ИИ и автономное вождение

Мы можем только представить себе возможности, которые открывает искусственный интеллект, но одна из самых известных тем, связанных с потенциалом ИИ, — это автономное вождение. Концепция машин, имитирующих человеческое познание – искусственный интеллект, или сокращенно ИИ – возникла еще в Древней Греции, хотя этот термин был придуман и развит в этой области только в 1956 году. В последние годы технология быстро развивалась, и ее применение Область применения значительно расширилась и теперь включает такие области, как сельское хозяйство, медицина, голосовая помощь и даже автономное вождение.

Читайте также: Что такое умные города?

Конвергенция искусственного интеллекта и беспилотных транспортных средств — большой шаг как для автомобильной промышленности, так и для индустрии искусственного интеллекта. Мы можем только представить себе возможности, которые открывает искусственный интеллект, но одна из самых известных тем, связанных с потенциалом ИИ, — это автономное вождение. За последние годы такие компании, как Tesla, Waymo и Alibaba, добились значительного прогресса в создании полностью автономных транспортных средств с искусственным интеллектом.

Source: YouTube

В этой статье мы более подробно рассмотрим использование ИИ в транспортных средствах – от его роли в инфраструктуре до алгоритмов, которыми ИИ оснащен для работы на дорогах.

Что такое автономные автомобили?

Автономные автомобили — это транспортные средства, способные выполнять те же действия, что и автомобили, управляемые опытными людьми, без какого-либо физического вмешательства со стороны человека. Они могут интерпретировать препятствия и знаки, чтобы безопасно передвигаться самостоятельно. Они слушают инструкции и с помощью своих датчиков, систем машинного обучения, исполнительных механизмов и сложных алгоритмов выполняют команды.

Также смотрите: Дрон, который может увернуться от всего, что в него бросят.

ИИ и автономное вождение

Искусственный интеллект стал крупнейшей движущей силой прорыва в создании автономных автомобилей. Первые автономные автомобили были представлены в 1980-х годах, однако уровни 4 и 5 беспилотных автомобилей, которые являются полностью автономными, стали возможными благодаря ИИ.

Чтобы добиться автономного вождения, ИИ должен планировать и выполнять действия без влияния водителя-человека. ИИ способен выполнять те же функции, что и водитель-человек. Он обладает способностями к распознаванию и принятию решений, сенсорными функциями и способностью моделировать данные с помощью алгоритмов глубокого обучения. Вооруженный этими инновациями, автомобиль с искусственным интеллектом может работать автономно.

Читайте также: ИИ и электрические сети.

Роль искусственного интеллекта в создании инфраструктуры для автономных транспортных средств

Чтобы автомобиль был полностью автономным, он должен иметь камеру для обзора, систему связи и датчики. Эти функции призваны позволить автомобилю генерировать данные, с которыми он может работать. Роль искусственного интеллекта в создании этой инфраструктуры для автономных транспортных средств заключается в том, чтобы заставить эти функции проявлять характеристики водителя-человека. Искусственный интеллект позволяет ему видеть, слышать, думать и принимать решения самостоятельно, используя данные, собранные с помощью компонентов, установленных в автомобиле.

Source: YouTube

Как беспилотные автомобили должны принимать решения о жизни и смерти?

Водители очень обеспокоены безопасностью езды на беспилотном автомобиле. Вопрос о том, как автономные транспортные средства обеспечивают безопасность пассажиров в ситуации жизни или смерти, является важным и заслуживает некоторого исследования. Существует бесконечное количество возможных сценариев, в которых ИИ может быть вынужден принять такое решение. Вот почему вместо того, чтобы пытаться запрограммировать автономное транспортное средство на реагирование в ситуации жизни или смерти, лучше спроектировать его так, чтобы оно могло вообще избежать этого обстоятельства.

Читайте также: ИИ в управлении дорожным движением

Похоже, именно такой подход используют многие компании при разработке своих автономных автомобилей, принимая такие меры, как обучение их распознавать препятствия и останавливаться или объезжать их. Существуют инструменты на базе искусственного интеллекта, созданные для предотвращения аварий в обычных автомобилях, такие как обнаружение слепых зон, когда водитель предупреждается, если он находится в слепой зоне другого автомобиля, и электронная система стабилизации, когда антипробуксовочная система врезается в одно-три колеса автомобиля. автомобиль, чтобы предотвратить его выскальзывание из-под контроля в опасных погодных условиях.

