Guida autonoma basata sui dati: l'intelligenza artificiale necessita di diversi set di dati di formazione per garantire sicurezza e robustezza

Le soluzioni avanzate di dati di addestramento dell'intelligenza artificiale stanno plasmando il panorama della guida autonoma.

Secondo un recente rapporto di mercato , si prevede che il mercato globale dei veicoli autonomi crescerà da 1.921,1 miliardi di USD nel 2023 a 13.632,4 miliardi di USD entro il 2030. Questa rapida crescita sottolinea la crescente importanza di dati di formazione di alta qualità, apprendimento iterativo e sistemi di sensori robusti per soddisfare le esigenze di questo settore trasformativo. Approfondiamo i componenti critici che rendono i veicoli a guida autonoma più sicuri ed efficienti: dalla necessità di set di dati diversificati per superare le sfide ambientali alle complessità dell'integrazione di dati multisensore.

Perché la diversità dei dati è importante

Le soluzioni di dati di formazione AI guideranno l'evoluzione della guida autonoma fornendo set di dati diversificati e di alta qualità necessari per gestire scenari complessi del mondo reale. I dati dei casi limite e l'integrazione multi-sensore miglioreranno la sicurezza e l'affidabilità, consentendo ai veicoli autonomi di navigare in condizioni rare e difficili. Inoltre, man mano che i design delle auto e i fattori ambientali, come la moda e l'aspetto dei pedoni, si evolvono, i sistemi autonomi devono adattare continuamente la loro visione computerizzata tramite l'apprendimento automatico. La formazione specifica per la localizzazione garantirà che i veicoli si adattino alle differenze regionali, dalle leggi sul traffico alle condizioni ambientali. L'annotazione continua dei dati e gli aggiornamenti in tempo reale consentiranno ai sistemi di guida autonoma di apprendere in modo dinamico, migliorando e accelerando la loro distribuzione nel tempo.

Navigazione del percorso critico e come dipende dal livello di ADAS

Più alto è il livello di sistemi autonomi, più accurati e diversificati sono i dati richiesti per il modello. Tuttavia, questo dipende molto dai cambiamenti nell'ambiente.

Nel settore automobilistico questo è chiamato il "Percorso Critico", dove raggiungere i "nove" (livelli di accuratezza come il 99,9% o il 99,9999%) diventa un obiettivo critico.

Tuttavia, raggiungere tali livelli di accuratezza sta diventando sempre più difficile a causa dell'ambiente in continua evoluzione. I design delle auto si evolvono, rendendo necessari aggiornamenti costanti ai modelli di apprendimento automatico per garantire che possano riconoscere con precisione nuove forme. Anche le strade, la segnaletica, i semafori e persino dettagli apparentemente minori, come un cambiamento nel tipo di alberi lungo una strada, si trasformano. Questi cambiamenti richiedono continui aggiustamenti agli algoritmi.

In sostanza, non esiste un set di dati fisso o statico. La costante evoluzione dell'ambiente rende l'annotazione un processo essenziale e continuo. Sono necessari nuovi dati per addestrare i modelli ad adattarsi ai cambiamenti nel mondo che li circonda. Inoltre, i progressi nei materiali, nelle tecnologie e negli algoritmi richiedono un continuo adattamento del sistema per migliorare sia l'accuratezza che le prestazioni.

Oltre a questo, ci sono molti altri fattori che vanno oltre la percezione, come chi è ritenuto responsabile degli incidenti, le normative locali e il comportamento dell'algoritmo in situazioni critiche, tutti fattori che contribuiscono ad aumentare la complessità del raggiungimento di livelli più elevati di autonomia.

Di conseguenza, ciò che oggi è considerato Livello 5 potrebbe essere riclassificato come Livello 3 domani a causa di standard obsoleti. L'intero settore sta attualmente affrontando una sfida significativa: i problemi non possono essere risolti rapidamente. Affrontare questi problemi richiede risorse e tempo sostanziali. Le aziende che un tempo credevano che fossero sufficienti sforzi minimi per mantenere i loro modelli, ora si stanno rendendo conto di quanto rapidamente le tecnologie e i requisiti evolvano. Di conseguenza, devono allocare molte più risorse per rimanere competitive e garantire la qualità delle loro soluzioni.

