נהיגה אוטונומית מונעת נתונים: בינה מלאכותית זקוקה למערכי נתונים מגוונים להדרכה כדי להבטיח אבטחה ויציבות

פתרונות נתונים מתקדמים לאימון בינה מלאכותית מעצבים את נוף הנהיגה האוטונומית.

על פי הודעה לאחרונה דוח שוק , שוק הרכב האוטונומי העולמי צפוי לגדול מ-1,921.1 מיליארד דולר בשנת 2023 ל-13,632.4 מיליארד דולר עד 2030. צמיחה מהירה זו מדגישה את החשיבות הגוברת של נתוני אימון איכותיים, למידה איטרטיבית ומערכות חיישנים חזקות כדי לעמוד בדרישות זה תעשייה טרנספורמטיבית. בואו נתעמק במרכיבים הקריטיים שהופכים רכבים בנהיגה עצמית לבטוחים ויעילים יותר: מהצורך של מערכי נתונים מגוונים להתגבר על אתגרים סביבתיים ועד למורכבות של שילוב נתונים מרובי חיישנים.

מדוע גיוון נתונים חשוב

פתרונות נתונים לאימון בינה מלאכותית יניעו את האבולוציה של הנהיגה האוטונומית על ידי אספקת מערכי נתונים מגוונים ואיכותיים הנחוצים לטיפול בתרחישים מורכבים בעולם האמיתי. נתוני מארז קצה ושילוב מרובה חיישנים ישפרו את הבטיחות והאמינות, ויאפשרו למכשירי AV לנווט בתנאים נדירים ומאתגרים. בנוסף, ככל שתכנוני מכוניות וגורמים סביבתיים, כמו אופנה ומראה של הולכי רגל, מתפתחים, מערכות אוטונומיות חייבות להתאים באופן רציף את הראייה הממוחשבת שלהן באמצעות למידת מכונה. הכשרה ספציפית לוקליזציה תבטיח כלי רכב להסתגל להבדלים אזוריים, מחוקי התנועה ועד לתנאי הסביבה. הערת נתונים מתמשכת ועדכונים בזמן אמת יאפשרו למערכות נהיגה עצמית ללמוד באופן דינמי, לשפר ולהאיץ את הפריסה שלהן לאורך זמן.

ניווט בנתיב הקריטי וכיצד זה תלוי ברמת ה-ADAS

ככל שרמת המערכות האוטונומיות גבוהה יותר, כך הנתונים הנדרשים למודל מדויקים ומגוונים יותר. עם זאת, זה תלוי מאוד בשינויים בסביבה.

זה נקרא הנתיב הקריטי בתעשיית הרכב, שם השגת ה"תשע" (רמות דיוק כמו 99.9% או 99.9999%) הופכת ליעד קריטי.

עם זאת, הגעה לרמות דיוק כאלה הופכת למאתגרת יותר ויותר בשל הסביבה המשתנה ללא הרף. עיצובי רכב מתפתחים, ומצריכים עדכונים מתמידים במודלים של למידת מכונה כדי להבטיח שהם יכולים לזהות במדויק צורות חדשות. גם כבישים, סימונים, רמזורים ואפילו פרטים מינוריים לכאורה, כמו שינוי בסוג העצים לאורך הכביש, משתנים. שינויים אלו דורשים התאמות מתמשכות של האלגוריתמים.

למעשה, אין מערך נתונים קבוע או סטטי. ההתפתחות המתמדת של הסביבה הופכת את ההערה לתהליך חיוני ומתמשך. יש צורך בנתונים חדשים כדי להכשיר מודלים להסתגל לשינויים בעולם הסובב אותם. יתרה מכך, התקדמות בחומרים, טכנולוגיות ואלגוריתמים דורשות התאמה מתמשכת של המערכת כדי לשפר את הדיוק והביצועים כאחד.

מלבד זאת, ישנם גורמים רבים נוספים מעבר לתפיסה, כגון מי אחראי ואחראי לתאונות, תקנות מקומיות והתנהגות אלגוריתמים במצבים קריטיים, כל אלו מוסיפים למורכבות של השגת רמות גבוהות יותר של אוטונומיה.

כתוצאה מכך, מה שנחשב לרמה 5 היום עשוי להיות מסווג מחדש לרמה 3 מחר בשל תקנים מיושנים. התעשייה כולה עומדת כיום בפני אתגר משמעותי: אי אפשר לפתור בעיות במהירות. טיפול בנושאים אלו דורש משאבים וזמן משמעותיים. חברות שפעם האמינו שמאמצים מינימליים יספיקו כדי לשמור על הדגמים שלהן מבינות כעת באיזו מהירות הטכנולוגיות והדרישות מתפתחות. כתוצאה מכך, עליהם להקצות הרבה יותר משאבים כדי להישאר תחרותיים ולהבטיח את איכות הפתרונות שלהם.

