Маалыматтарга негизделген автономдуу айдоо: AI коопсуздукту жана бышыктыкты камсыз кылуу үчүн ар түрдүү окутуу маалыматтар топтомуна муктаж

AI окутуунун өркүндөтүлгөн чечимдери автономдуу айдоо пейзажын калыптандырууда.

Акыркы маалыматтар боюнча базар отчету , дүйнөлүк автономдуу унаа рыногу 2023-жылы 1,921,1 миллиард доллардан 2030-жылга чейин 13,632,4 миллиард долларга чейин өсүшү күтүлүүдө. Бул тез өсүү, бул талаптарды канааттандыруу үчүн жогорку сапаттагы окутуу маалыматтарынын, кайталанма окутуунун жана күчтүү сенсордук системалардын маанилүүлүгүн баса белгилейт. трансформациялоочу индустрия. Келгиле, өзүн-өзү айдаган унааларды коопсуз жана натыйжалуураак кылган маанилүү компоненттерди изилдеп көрөлү: экологиялык кыйынчылыктарды жеңүү үчүн ар түрдүү маалымат топтомдорунун зарылдыгынан көп сенсордук маалыматтарды интеграциялоонун татаалдыгына чейин.

Эмне үчүн берилиштердин ар түрдүүлүгү маанилүү

AI окутуу маалымат чечимдери татаал реалдуу сценарийлерди башкаруу үчүн зарыл болгон ар түрдүү, жогорку сапаттагы маалымат топтомдорун камсыз кылуу аркылуу автономдуу айдоо эволюциясына түрткү берет. Edge корпусунун маалыматтары жана көп сенсордук интеграция коопсуздукту жана ишенимдүүлүктү жогорулатып, AV сейрек кездешүүчү жана татаал шарттарды башкарууга мүмкүндүк берет. Кошумчалай кетсек, унаа конструкциялары жана жөө жүрүүчүлөрдүн модасы жана сырткы көрүнүшү сыяктуу экологиялык факторлор өнүгүп жаткандыктан, автономдуу системалар компьютердик көрүнүштү машиналык үйрөнүү аркылуу тынымсыз ыңгайлаштырып турушу керек. Локалдаштыруу боюнча атайын тренинг транспорттордун жол эрежелеринен тартып экологиялык шарттарга чейин аймактык айырмачылыктарга ыңгайлашуусун камсыздайт. Үзгүлтүксүз маалымат аннотациялары жана реалдуу убакытта жаңыртуулар өзүн-өзү айдаган системаларга динамикалык түрдө үйрөнүүгө, убакыттын өтүшү менен алардын жайылышын жакшыртууга жана тездетүүгө мүмкүндүк берет.

Критикалык жолду багыттоо жана ал ADAS деңгээлинен кандай көз каранды

Автономдуу системалардын деңгээли канчалык жогору болсо, моделге талап кылынган маалыматтар ошончолук так жана ар түрдүү болот. Бирок, бул айлана-чөйрөдөгү өзгөрүүлөргө абдан көз каранды.

Бул автомобиль өнөр жайындагы Критикалык жол деп аталат, мында "тогуздуктарга" жетүү (99,9% же 99,9999% сыяктуу тактык деңгээли) маанилүү максат болуп калат.

Бирок, тактыктын мындай деңгээлине жетүү дайыма өзгөрүп турган чөйрөгө байланыштуу барган сайын кыйын болуп баратат. Автоунаанын конструкциялары эволюцияланып, жаңы формаларды так таанып билүү үчүн машина үйрөнүү моделдерин тынымсыз жаңыртып турууну талап кылат. Жолдор, белгилер, светофорлор, атүгүл жол боюндагы дарактардын түрүнүн өзгөрүшү сыяктуу майда көрүнгөн детальдар да өзгөрөт. Бул өзгөртүүлөр алгоритмдерге үзгүлтүксүз оңдоолорду талап кылат.

Негизи, туруктуу же статикалык маалымат топтому жок. Айлана-чөйрөнүн тынымсыз эволюциясы аннотацияны маанилүү жана үзгүлтүксүз процесске айлантат. Моделдерди курчап турган дүйнөдөгү өзгөрүүлөргө ыңгайлашууга үйрөтүү үчүн жаңы маалыматтар керек. Андан тышкары, материалдардагы, технологиялардагы жана алгоритмдердеги жетишкендиктер тактыкты жана натыйжалуулукту жогорулатуу үчүн системанын үзгүлтүксүз адаптациясын талап кылат.

