Αυτόνομη οδήγηση βάσει δεδομένων: Η τεχνητή νοημοσύνη χρειάζεται διαφορετικά σύνολα δεδομένων εκπαίδευσης για να διασφαλίσει ασφάλεια και ευρωστία

Οι προηγμένες λύσεις δεδομένων εκπαίδευσης AI διαμορφώνουν το τοπίο της αυτόνομης οδήγησης.

Σύμφωνα με πρόσφατο έκθεση αγοράς , η παγκόσμια αγορά αυτόνομων οχημάτων αναμένεται να αυξηθεί από 1.921,1 δισεκατομμύρια USD το 2023 σε 13.632,4 δισεκατομμύρια δολάρια έως το 2030. Αυτή η ταχεία ανάπτυξη υπογραμμίζει την αυξανόμενη σημασία των δεδομένων εκπαίδευσης υψηλής ποιότητας, της επαναληπτικής μάθησης και των ισχυρών συστημάτων αισθητήρων για την κάλυψη των απαιτήσεων αυτού μετασχηματιστική βιομηχανία. Ας εμβαθύνουμε στα κρίσιμα στοιχεία που κάνουν τα αυτόνομα οχήματα ασφαλέστερα και πιο αποτελεσματικά: από την αναγκαιότητα διαφορετικών συνόλων δεδομένων για την αντιμετώπιση των περιβαλλοντικών προκλήσεων έως την πολυπλοκότητα της ενσωμάτωσης δεδομένων πολλαπλών αισθητήρων.

Γιατί η ποικιλομορφία δεδομένων είναι σημαντική

Οι λύσεις δεδομένων εκπαίδευσης τεχνητής νοημοσύνης θα οδηγήσουν στην εξέλιξη της αυτόνομης οδήγησης παρέχοντας ποικίλα, υψηλής ποιότητας σύνολα δεδομένων που είναι απαραίτητα για τον χειρισμό πολύπλοκων πραγματικών σεναρίων. Τα δεδομένα Edge case και η ενσωμάτωση πολλών αισθητήρων θα ενισχύσουν την ασφάλεια και την αξιοπιστία, επιτρέποντας στα AV να πλοηγούνται σε σπάνιες και δύσκολες συνθήκες. Επιπλέον, καθώς τα σχέδια των αυτοκινήτων και οι περιβαλλοντικοί παράγοντες, όπως η μόδα και η εμφάνιση των πεζών, εξελίσσονται, τα αυτόνομα συστήματα πρέπει να προσαρμόζουν συνεχώς την όρασή τους στον υπολογιστή μέσω της μηχανικής μάθησης. Η ειδική εκπαίδευση για την τοπική προσαρμογή θα διασφαλίσει ότι τα οχήματα προσαρμόζονται στις περιφερειακές διαφορές, από τους νόμους οδικής κυκλοφορίας έως τις περιβαλλοντικές συνθήκες. Ο συνεχής σχολιασμός δεδομένων και οι ενημερώσεις σε πραγματικό χρόνο θα επιτρέψουν στα συστήματα αυτόνομης οδήγησης να μαθαίνουν δυναμικά, βελτιώνοντας και επιταχύνοντας την ανάπτυξή τους με την πάροδο του χρόνου.

Πλοήγηση στην κρίσιμη διαδρομή και πώς εξαρτάται από το επίπεδο του ADAS

Όσο υψηλότερο είναι το επίπεδο των αυτόνομων συστημάτων, τόσο πιο ακριβή και διαφορετικά είναι τα δεδομένα που απαιτούνται για το μοντέλο. Ωστόσο, αυτό εξαρτάται σε μεγάλο βαθμό από τις αλλαγές στο περιβάλλον.

Αυτό ονομάζεται κρίσιμο μονοπάτι στην αυτοκινητοβιομηχανία, όπου η επίτευξη των «εννιά» (επίπεδα ακρίβειας όπως 99,9% ή 99,9999%) γίνεται κρίσιμος στόχος.

