Чому самоходні автомобілі є майбутнім і як вони створюються?

Через недавні адаптивні карантинні заходи, введені майже у всіх частинах світу, авіаперелети, громадський транспорт та багато інших галузей зазнали великого удару у 2020 році. Однак автомобільний світ і, зокрема, автономні транспортні засоби показали підвищену стійкість під час цього складного періоду. Насправді, компанії, такі як Ford, збільшили свої інвестиції у розвиток електричних і самоходних автомобілів шляхом призначення $29 мільярдів доларів у четвертому кварталі минулого року. Зокрема, $7 мільярдів цих коштів будуть спрямовані на розвиток самоходних автомобілів. Таким чином, Ford приєднується до General Motors, Tesla, Baidu та інших виробників автомобілів, які активно інвестують у автономні транспортні засоби. У цій статті ми розповімо вам, чому компанії інвестують у самоходні автомобілі та як алгоритми машинного навчання, які керують ними, тренуються.

Чому так багато компаній інвестують у самоходні автомобілі?

Коли ми розглядаємо всі переваги, які пропонують автономні транспортні засоби, легко зрозуміти, чому так багато компаній інвестують у їх розвиток. Водії зможуть заощадити більше грошей, оскільки їм не доведеться платити за дорогі страхові плани, це прискорить їх щоденні поїздки, покращить економію палива та багато інших переваг. Для компаній така автоматизація відкриває двері для більших заощаджень. Добрим прикладом цього є автономні довгі вантажні перевезення, які зможуть скоротити операційні витрати на 45%, згідно з доповіддю компанії McKinsey & Company.

Основною перевагою є підвищена безпека. Згідно з NHTSA, 94% серйозних аварій є результатом людської помилки. Самоходні автомобілі можуть значно зменшити кількість аварій, оскільки їм не потрібно жодного водійського входу та вони мають 360-градусний огляд у будь-який час. Також, передові системи безпеки водіїв (ADAS) можуть взяти на себе критичні функції безпеки в небезпечних ситуаціях, таких як гальмування та керування. Є багато додаткових переваг, які пропонують автономні транспортні засоби суспільству, наприклад, зниження викидів. Насправді, базовий випадок показав зниження енергоспоживання та викидів парникових газів на 9% протягом усього життя транспортного засобу порівняно з традиційними транспортними засобами. Тепер, коли ми знаємо всі переваги самоходних автомобілів, давайте розглянемо, як вони тренуються для розпізнавання світу навколо них.

Як працюють AV та як AV можуть стати реальністю

Автономний транспортний засіб потребує дотримання правил дорожнього руху, а для цього йому потрібно розпізнавати всі різні дорожні знаки, розмітку, виявляти інші транспортні засоби та пішоходів, а також безліч інших об’єктів. Ці транспортні засоби з штучним інтелектом використовують машинне навчання, щоб “обчислити”, що потрібно зробити у всіх видах дорожніх ситуацій. Давайте почнемо з базового прикладу. Людина знаходиться у своєму AV, рухаючись по шосе, щоб дістатися до роботи. Автомобіль повинен правильно ідентифікувати встановлені обмеження швидкості, підтримувати безпечну відстань від автомобіля спереду, а коли він в’їжджає до житлового району, йому потрібно розпізнавати пішоходів та дозволити їм перейти дорогу.

Це вимагає тисяч і тисяч зображень, які повинні бути анотовані за допомогою технік, що варіюються від міток до семантичної сегментації. Насправді, Євгенія Хименко, генеральний директор Mindy Support, компанії, яка надає послуги анотації даних для автомобільної галузі, каже, що існує широкий спектр проектів анотації даних для автомобільної промисловості:

“До цих проектів належать завдання, такі як розпізнавання облич на відео для навчання самоходних автомобілів розпізнавати поведінку інших водіїв на дорозі, міткування відео та анотація для виявлення руху та напрямку транспортного засобу (ми анотували понад 545 мільйонів послідовностей зображень). Іншим складним завданням анотації аудіо було визначення часу та міткування людської мови, а також усіх фонових шумів, що відбуваються всередині транспортного засобу, таких як радіо, сміх, крик, спів, тварини та навіть тиша”.

Давайте розглянемо складну ситуацію. Припустимо, що автономний транспортний засіб рухається по житловому району, і там є підлітки зі скейтбордами, які чекають, щоб перейти дорогу. Згідно з правилами, автомобіль має право першості, але існує велика ймовірність, що підлітки не почекають, поки світло зміниться на зелене, і спробують перейти дорогу достроково. Людський водій буде добре обізнаний про такий ризик і буде знижувати швидкість, щоб передбачити таку подію, але для машини це буде дуже складно обчислити. Це наступний крок, який дослідники намагаються зробити з автономними транспортними засобами, і просто більше анотованих даних може бути відповіддю.

Як AV бачать фізичний світ?

Автономні транспортні засоби використовують технологію LiDAR, щоб бачити світ навколо них. LiDAR створює 3D-хмара точок, яка є цифровим представленням того, як система штучного інтелекту бачить світ. Ця технологія не зарезервована лише для автономних транспортних засобів, вона також використовується для інших робототехнічних завдань автоматизації, таких як створення робота, який може зібрати врожай для сільськогосподарської галузі. 3D-хмара точок також потребує анотації, щоб машина знала, що саме вона бачить. Це зазвичай робиться за допомогою технік, таких як міткування, 3D-бокси та семантична сегментація. Більш просунутим видом анотації було б кольорове кодування 3D-хмари точок, щоб транспортний засіб зрозумів відстань об’єкта.

Технологія LiDAR працює так, що вона посилає сигнал світла до всіх об’єктів навколо нього, і залежно від того, як довго світлу потрібно повернутися, вона дає штучному інтелекту розуміння того, наскільки далеко знаходиться об’єкт. Наприклад, земля на 3D-хмарі точок завжди буде синьою, оскільки це найнижча точка, світло буде відбиватися швидко, а синій має дуже коротку довжину хвилі. Один із навколишніх будівель може бути червоним або помаранчевим, залежно від того, наскільки далеко він знаходиться.

Варто зазначити, що LiDAR не єдина технологія. Наприклад, Tesla використовує щось на зразок Hydrant, яке є комбінацією восьми камер, які створюють повну картину дороги. Інші компанії, такі як Waymo та Voyage, використовують LiDAR. Одним із можливих причин, чому Tesla може уникати LiDAR, є те, що воно дуже громіздке і псує загальний вигляд автомобіля. Власники Tesla, ймовірно, не хочуть великої коробки на даху свого автомобіля. Компанії, які розробляють роботаксі, такі як Waymo, можуть дозволити собі використовувати LiDAR.

Чому якість тренувальних даних така важлива?

Маємо одну з найважливіших речей, які потрібно мати для створення самоходного автомобіля – якісні тренувальні дані. Однак просто отримання цих даних не достатньо. Тренувальні набори даних потрібно підготувати за допомогою анотації даних, щоб система штучного інтелекту могла вивчити з них. Хоча це дуже часу і нудне завдання, успіх всього проекту залежить від цього. Адже самоходні автомобілі є майбутнім і можуть потенційно допомогти нам зменшити або навіть ліквідувати деякі проблеми, з яких ми страждаємо щодо аварій та жертв, екологічних проблем та заторів на дорогах.