Технологии автономного вождения популярны — вот почему я с энтузиазмом отношусь к картографированию и навигации в стеке технологий автономного вождения.

Автономные транспортные средства (AV) находятся на подъеме, и McKinsey прогнозирует, что до 15 процентов новых автомобилей, проданных к 2030 году, могут быть полностью автономными. Конечная роль, которую беспилотники могут сыграть в экономике, мобильности и обществе в целом, может быть огромной. Будущие технологии Искусственный интеллект (ИИ) обеспечивает продвинутые уровни автономного вождения. Сбор огромных объемов данных и их обработка для получения ценной информации будут ключевыми для AV. Стерлинг Андерсон, директор программы Tesla Autopilot, сказал на конференции EmTech Digital в MIT Technology Review, что Tesla имеет данные о пробеге 780 миллионов миль и добавляет еще один миллион каждые 10 часов. Генерация высококачественных обучающих данных в масштабе — одна из самых важных функций для любой компании в AV-индустрии. Владение такими большими наборами данных и возможность создавать ценные данные из изображений могут обеспечить огромное конкурентное преимущество.

Автоматизированная аннотация

Кроме того, автомобильные OEM-производители имеют огромный парк своих автомобилей на дорогах, и они просто вписываются в оборудование оборудование и датчики, а датчики по-прежнему полагаются на огромную рабочую силу для выполнения ручных аннотаций. Даже предстоящие участники, например. Tesla, Uber, Google по-прежнему вручную маркируют объекты для своих алгоритмов классификации. Эти аннотации в кадрах изображения необходимы для обучения моделей машинного обучения автономному вождению. Однако ключом к успеху является высокая степень автоматизации процесса и наличие масштабируемого решения, позволяющего сократить усилия по созданию обучающих данных. Поэтому важно предоставить достаточно данных для алгоритма машинного обучения автономного транспортного средства. В настоящее время такие компании, как Tesla и Google, размещают своих специалистов по ИИ в системе управления, в т.ч. машинное зрение для AV и полагаются на партнеров для создания ценных данных для обучения и позиционирования.

Сетевой эффект

Сегодня функции автономного вождения по-прежнему находятся на низком уровне автономии. Одна из причин — отсутствие обучающих данных. Таким образом, если максимально возможное количество автомобилей на дороге будет передавать данные обратно, это резко увеличит объем данных.

«Когда одна машина чему-то учится, учится весь автопарк. Это обучение флота — довольно мощный сетевой эффект», — сказал Илон Маск в ходе пресс-конференции в прошлом году. «Любая автомобильная компания, которая этого не делает, не сможет иметь хорошую систему автономного вождения».

Таким образом, платформы, которые не зависят от датчиков и способны обрабатывать огромные объемы данных, имеют основное преимущество в постоянном улучшении своего алгоритма и предоставлении своих идей всем своим клиентам.

Отображение

Технология искусственного интеллекта используется для создания ценных наборов данных из отснятого видеоматериала, полученного либо с помощью краудсорсинга, либо от профессионального стороннего поставщика. Редакторы карт, например. «Здесь» или географические информационные системы (ГИС) используют эти данные для создания своего продукта или услуги. Эти наборы данных от таких стартапов, как Mapillary, могут быть очень полезны для систем автономного вождения, а также для городских служб (планирования), поскольку они постоянно обновляют свой контент с высокой географической точностью.

Навигация

Тем не менее, способность понимать его точное позиционирование, планировать за пределами видимости датчиков, обладать контекстуальной осведомленностью об окружающей среде и знанием местных правил дорожного движения являются критически важными элементами автономного вождения. Комбинация этих источников помогает AV точно знать, где они находятся в мире, и перемещаться из точки А в точку Б. Поскольку автомобили движутся по дороге автономно, программное обеспечение сопоставляет то, что видит автомобиль, в режиме реального времени с высоким разрешением (HD). уже построенные карты, позволяющие автомобилю узнать свое положение на дороге. Таким образом, нет необходимости полагаться на технологию GPS или отдельные данные, такие как разметка полосы движения, для навигации. Кроме того, постоянное знание особенностей дороги и вокруг нее позволяет датчикам и программному обеспечению фокусироваться на движущихся объектах, таких как пешеходы, транспортные средства и зоны строительства. Это позволяет AV лучше предвидеть и избегать сложных ситуаций.

Однако наши улицы постоянно меняются, поэтому транспортные средства должны уметь распознавать новые условия и вносить коррективы в режиме реального времени. Более того, крайне важно мгновенно обновлять данные ГИС всякий раз, когда могут произойти изменения. Поэтому архитектура платформы должна поддерживать постоянные обновления и должна иметь возможность мгновенно передавать информацию своим клиентам.

Синтетическая тренировка

Предстоящий подход заключается в обучении системы управления автономного транспортного средства синтетическими данными моделирования. С помощью ИИ можно моделировать различные сценарии и, следовательно, увеличивать учебный материал для АВ. Таким образом, тренировочные наборы могут быть увеличены для различных сценариев, таких как солнечные летние дни или дождливая дорога ночью. Таким образом, усилия по включению крайних ситуаций в учебный материал значительно сокращаются. Объединение синтетических данных с извлеченными данными из изображений реального мира может повысить репрезентативность моделирования для адекватного обучения AV.

Я очень рад этому пространству и верю, что мы увидим потрясающие инновации. Что вы думаете по этой теме?