Source: YouTube

Важность GDDR6 для будущего автономного вождения

Память GDDR6 известна своей более высокой пропускной способностью и скоростью, чем ее предшественники. Его пропускная способность — это то, что управляет компьютерным механизмом систем искусственного интеллекта, которые лежат в основе развития беспилотных транспортных средств.

GDDR6 также известна своей способностью противостоять суровым условиям, с которыми обычно сталкиваются транспортные средства на дороге. Технология памяти GDDR6, безусловно, будет играть важную роль в развитии беспилотных автомобилей.

Читайте также: Футуристическая фабрика Inside Arrival

Как автономные автомобили генерируют свои данные

Искусственный интеллект, используемый в автономных транспортных средствах, должен будет иметь возможность «видеть» свое окружение, и это достигается с помощью камер, радаров и лидаров. С помощью этих датчиков и камер, установленных в разных частях автомобиля, ИИ извлекает информацию, на основе которой принимает решения. Ниже приведены отдельные части системы и роль, которую они играют в сборе данных для беспилотных автомобилей.

Датчики

Датчики отслеживают положение вашего автомобиля и степень его близости к другим транспортным средствам, пешеходам и объектам на дороге. Два датчика, используемые в автономных транспортных средствах, — это обнаружение и определение дальности светового изображения (датчик LIDAR) и радиообнаружение и определение дальности (датчик RADAR).

Датчик LIDAR измеряет расстояния и идентифицирует компоненты дороги, такие как дорожная разметка и бордюры, путем отражения импульсов лазерного света от окружающей среды автомобиля.

Source: YouTube

Датчик RADAR использует те же принципы, что и датчик LIDAR, за исключением того, что он использует радиоволны. Он содержит передатчик электромагнитных волн, антенну для приема и передачи, процессор, определяющий свойства объектов, и приемник. Когда радиоволны от передатчика отражаются от объекта, они затем возвращаются в приемник, и информация об объекте выводится процессором.

Датчики LIDAR и RADAR имеют свои преимущества и недостатки, поэтому их лучше всего использовать в транспортных средствах, которые наилучшим образом максимизируют их преимущества.

Читайте также: Искусственный интеллект-самоучка положит нам конец

Камеры

Камеры также известны как датчики изображения в автономных транспортных средствах. Они обнаруживают объекты в пределах своей точки обзора, идентифицируют и классифицируют их, а затем определяют расстояние между автомобилем и объектом.

Важность аннотаций данных в проектах автомобильного ИИ

Камеры и датчики могут позволить автомобилю «видеть» свое окружение, но эта визуальная способность будет бесполезна без аннотаций данных.

Аннотация к данным является важной частью проектов автомобильного искусственного интеллекта, поскольку позволяет идентифицировать объекты. После того как визуальная информация интерпретирована, ее можно использовать. Без надлежащего аннотирования данных ИИ, используемый в автомобиле, будет подвержен авариям и небезопасен в использовании. Чем выше качество аннотации, тем выше точность ИИ и тем меньше вероятность сбоя.

Как алгоритмы автомобильного искусственного интеллекта используются для беспилотных автомобилей

Алгоритмы автомобильного искусственного интеллекта используются для беспилотных автомобилей с использованием наборов реальных данных для их обучения. Это обучение помогает им развить способность принимать решения на основе того, что они наблюдали и чему научились.

Контролируемое и неконтролируемое обучение

Алгоритмы автомобильного ИИ могут обучаться посредством контролируемого или неконтролируемого обучения.

• Обучение под наблюдением – интерпретация данных на основе обучения тому, как расшифровывать данные.
• Обучение без присмотра. ИИ предоставлен самому себе для обработки полученных данных без каких-либо инструкций или указаний о том, как это сделать.

Поскольку классификация данных требуется в беспилотных автомобилях, обучение с учителем является предпочтительным методом машинного обучения для автономных автомобилей.