Ωστόσο, η επίτευξη τέτοιων επιπέδων ακρίβειας γίνεται όλο και πιο δύσκολη λόγω του συνεχώς μεταβαλλόμενου περιβάλλοντος. Τα σχέδια αυτοκινήτων εξελίσσονται, απαιτώντας συνεχείς ενημερώσεις στα μοντέλα μηχανικής εκμάθησης για να διασφαλιστεί ότι μπορούν να αναγνωρίσουν με ακρίβεια νέα σχήματα. Δρόμοι, σημάνσεις, φανάρια, ακόμη και φαινομενικά μικρές λεπτομέρειες, όπως μια αλλαγή στο είδος των δέντρων κατά μήκος ενός δρόμου, επίσης μεταμορφώνονται. Αυτές οι αλλαγές απαιτούν συνεχείς προσαρμογές στους αλγόριθμους.

Στην ουσία, δεν υπάρχει σταθερό ή στατικό σύνολο δεδομένων. Η συνεχής εξέλιξη του περιβάλλοντος καθιστά τον σχολιασμό μια ουσιαστική και συνεχή διαδικασία. Απαιτούνται νέα δεδομένα για την εκπαίδευση των μοντέλων ώστε να προσαρμόζονται στις αλλαγές στον κόσμο γύρω τους. Επιπλέον, οι εξελίξεις στα υλικά, τις τεχνολογίες και τους αλγόριθμους απαιτούν συνεχή προσαρμογή του συστήματος για βελτίωση τόσο της ακρίβειας όσο και της απόδοσης.

Εκτός από αυτό, υπάρχουν πολλοί άλλοι παράγοντες πέρα από την αντίληψη, όπως ποιος είναι υπεύθυνος και υπεύθυνος για ατυχήματα, τοπικούς κανονισμούς και συμπεριφορά αλγορίθμου σε κρίσιμες καταστάσεις, τα οποία προσθέτουν στην πολυπλοκότητα της επίτευξης υψηλότερων επιπέδων αυτονομίας.

Ως αποτέλεσμα, αυτό που θεωρείται Επίπεδο 5 σήμερα θα μπορούσε να επαναταξινομηθεί ως Επίπεδο 3 αύριο λόγω ξεπερασμένων προτύπων. Ολόκληρος ο κλάδος αντιμετωπίζει σήμερα μια σημαντική πρόκληση: τα προβλήματα δεν μπορούν να επιλυθούν γρήγορα. Η αντιμετώπιση αυτών των ζητημάτων απαιτεί σημαντικούς πόρους και χρόνο. Οι εταιρείες που κάποτε πίστευαν ότι οι ελάχιστες προσπάθειες θα αρκούσαν για να διατηρήσουν τα μοντέλα τους, τώρα συνειδητοποιούν πόσο γρήγορα εξελίσσονται οι τεχνολογίες και οι απαιτήσεις. Κατά συνέπεια, πρέπει να διαθέσουν πολύ περισσότερους πόρους για να παραμείνουν ανταγωνιστικοί και να διασφαλίσουν την ποιότητα των λύσεών τους.

Ο Ρόλος των Περιβαλλοντικών Παραγόντων στην Επεξεργασία Δεδομένων

Ορισμένοι περιβαλλοντικοί παράγοντες απαιτούν περισσότερη επεξεργασία δεδομένων. Το ποσό εξαρτάται από την πολυπλοκότητα του περιβάλλοντος. Για παράδειγμα:

• Η βροχή, η ομίχλη, το χιόνι ή ο πάγος μπορούν να μειώσουν την ακρίβεια και την ορατότητα του αισθητήρα, απαιτώντας πρόσθετη επεξεργασία δεδομένων για τη σωστή ερμηνεία του περιβάλλοντος. Οι αισθητήρες Lidar και που βασίζονται σε κάμερα ενδέχεται να αντιμετωπίσουν προκλήσεις σε αυτές τις συνθήκες, απαιτώντας δεδομένα υψηλότερης συχνότητας για την αντιστάθμιση σφαλμάτων αισθητήρων ή για το συνδυασμό εισόδων από πολλούς τύπους αισθητήρων (σύντηξη αισθητήρων).
• Η οδήγηση τη νύχτα ή την αυγή/σούρουπο προκαλεί την όραση υπολογιστή και τα συστήματα που βασίζονται σε κάμερα. Το σύστημα μπορεί να χρειάζεται περισσότερα δεδομένα από αισθητήρες υπερύθρων ή να χρησιμοποιεί αλγόριθμους για την επεξεργασία εικόνων με διαφορετικό τρόπο, απαιτώντας περισσότερη ισχύ επεξεργασίας και δεδομένα.
• Σε πολύπλοκα περιβάλλοντα, όπως αστικές περιοχές με πυκνή κυκλοφορία, συχνές αλλαγές λωρίδων και μη τυπικές οδικές σημάνσεις, χρειάζονται περισσότερα δεδομένα για την παρακολούθηση οχημάτων, πεζών και άλλων δυναμικών αντικειμένων.
• Κυκλοφορία υψηλής πυκνότητας ή περιβάλλοντα με πολλά εμπόδια, όπως χώροι στάθμευσης ή ζώνες κατασκευής, συνήθως περιλαμβάνουν περισσότερες αλληλεπιδράσεις με αντικείμενα, δηλαδή περισσότερες εισαγωγές δεδομένων από ραντάρ, lidar, κάμερες και άλλους αισθητήρες.

Η ενσωμάτωση διαφορετικών και υψηλής ποιότητας συνόλων δεδομένων βοηθά στην εκπαίδευση μοντέλων που εξισορροπούν τα δυνατά και τα αδύνατα σημεία κάθε αισθητήρα, καθιστώντας τα αυτόνομα συστήματα πιο αξιόπιστα. Αυτή η ολοκληρωμένη προσέγγιση ενισχύει την αναγνώριση αντικειμένων, μειώνει τα ψευδώς θετικά στοιχεία και βελτιστοποιεί την επεξεργασία δεδομένων, οδηγώντας τελικά σε ασφαλέστερα και αποτελεσματικότερα συστήματα αυτόνομης οδήγησης.

Ο ακριβής όγκος των πρόσθετων δεδομένων που απαιτούνται ποικίλλει ανάλογα με την τεχνολογία αισθητήρων και την πολυπλοκότητα των αλγορίθμων που χρησιμοποιούνται.

Keymakr υποστηρίζει επαναληπτικές μεθόδους μάθησης, όπου το μοντέλο βελτιώνεται προοδευτικά μέσω πολλαπλών κύκλων επεξεργασίας δεδομένων και ανατροφοδότησης. Σε αυτήν την προσέγγιση, καθώς συλλέγονται πιο διαφορετικά και υψηλότερης ποιότητας δεδομένα με την πάροδο του χρόνου, το μοντέλο βελτιώνει τις προβλέψεις του και βελτιστοποιεί την απόδοση. Κάθε επανάληψη παρέχει την ευκαιρία να τελειοποιήσετε και να βελτιώσετε την κατανόηση του μοντέλου, διασφαλίζοντας ότι προσαρμόζεται σε συγκεκριμένες περιπτώσεις χρήσης, συμπεριλαμβανομένων πολύπλοκων εφαρμογών, όπως οι λύσεις στην καμπίνα. Αυτή η επαναληπτική διαδικασία είναι απαραίτητη για το χειρισμό διαφορετικών συνόλων δεδομένων και τη συνεχή ικανοποίηση των εξελισσόμενων προσδοκιών των πελατών μας.

