должна распознавать пешеходов и пропускать их.

Для этого требуется тысячами и тысячами изображений, которые необходимо аннотировать с помощью методов, варьирующихся от маркировки до семантической сегментации. Фактически, Евгения Хименко, генеральный директор Mindy Support, компании, предоставляющей услуги аннотации данных для автомобильной промышленности, говорит, что существует широкий спектр проектов по аннотации данных для автомобильной промышленности:

«Это включает проекты, такие как распознавание лиц на видео для обучения автономных транспортных средств распознавать поведение других водителей на дороге, видеомаркировка и аннотация для обнаружения движения и направления транспортного средства (мы аннотировали более 545 миллионов последовательностей изображений). Другая сложная задача аудиоаннотации была, когда нам пришлось определить временную метку и пометить человеческую речь, а также все фоновые шумы, происходящие внутри транспортного средства, такие как радио, смех, крики, пение, животные и даже молчание».

Давайте рассмотрим сложный сценарий. Представьте, что автономное транспортное средство движется в жилом районе, и там есть подростки со скейтбордами, которые ждут, чтобы пересечь дорогу. Согласно правилам, машина имеет право проезда, но есть большая вероятность, что подростки не будут ждать, пока свет не переключится на зеленый, и попытаются пересечь дорогу преждевременно. Человеческий водитель будет хорошо осведомлен о таком риске и замедлит скорость, чтобы предвидеть такое событие, но для машины это будет очень трудно рассчитать. Это следующий шаг, который исследователи пытаются сделать с автономными транспортными средствами, и просто больше аннотированных данных может быть ответом.

Как автономные транспортные средства видят физический мир?

Автономные транспортные средства полагаются на технологию LiDAR, чтобы помочь им видеть мир вокруг них. LiDAR создает 3D-п云, который является цифровым представлением того, как система искусственного интеллекта видит мир. Эта технология не зарезервирована только для автономных транспортных средств, она также используется для других задач роботизированной автоматизации, таких как создание робота, который может собирать урожай для сельскохозяйственного сектора. 3D-п云 также необходимо аннотировать, чтобы машина знала, что именно она видит. Это обычно делается с помощью методов, таких как маркировка, 3D-коробки и семантическая сегментация. Более продвинутая форма аннотации будет заключаться в том, чтобы закодировать 3D-п云 цветом, чтобы транспортное средство понимало расстояние объекта.

Способ работы LiDAR заключается в том, что он отправляет сигнал света ко всем объектам вокруг него, и в зависимости от того, как долго свету требуется, чтобы вернуться, он дает искусственному интеллекту понимание того, насколько далеко находится объект. Например, земля на 3D-пcloud всегда будет синей, потому что это самая низкая точка, свет быстро отскочит, и синий имеет очень короткую длину волны. Один из окружающих зданий может быть красным или оранжевым, в зависимости от того, насколько далеко оно находится.

Стоит отметить, что LiDAR не является единственной технологией. Например, Tesla использует что-то, называемое Hydrant, которое представляет собой комбинацию из восьми камер, которые составляют полную картину дороги. Другие компании, такие как Waymo и Voyage, используют LiDAR. Одна из возможных причин, по которой Tesla может избегать LiDAR, заключается в том, что это очень громоздко и портит общий вид машины. Ведь Tesla – это очень дорогие машины, и водители, скорее всего, не захотят иметь большой ящик, сидящий на крыше их машин. Компании, разрабатывающие роботакси, такие как Waymo, могут позволить себе использовать LiDAR.

Почему качественные обучающие данные так важны?

Имея качественные обучающие данные, является одним из наиболее важных вещей, которые вам нужно иметь, чтобы создать автомобиль с автопилотом. Однако просто получение этих данных недостаточно. Обучающие наборы данных необходимо подготовить с помощью аннотации данных, чтобы система искусственного интеллекта могла учиться на них. Хотя этот процесс очень трудоемкий и скучный, успех всего проекта зависит от него. Ведь автомобили с автопилотом являются будущим и могут потенциально помочь нам снизить или даже исключить некоторые из проблем, с которыми мы сталкиваемся в отношении автомобильных аварий и жертв, экологических проблем и заторов на дорогах.