Алгоритмы машинного обучения, используемые беспилотными автомобилями

Многие алгоритмы машинного обучения могут использоваться в беспилотных автомобилях, и все они могут быть отнесены к одной или нескольким из следующих категорий:

1. Алгоритмы регрессии. Хорошо прогнозируют события, оценивая взаимосвязь между двумя или более переменными и сравнивая их влияние в разных масштабах.
2. Алгоритмы матрицы решений — анализируют, идентифицируют и оценивают эффективность взаимосвязей между наборами значений.
3. Алгоритмы распознавания образов. Они также известны как алгоритмы классификации. Они распознают закономерности между наборами данных и классифицируют их.
4. Кластерные алгоритмы. Обнаружение структуры по точкам данных в тех случаях, когда полученное изображение нелегко обнаружить или не было классифицировано алгоритмом распознавания образов.

Среди тысяч алгоритмов, доступных в каждой из этих категорий, есть пять, которые демонстрируют наибольший потенциал для беспилотных автомобилей.

Source: YouTube

SIFT (масштабно-инвариантное преобразование признаков) для извлечения признаков

Этот алгоритм представляет собой алгоритм обнаружения признаков, используемый для обнаружения, описания и сопоставления ключевых точек в частично видимом изображении/объекте. Эти ключевые точки затем используются для идентификации рассматриваемого изображения/объекта.

AdaBoost для классификации данных

Алгоритм AdaBoost используется и как алгоритм регрессии, и как алгоритм классификации, но основное внимание в этом контексте будет уделяться AdaBoost как алгоритму классификации. При использовании для классификации данных он собирает и классифицирует данные для поддержки процесса обучения искусственного интеллекта автомобиля. AdaBoost улучшает способность ИИ принимать решения, группируя малоэффективные данные классификатора для получения высокопроизводительных данных.

Читайте также: ИИ для выбора акций

TextonBoost для распознавания объектов

Алгоритм TextonBoost по производительности аналогичен алгоритму AdaBoost в том смысле, что он объединяет низкопроизводительные классификаторы в один высокопроизводительный классификатор. Основное различие между TextonBoost и AdaBoost заключается в том, что первый может интерпретировать данные, связанные с внешним видом, контекстом и формой. Объединив эти три классификатора, алгоритм TextonBoost может более точно распознавать изображения и объекты.

Source: YouTube

Гистограмма ориентированных градиентов (HOG)

HOG — это дескриптор объекта, аналогичный алгоритму преобразования масштабно-инвариантных объектов, поскольку он используется для обнаружения объектов. Он анализирует местоположение изображения/объекта, чтобы определить, как оно движется. Затем он разбивает их на ячейки и вычисляет из каждой ячейки гистограмму ориентированных градиентов, нормализует результат и возвращает дескриптор для каждой ячейки.

Несмотря на то, что HOG не совсем считается алгоритмом машинного обучения, поскольку он не связан с конкретным алгоритмом, он по-прежнему очень полезен в машинном обучении.

Читайте также: 10 лучших книг по искусственному интеллекту для начинающих

ЙОЛО (Ты смотришь только один раз)

YOLO — это алгоритм машинного обучения, основанный на алгоритме регрессии, используемый для идентификации и группировки объектов. Алгоритм YOLO обнаруживает объекты в поле зрения ИИ и распределяет их по группам. Затем он назначает конкретные функции каждому набору сгруппированных объектов, что облегчает ИИ их распознавание.

Другие алгоритмы машинного обучения, которые можно использовать

Существует множество других алгоритмов машинного обучения, используемых в беспилотных автомобилях, таких как K-средние, анализ главных компонентов, машины опорных векторов и другие. Независимо от того, какие из них используются, алгоритмы машинного обучения воплощают в жизнь автономные автомобили. Без внедрения этих алгоритмов автомобили с искусственным интеллектом никогда бы не появились.

Читайте также: Понимание машинного обучения: от теории к алгоритмам

Последние мысли

Общественность внимательно наблюдает за дальнейшими достижениями в области полностью автономных транспортных средств. Учитывая прогресс, достигнутый искусственным интеллектом за последнее десятилетие, то, что автомобили смогут безопасно передвигаться по улицам по всему миру, является лишь вопросом времени.