Οι προκλήσεις της διαχείρισης δεδομένων σε πραγματικό χρόνο

Αν και είναι αλήθεια ότι τα οχήματα δεν διαχειρίζονται όλα τα δεδομένα εκπαίδευσης σε πραγματικό χρόνο - καθώς η συλλογή δεδομένων και η εκπαίδευση μοντέλων είναι ασύγχρονες εργασίες που εκτελούνται κατά την ανάπτυξη - εξακολουθούν να υπάρχουν σημαντικές προκλήσεις στην επεξεργασία και τη διαχείριση δεδομένων κατά τη λειτουργία. Η κύρια πρόκληση σε πραγματικό χρόνο είναι η επεξεργασία τεράστιων ποσοτήτων δεδομένων αισθητήρων (από LiDAR, κάμερες, ραντάρ κ.λπ.) γρήγορα και με ακρίβεια για τη λήψη άμεσων οδηγικών αποφάσεων. Αυτό απαιτεί αλγόριθμους υψηλής απόδοσης και ισχυρούς ενσωματωμένους υπολογιστικούς πόρους για την ελαχιστοποίηση του λανθάνοντος χρόνου και τη διασφάλιση της ασφάλειας.

Μια άλλη πρόκληση είναι η ανάγκη για το σύστημα AI του οχήματος να γενικευτεί από την εκπαίδευσή του σε νέες, αόρατες καταστάσεις χωρίς να βασίζεται στη συνεχή διαχείριση δεδομένων. Η διασφάλιση ότι τα προεκπαιδευμένα μοντέλα μπορούν να χειριστούν ένα ευρύ φάσμα πραγματικών σεναρίων είναι κρίσιμης σημασίας. Επιπλέον, η διαχείριση των ενημερώσεων στα μοντέλα τεχνητής νοημοσύνης πρέπει να γίνεται προσεκτικά. Η ανάπτυξη νέων δεδομένων εκπαίδευσης και μοντέλων στα οχήματα πρέπει να γίνεται με ασφάλεια και αποτελεσματικότητα, συχνά απαιτώντας υπερ-αέρα ενημερώσεις που διαφυλάσσουν την ακεραιότητα του συστήματος. Συνολικά, το μεγαλύτερο μέρος της διαχείρισης δεδομένων πραγματοποιείται εκτός σύνδεσης.

Η λύση είναι να βελτιωθεί η απόδοση του μοντέλου υπολογιστικής όρασης, του υλικού και των αλγορίθμων συγχρονισμού.

Keymakr Η ομάδα συνεργάστηκε με έναν κορυφαίο προγραμματιστή λογισμικού AV για να αντιμετωπίσει τις προκλήσεις της βελτίωσης της ασφάλειας και της αξιοπιστίας σε πολύπλοκα περιβάλλοντα πραγματικού κόσμου. Η συνεργασία επικεντρώθηκε σε σχολιασμούς δεδομένων περιπτώσεων, όπως απρόβλεπτες κινήσεις πεζών, απότομες αλλαγές λωρίδας από οχήματα και πλοήγηση σε ακραίες καιρικές συνθήκες όπως ομίχλη, χιόνι και δυνατή βροχή. Η ομάδα συγχρονίζει δεδομένα πολλαπλών αισθητήρων από κάμερες, LiDAR και ραντάρ. Παρείχε ολοκληρωμένη και ακριβή σήμανση σε όλες τις εισροές. Ενσωματώνοντας αυτό το υψηλής ποιότητας σχολιασμένο σύνολο δεδομένων, ο προγραμματιστής AV πέτυχε 18% μείωση στα σφάλματα ανίχνευσης αντικειμένων, 12% βελτίωση στους χρόνους αντίδρασης σε ξαφνικές περιβαλλοντικές αλλαγές και 20% αύξηση στην αξιοπιστία πλοήγησης, ιδιαίτερα σε πολύπλοκες αστικές και αντίξοες καιρικές συνθήκες σενάρια.