Marx.ba
Sistemi pomoći vozaču čine saobraćaj bezbjednijim, ali do sada uglavnom pokrivaju standardne situacije. Koristeći vještačku inteligenciju, Porsche Engineering radi na tome da identifikaciju saobraćajnih situacija koje se rjeđe dešavaju, poznatih kao slučajevi u uglu, učini lakšim i pouzdanijim.
Autoput, negdje u ranim jutarnjim satima. Sunce je malo, saobraćaj je sve gušći. Putnički automobil vozi srednjom trakom i upada iza kamiona s ravnom platformom sa desne strane. Kamion prevozi vozilo koje je postavljeno prednjim dijelom okrenutim prema nazad. Senzori kamere na automobilu koji se usjeca tumače teret kao vozilo koje dolazi iz susreta, a sistem za naglo kočenje namjerava intervenisati. Ovakve saobraćajne situacije su vrlo rijetke, ali ne i nemoguće. Napredni sistemi za pomoć vozaču (ADAS) stoga takođe moraju biti obučeni za ove malo vjerovatne događaje.
– Rijetki slučajevi kao što je ovakav transport vozila su klasičan slučaj, kaže Arsen Sagoian, stručni menadžer projekta u odjeljenju za umjetnu inteligenciju i velike podatke u Porsche Engineeringu.
Pojam se odnosi na neobične situacije u prometu koje se rijetko događaju. Oni također uključuju pješake ili bicikliste na autoputu, granice traka koje više nisu prepoznatljive zbog snijega ili puteve koji zbog svoje prirode otežavaju sistemima da jasno prepoznaju oznake traka. Zbog toga programeri moraju stalno obučavati sisteme za pomoć vozaču sa kutijama kako bi ih dodatno poboljšali. Problem je u tome što je, obično, većina scenarija snimljenih na videu tokom normalnih putovanja slični jedni drugima sa tehničke tačke gledišta i stoga malo doprinose optimizaciji ADAS sistema.
Vremenom, baza podataka nastavlja rasti, tako da izuzetne situacije postaju sve rjeđe u novim probnim vožnjama. Izazov je identificirati preostale nerazmotrene ugaone slučajeve na snimcima uz što manje napora, što je kao da tražite iglu u plastu sijena. Ručna pretraga video materijala nije pogodna za upotrebu velikih razmjera zbog potrebnog vremena i povezanih troškova.
AI pronalazi kutije
U svom projektu „Detekcija uglova na bazi AI“, Porsche Engineering umjesto toga koristi metode umjetne inteligencije (AI) za automatsku pretragu video podataka ili vremenskih sekvenci s prethodno obrađenim podacima senzora i signalima sa sabirnice kako bi se pronašle željene odstupanja. Varijacioni autoenkoder (VAE) analizira video i vremenske sekvence snimljene tokom probnih vožnji kako bi pronašao odgovarajuće situacije, njihovo trajanje i vremensku oznaku.
Do sada se metoda prvenstveno koristila za prepoznavanje lica. Njegova primjena u poboljšanju ADAS rješenja je nova. Budući da je VAE proces učenja bez nadzora, podaci o obuci se mogu lakše kreirati. Vrijeme rada je također kraće, što omogućava da se algoritmi pokreću direktno u vozilu. To znači da se bilježe samo relevantni podaci.
Slučajevi za uglove prikupljeni uz pomoć AI zatim se prosljeđuju kao novi testni slučajevi timovima odgovornim za funkcije kao što je prepoznavanje traka.
– Imali smo jedan slučaj, na primjer, gdje je ivica snijega na tlu u granicama sistema protumačena kao granica trake. To je rezultiralo neugodnim bočnim manevrom na dijelu vozila, objašnjava Daniel Slieter, Tech Lead Verification, Validation & Data Analytics za funkcije vožnje u CARIAD-u.
U sistemu Active Lane Departure Warning (ALDW), tačke podataka pričvršćene za relevantne uglove snježne ivice su prostorno istaknute. Ovo omogućava programerima da prilagode funkcionalnost sistema upozorenja o napuštanju trake ovom slučaju u uglu, sa rezultatom da u slučaju sličnog scenarija unutar granica sistema, sistem pomoći vozaču više neće biti tako lako zbunjen snijegom rub.
AI je daleko superiorniji od ljudi u traženju ovakvih scenarija. Potrebno je samo nekoliko minuta za analizu podataka o oko 10.000 kilometara vožnje i identifikaciju oko pet slučajeva u krivinama. Kvalitet algoritma i definisani pragovi igraju važnu ulogu. Ručna evaluacija snimljenih kilometara sa probnih vožnji svedena je na minimum upotrebom AI.
– U poređenju sa ručnom evaluacijom, štedimo više od 99 posto ljudskih radnih sati zahvaljujući AI, a ovaj trend naglo raste. Ovo nazivamo eksponencijalnim povećanjem efikasnosti i omogućava inženjerima da se koncentrišu na stvarni razvoj funkcije, kaže Sagoian.
Analiza u realnom vremenu
Za sada se svi snimljeni podaci učitavaju u oblak radi analize. Ali to ne mora biti tako zauvije.
– U budućnosti bi se detekcija ugla moglo obavljati u realnom vremenu tokom aktivnog rada vozila, jer je naša neuronska mreža mala koja nudi dobre performanse. Tada bismo u oblak učitavali samo otkrivene ugaone slučajeve umjesto neobrađenih podataka, što bi značajno smanjilo količinu podataka prenijetih na ovaj način, objašnjava Slieter.
Postoji još jedna prednost nove metode: AI ne samo da postaje sve preciznija trajnom analizom podataka, već omogućava i dalekosežnije zaključke. Osnova za to je ono što je poznato kao latentni prostor – apstraktni prostor u kojem AI pretražuje podatke u potrazi za uzorcima i referentnim slikama, i tako stalno postaje sve bolji. Koristeći ovaj latentni prostor, programeri također mogu identificirati sličnosti između zemalja prilikom dodjele ugaonih slučajeva.
Osim toga, sličnost novih tačaka podataka sa poznatim ugaonim slučajevima može se koristiti da se zaključi da li je dovoljan broj tačaka podataka zabilježen u svrhu validacije.
– Ukratko, VAE gleda slike, dok latentni prostor osigurava da su pravilno analizirane i procijenjene, objašnjava Slieter.
Mogućnosti metode trenutno se testiraju širom svijeta.
– Ovo nam omogućava da identifikujemo veoma različite tipove krivičnih djela, kao i da izvučemo zaključke o tome u kojoj mjeri se rezultati mogu prenijeti iz jedne zemlje u drugu, kaže Sagoian.
Sistem je identifikovao posebno veliki broj krivina u Švedskoj i Finskoj, što je, između ostalih faktora, posljedica izuzetnih saobraćajnih situacija izazvanih snijegom. Očekuje se da će susreti između vozila i životinja također biti češći u ovim zemljama.
VEZANO
Savršena umjetnost Porsche lakirnice: Roboti, umjetna inteligencija i ljudski dodir