תפקידם של גורמים סביבתיים בעיבוד נתונים

גורמים סביבתיים מסוימים דורשים יותר עיבוד נתונים. הכמות תלויה במורכבות הסביבה. לְדוּגמָה:

• גשם, ערפל, שלג או קרח יכולים להפחית את דיוק החיישן ואת הנראות, מה שמצריך עיבוד נתונים נוסף כדי לפרש את הסביבה בצורה נכונה. חיישנים מבוססי-Lidar וחיישנים עשויים להתמודד עם אתגרים בתנאים אלה, המחייבים נתונים בתדר גבוה יותר כדי לפצות על שגיאות חיישנים או לשלב קלט ממספר סוגי חיישנים (היתוך חיישנים).
• נהיגה בלילה או בשעת שחר/ בין ערביים מאתגרת את הראייה הממוחשבת ומערכות מבוססות מצלמה. המערכת עשויה להזדקק ליותר נתונים מחיישני אינפרא אדום או להשתמש באלגוריתמים כדי לעבד תמונות בצורה שונה, הדורשת יותר כוח עיבוד ונתונים.
• בסביבות מורכבות, כמו אזורים עירוניים עם עומסי תנועה צפופים, החלפת נתיב תכופים וסימון כבישים לא סטנדרטיים, יש צורך במידע נוסף כדי לעקוב אחר כלי רכב, הולכי רגל ואובייקטים דינמיים אחרים.
• תנועה בצפיפות גבוהה או סביבות עם מכשולים רבים, כמו מגרשי חניה או אזורי בנייה כרוכים בדרך כלל יותר אינטראקציות עם עצמים, כלומר יותר כניסות נתונים ממכ"ם, לידאר, מצלמות וחיישנים אחרים.

שילוב מערכי נתונים מגוונים ואיכותיים עוזר להכשיר מודלים שמאזנים את החוזקות והחולשות של כל חיישן, מה שהופך את המערכות האוטונומיות לאמינות יותר. גישה מקיפה זו משפרת את זיהוי האובייקטים, מפחיתה תוצאות חיוביות כוזבות ומייעלת את עיבוד הנתונים, מה שמוביל בסופו של דבר למערכות נהיגה אוטונומיות בטוחות ויעילות יותר.

הכמות המדויקת של נתונים נוספים הנדרשים משתנה בהתאם לטכנולוגיית החיישנים והתחכום של האלגוריתמים שבהם נעשה שימוש.

Keymakr תומך בשיטות למידה איטרטיביות, שבהן המודל משתפר בהדרגה באמצעות מחזורים מרובים של עיבוד נתונים ומשוב. בגישה זו, ככל שנאספים נתונים מגוונים ואיכותיים יותר לאורך זמן, המודל מחדד את התחזיות שלו ומייעל את הביצועים. כל איטרציה מספקת הזדמנות לכוונן ולשפר את הבנת המודל, תוך הבטחה שהוא מתאים למקרי שימוש ספציפיים, כולל יישומים מורכבים כמו פתרונות בתא הנוסעים. תהליך איטרטיבי זה חיוני לטיפול במערכי נתונים משתנים ועמידה מתמשכת בציפיות המתפתחות של הלקוחות שלנו.

האתגרים של ניהול נתונים בזמן אמת

אמנם זה נכון שכלי רכב אינם מנהלים את כל נתוני האימון בזמן אמת - שכן איסוף נתונים והכשרת מודלים הם משימות אסינכרוניות המבוצעות במהלך הפיתוח - אך עדיין ישנם אתגרים משמעותיים בעיבוד וניהול נתונים במהלך הפעולה. האתגר העיקרי בזמן אמת הוא עיבוד כמויות אדירות של נתוני חיישנים (מ-LiDAR, מצלמות, מכ"ם וכו') במהירות ובדייקנות כדי לקבל החלטות נהיגה מיידיות. זה דורש אלגוריתמים יעילים ביותר ומשאבי מחשוב מובנים רבי עוצמה כדי למזער את זמן ההשהיה ולהבטיח בטיחות.

אתגר נוסף הוא הצורך של מערכת הבינה המלאכותית של הרכב להכליל מהאימונים שלה למצבים חדשים, בלתי נראים מבלי להסתמך על ניהול נתונים רציף. חשוב להבטיח שהמודלים שהוכשרו מראש יוכלו להתמודד עם מגוון רחב של תרחישים בעולם האמיתי. בנוסף, עדכונים למודלים של AI צריכים להיות מנוהלים בקפידה; פריסת נתוני הכשרה ודגמים חדשים לרכבים חייבת להיעשות בצורה מאובטחת ויעילה, ולעתים קרובות דורשת עדכונים באוויר השומרים על שלמות המערכת. בסך הכל, עיקר ניהול הנתונים מתרחש במצב לא מקוון.

הפתרון הוא שיפור הביצועים של מודל הראייה הממוחשבת, החומרה ואלגוריתמי הסנכרון.

Keymakr הצוות עבד עם מפתח תוכנת AV מוביל כדי להתמודד עם האתגרים של שיפור הבטיחות והאמינות בסביבות מורכבות בעולם האמיתי. שיתוף הפעולה התמקד בביאור נתוני מקרה קצה, כגון תנועות הולכי רגל בלתי צפויות, שינויי נתיב פתאומיים על ידי כלי רכב וניווט בתנאי מזג אוויר קיצוניים כמו ערפל, שלג וגשם כבד. הצוות סינכרן נתונים מרובי חיישנים ממצלמות, LiDAR ומכ"ם. זה נתן תיוג מקיף ומדויק בכל התשומות. על ידי שילוב מערך הערות איכותי זה, מפתח AV השיג הפחתה של 18% בשגיאות זיהוי אובייקטים, שיפור של 12% בזמני התגובה לשינויים סביבתיים פתאומיים, ועלייה של 20% באמינות הניווט, במיוחד במזג אוויר עירוני מורכב ובמזג אוויר שלילי. תרחישים.