Il ruolo dei fattori ambientali nell'elaborazione dei dati

Alcuni fattori ambientali richiedono una maggiore elaborazione dei dati. La quantità dipende dalla complessità dell'ambiente. Ad esempio:

• Pioggia, nebbia, neve o ghiaccio possono ridurre la precisione e la visibilità del sensore, richiedendo un'elaborazione dati aggiuntiva per interpretare correttamente l'ambiente. I sensori basati su Lidar e telecamere possono affrontare sfide in queste condizioni, richiedendo dati a frequenza più elevata per compensare gli errori del sensore o per combinare input da più tipi di sensori (fusione di sensori).
• Guidare di notte o all'alba/tramonto mette alla prova la visione artificiale e i sistemi basati su telecamere. Il sistema potrebbe aver bisogno di più dati dai sensori a infrarossi o utilizzare algoritmi per elaborare le immagini in modo diverso, richiedendo più potenza di elaborazione e dati.
• In ambienti complessi, come le aree urbane con traffico intenso, frequenti cambi di corsia e segnaletica stradale non standard, sono necessari più dati per tracciare veicoli, pedoni e altri oggetti dinamici.
• Il traffico ad alta densità o gli ambienti con molti ostacoli, come parcheggi o cantieri edili, comportano in genere più interazioni con gli oggetti, il che significa più input di dati da radar, lidar, telecamere e altri sensori.

L'integrazione di set di dati diversi e di alta qualità aiuta ad addestrare modelli che bilanciano i punti di forza e di debolezza di ogni sensore, rendendo i sistemi autonomi più affidabili. Questo approccio completo migliora il riconoscimento degli oggetti, riduce i falsi positivi e ottimizza l'elaborazione dei dati, portando infine a sistemi di guida autonomi più sicuri ed efficienti.

La quantità esatta di dati aggiuntivi richiesti varia in base alla tecnologia dei sensori e alla complessità degli algoritmi utilizzati.

Macchina per scrivere chiavi supporta metodi di apprendimento iterativo, in cui il modello migliora progressivamente attraverso molteplici cicli di elaborazione dei dati e feedback. In questo approccio, man mano che vengono raccolti dati più diversificati e di qualità più elevata nel tempo, il modello affina le sue previsioni e ottimizza le prestazioni. Ogni iterazione offre un'opportunità per perfezionare e migliorare la comprensione del modello, assicurando che si adatti a casi d'uso specifici, tra cui applicazioni complesse come le soluzioni in cabina. Questo processo iterativo è essenziale per gestire set di dati variabili e soddisfare continuamente le aspettative in continua evoluzione dei nostri clienti.

Le sfide della gestione dei dati in tempo reale

Sebbene sia vero che i veicoli non gestiscono tutti i dati di training in tempo reale, poiché la raccolta dati e il training del modello sono attività asincrone eseguite durante lo sviluppo, ci sono ancora sfide significative nell'elaborazione e nella gestione dei dati durante il funzionamento. La sfida principale in tempo reale è l'elaborazione di grandi quantità di dati dei sensori (da LiDAR, telecamere, radar, ecc.) in modo rapido e accurato per prendere decisioni di guida immediate. Ciò richiede algoritmi altamente efficienti e potenti risorse di elaborazione di bordo per ridurre al minimo la latenza e garantire la sicurezza.

Un'altra sfida è la necessità del sistema AI del veicolo di generalizzare dal suo addestramento a situazioni nuove e inedite senza fare affidamento sulla gestione continua dei dati. Garantire che i modelli pre-addestrati possano gestire un'ampia gamma di scenari del mondo reale è fondamentale. Inoltre, gli aggiornamenti ai modelli AI devono essere gestiti con attenzione; l'implementazione di nuovi dati e modelli di addestramento sui veicoli deve essere eseguita in modo sicuro ed efficiente, spesso richiedendo aggiornamenti over-the-air che preservino l'integrità del sistema. Nel complesso, la maggior parte della gestione dei dati avviene offline.

La soluzione è migliorare le prestazioni del modello di visione artificiale, dell'hardware e degli algoritmi di sincronizzazione.

Macchina per scrivere chiavi il team ha collaborato con uno sviluppatore di software AV leader per affrontare le sfide del miglioramento della sicurezza e dell'affidabilità in complessi ambienti reali. La collaborazione si è concentrata sull'annotazione di dati di casi limite, come movimenti pedonali imprevedibili, bruschi cambi di corsia da parte dei veicoli e navigazione in condizioni meteorologiche estreme come nebbia, neve e forti piogge. Il team ha sincronizzato i dati multisensore da telecamere, LiDAR e radar. Ha fornito un'etichettatura completa e precisa su tutti gli input. Integrando questo set di dati annotato di alta qualità, lo sviluppatore AV ha ottenuto una riduzione del 18% negli errori di rilevamento degli oggetti, un miglioramento del 12% nei tempi di reazione a improvvisi cambiamenti ambientali e un aumento del 20% nell'affidabilità della navigazione, in particolare in complessi scenari urbani e meteorologici avversi.