Мындан тышкары, кабылдоодон тышкаркы көптөгөн башка факторлор бар, мисалы, кырсыктар үчүн ким жоопкерчиликтүү жана жооптуу, локалдык эрежелер жана критикалык кырдаалдарда алгоритмдин жүрүм-туруму, мунун баары автономиянын жогорку деңгээлине жетүүнүн татаалдыгын кошот.

Натыйжада, бүгүн 5-деңгээл деп эсептелген нерсе, эскирген стандарттардан улам эртең 3-деңгээл деп кайра классификацияланышы мүмкүн. Учурда бүтүндөй өнөр жай олуттуу кыйынчылыкка туш болууда: көйгөйлөрдү тез арада чечүү мүмкүн эмес. Бул маселелерди чечүү олуттуу ресурстарды жана убакытты талап кылат. Бир кезде өз моделдерин сактап калуу үчүн минималдуу күч-аракет жетиштүү деп ойлогон компаниялар азыр технологиялар жана талаптар канчалык тез өнүгүп жатканын түшүнүп жатышат. Демек, алар атаандаштыкка жөндөмдүү бойдон калуу жана чечимдеринин сапатын камсыз кылуу үчүн алда канча көп ресурстарды бөлүштүрүшү керек.

Маалыматтарды иштетүүдө экологиялык факторлордун ролу

Айрым экологиялык факторлор көбүрөөк маалыматтарды иштетүүнү талап кылат. Суммасы чөйрөнүн татаалдыгына жараша болот. Мисалы:

• Жамгыр, туман, кар же муз сенсордун тактыгын жана көрүнүшүн азайтып, айлана-чөйрөнү туура чечмелөө үчүн кошумча маалыматтарды иштетүүнү талап кылат. Lidar жана камерага негизделген сенсорлор бул шарттарда кыйынчылыктарга туш болушу мүмкүн, алар сенсор каталарынын ордун толтуруу үчүн же бир нече сенсор түрлөрүнөн киргизүүлөрдү бириктирүү үчүн жогорку жыштыктагы маалыматтарды талап кылат (сенсордун синтези).
• Түнкүсүн же таңга маал/күштө айдоо компьютердик көрүү жана камерага негизделген системаларды кыйындатат. Системага инфракызыл сенсорлордон көбүрөөк маалымат керек болушу мүмкүн же сүрөттөрдү башкача иштетүү үчүн алгоритмдерди колдонушу мүмкүн, бул көбүрөөк иштетүү күчүн жана маалыматтарды талап кылат.
• Татаал чөйрөлөрдө, мисалы, жол кыймылы жыш болгон шаар аймактарында, тилкелер тез-тез алмашып турганда жана стандарттуу эмес жол белгилеринде унааларды, жөө жүргүнчүлөрдү жана башка динамикалык объекттерди көзөмөлдөө үчүн көбүрөөк маалымат талап кылынат.
• Жогорку тыгыздыктагы трафик же унаа токтотуучу жайлар же курулуш зоналары сыяктуу көптөгөн тоскоолдуктары бар чөйрөлөр адатта объекттер менен көбүрөөк өз ара аракеттенүүнү камтыйт, бул радардан, лидардан, камералардан жана башка сенсорлордон көбүрөөк маалымат киргизүүнү билдирет.

Ар түрдүү жана жогорку сапаттагы маалымат топтомдорун интеграциялоо ар бир сенсордун күчтүү жана алсыз жактарын тең салмактаган моделдерди даярдоого жардам берип, автономдуу системаларды ишенимдүүрөөк кылат. Бул комплекстүү мамиле объектти таанууну жакшыртат, жалган позитивдерди азайтат жана маалыматтарды иштетүүнү оптималдаштырат, акырында коопсуз жана эффективдүү автономдуу айдоо системаларына алып келет.

Талап кылынган кошумча маалыматтардын так көлөмү сенсор технологиясына жана колдонулган алгоритмдердин татаалдыгына жараша өзгөрүп турат.

Keymakr итеративдик окутуу ыкмаларын колдойт, мында модель маалыматтарды иштетүүнүн жана кайтарым байланыштын бир нече циклдери аркылуу бара-бара жакшырат. Бул ыкмада, убакыттын өтүшү менен ар түрдүү жана жогорку сапаттагы маалыматтар чогултулгандыктан, модель өзүнүн болжолдоолорун тактайт жана аткарууну оптималдаштырат. Ар бир итерация моделдин түшүнүгүн тактоо жана өркүндөтүү мүмкүнчүлүгүн камсыздайт, ал конкреттүү колдонуу учурларына, анын ичинде кабинадагы чечимдер сыяктуу татаал тиркемелерге ыңгайлашуусун камсыздайт. Бул кайталануучу процесс ар түрдүү маалымат топтомдорун иштетүү жана кардарларыбыздын өнүгүп жаткан күтүүлөрүн дайыма канааттандыруу үчүн абдан маанилүү.

Реалдуу убакытта берилиштерди башкаруудагы кыйынчылыктар

Чынында, унаалар бардык окуу маалыматтарын реалдуу убакыт режиминде башкара алышпайт, анткени маалыматтарды чогултуу жана моделди окутуу иштеп чыгуу учурунда аткарылуучу асинхрондук тапшырмалар болуп саналат - эксплуатация учурунда маалыматтарды иштеп чыгууда жана башкарууда дагы эле олуттуу кыйынчылыктар бар. Негизги реалдуу убакыт көйгөйү тез жана так айдоо чечимдерин кабыл алуу үчүн сенсор маалыматтарын (LiDARдан, камералардан, радардан ж.б.) иштетүү. Бул күтүүнү азайтуу жана коопсуздукту камсыз кылуу үчүн жогорку эффективдүү алгоритмдерди жана кубаттуу борттогу эсептөө ресурстарын талап кылат.

Дагы бир көйгөй - бул унаанын AI тутумунун үзгүлтүксүз маалыматтарды башкарууга таянбастан, машыгуудан жаңы, көрүнбөгөн кырдаалдарга чейин жалпылоосу зарыл. Алдын ала даярдалган моделдер реалдуу дүйнө сценарийлеринин кеңири спектрин чече аларын камсыз кылуу өтө маанилүү. Кошумчалай кетсек, AI моделдерине жаңыртууларды кылдаттык менен башкаруу керек; жаңы окуу маалыматтарын жана моделдерин транспорт каражаттарына жайылтуу коопсуз жана эффективдүү жүргүзүлүшү керек, бул көбүнчө системанын бүтүндүгүн сактап калуу үчүн абадан жаңыртууларды талап кылат. Жалпысынан, маалыматтарды башкаруунун негизги бөлүгү оффлайн режиминде ишке ашат.

Чечим компьютердик көрүү моделинин, аппараттык камсыздоонун жана синхрондоштуруу алгоритмдеринин иштешин жакшыртуу болуп саналат.

Keymakr команда татаал реалдуу чөйрөдө коопсуздукту жана ишенимдүүлүктү жогорулатуу көйгөйлөрүн чечүү үчүн алдыңкы AV программалык камсыздоону иштеп чыгуучу менен иштешти. Кызматташуу жөө жүргүнчүлөрдүн күтүүсүз кыймылдары, унаалардын тилкесин кескин өзгөртүү жана туман, кар жана нөшөрлөгөн жамгыр сыяктуу экстремалдык аба ырайы шарттарында навигация сыяктуу четтөөлөр жөнүндө маалыматтарды аннотациялоого багытталган. Команда камералардан, LiDARдан жана радардан алынган көп сенсордук маалыматтарды синхрондоштурду. Бул бардык киргизүү боюнча ар тараптуу жана так белгилөө берди. Бул жогорку сапаттагы аннотацияланган берилиштер топтомун бириктирүү менен AV иштеп чыгуучусу объектти аныктоо каталарын 18% кыскартууга, курчап турган чөйрөнүн күтүлбөгөн өзгөрүүлөрүнө реакция убактысын 12% жакшыртууга жана навигациянын ишенимдүүлүгүн 20% жогорулатууга жетишти, өзгөчө татаал шаар жана жагымсыз аба ырайында. сценарийлер.