Home Na czasie Jak uczenie maszynowe może zmienić przemysł motoryzacyjny

Jak uczenie maszynowe może zmienić przemysł motoryzacyjny

0
0
58

Autonomiczne samochody to już nie temat z dziedziny science fiction. Zaawansowane systemy wspomagania kierowcy sprawiają, że inteligentne i zautomatyzowane pojazdy stają się nam coraz bliższe. Jak się okazuje, technologią, która ma szansę przenieść takie rozwiązania jak radary samochodowe na wyższy poziom, jest uczenie maszynowe. I to właśnie jest miejsce, w którym branża motoryzacyjna spotyka się z IT.

Niektórzy mogą sądzić, że największym wyzwaniem w kontekście automatyzacji pojazdów jest opracowanie algorytmów, które informują pojazd, gdzie i jak jeździć – a więc planowanie. W rzeczywistości jest jednak inaczej. Największym wyzwaniem jest zbudowanie takiego systemu percepcji otoczenia, który w oparciu o czujniki może niezawodnie kreować dokładny i solidny model środowiskowy – dopiero on pozwoli na planowanie.

Producenci aut szukają najlepszych systemów percepcji, które pozwalają podnosić bezpieczeństwo. Tymczasem radar oferuje wiele korzyści, będąc jednocześnie rozwiązaniem stosunkowo tanim i odpornym na różne warunki pogodowe. Te atrybuty sprawiają, że jest idealną podstawą do budowy modelu środowiskowego dowolnego pojazdu. Wspomniane cechy stają się szczególnie ważne, gdy mówimy o pojeździe autonomicznym.

Sukces zależy od dwóch podstawowych funkcji: jakości informacji dostarczanych przez czujniki oraz możliwości obliczeniowych interpretacji tych danych. Po stronie czujników, rozwiązania oparte o radar sprawdzają się w tym scenariuszu doskonale. Tymczasem, po stronie obliczeniowej system uczenia maszynowego może wykorzystywać dane pochodzące z czujników radarowych i łączyć je z danymi z innych źródeł, aby stworzyć bardzo solidny obraz otoczenia pojazdu.

Zalety radarów

Najczęściej używanymi obecnie czujnikami w pojazdach są radary i kamery, jak również czujniki ultradźwiękowe na krótkich dystansach przy niskich prędkościach i LIDAR wykorzystywany w autonomicznej jeździe. Jednym z powodów, dla których szeroko stosowany jest radar jest to, że może on niezawodnie wskazywać, jak daleko znajduje się wykrywany obiekt. Typowe radary samochodowe dalekiego zasięgu mogą zapewniać pomiary odległości od obiektów oddalonych od 300 metrów do 500 metrów. Z kolei kamery muszą próbować oszacować odległość obiektu na podstawie jego zarejestrowanego rozmiaru. Nawet wykorzystanie podejścia stereoskopowego może stanowić wyzwanie. Rozdzielczość także może okazać się problemem, ponieważ pojedynczy piksel na obrazie z mocno oddalonej kamery jest bardzo szeroki, co utrudnia jej dostrzeżenie obiektów. Optyka skupiająca może pomóc, ale ogranicza pole widzenia – mamy zatem do czynienia z trudnym kompromisem, typowym dla systemów percepcji opartych na kamerze. W tym samym czasie radar dokonuje samoistnych pomiarów prędkości względnej, więc jednocześnie zapewnia pomiar odległości, a także może określić, jak szybko coś porusza się w kierunku pojazdu lub od niego. Do tego samego celu, kamery i LIDARy mogą wymagać wykonania wielu zdjęć w dłuższym czasie.

 Ponieważ do wykrywania obiektów radar wykorzystuje fale radiowe zamiast światła, dobrze sprawdza się także w deszczu, mgle, śniegu i dymie. Kontrastuje to z technologiami optycznymi, takimi jak kamery – lub w przyszłości także LIDARem – przed którymi stoją te same wyzwania, co przed ludzkim okiem.

– Wystarczy zastanowić się, kiedy ostatnio byliśmy bezpośrednio oślepieni przez światło słoneczne podczas jazdy lub próbowaliśmy wyraźnie zobaczyć coś przez nie do końca czystą przednią szybę. Czujniki optyczne mają te same wyzwania, podczas gdy radary wciąż dobrze pracują w takich przypadkach. W przeciwieństwie do kamer, radar nie potrzebuje odpowiednich warunków oświetlenia, aby dobrze sprawdzać się także w nocy – mówi Dariusz Mruk, dyrektor Centrum Technicznego Aptiv w Krakowie.

Uczenie maszynowe

Uczenie maszynowe to rodzaj sztucznej inteligencji, który odnosi się do zdolności systemu do uczenia się poprzez doświadczenie z różnymi scenariuszami. W miarę jak pojazdy stają się coraz bardziej zautomatyzowane, programiści mogą wykorzystywać uczenie maszynowe do trenowania systemów identyfikacji obiektów i lepszego zrozumienia ich środowiska przy użyciu mniejszej ilości danych.

Jednym z wyzwań, które uczenie maszynowe pomaga rozwiązać za pomocą radaru, jest m.in. wykrywanie krawędzi. Dłuższe fale radaru mają niższą rozdzielczość, co może prowadzić do trudniejszej identyfikacji pojedynczych obiektów, a co za tym idzie ich krawędzi. Trudno jest wtedy interpretować dane i daną scenę. Inżynierowie pracują nad sposobami poprawy rozdzielczości radaru, na przykład przejściem z częstotliwości 77 GHz używanej we współczesnych zastosowaniach motoryzacyjnych do częstotliwości 120 GHz lub wyższej, z odpowiednią redukcją długości fali. Pozwala to na znacznie wyższą rozdzielczość dla czujnika o tym samym rozmiarze.

Również w dzisiejszych radarach uczenie maszynowe może pomóc scharakteryzować różne scenariusze, których dane są trudne do opisania za pomocą standardowych algorytmów. Deweloperzy mogą przedstawić systemowi uczenia maszynowego wiele przykładów obiektów z określonej kategorii i dowiedzieć się, jak sygnały radaru są rozpraszane przez złożone obiekty z wieloma punktami odbicia. Można również korzystać z informacji kontekstowych. System może także uczyć się na podstawie danych dostarczanych jednocześnie przez kamery, LIDARy lub mapy HD,  tak by klasyfikować obiekty na podstawie sygnałów radarowych.

– Rozważnie korzystając z uczenia maszynowego, możemy zyskiwać dodatkowe korzyści. Zamiast stosować podejście brute-force w połączeniu z uczeniem maszynowym do wszystkich danych dostarczanych przez radar, możemy wykonać klasyczne przetwarzanie wstępne, a następnie zastosować uczenie maszynowe tylko do tych części, gdzie ma to sens – podkreśla Dariusz Mruk z Aptiv i dodaje: – Co ciekawe, wszystkie te nowatorskie technologie, o których wspominamy, są opracowywane lokalnie, w Polsce, przez naszych inżynierów w Centrum Technicznym w Krakowie.

Szczegółowa analiza danych

Wiele radarów samochodowych wykorzystuje szereg anten do pomiaru kąta. W klasycznym przetwarzaniu sygnałów radarowych, zdigitalizowane sygnały z każdej anteny są konwertowane, by wskazać odległość i prędkość. Sygnały są porównywane w całym układzie antenowym w celu wykonania pomiarów kątów. Przykładem przetwarzania wstępnego byłoby w tym wypadku użycie klasycznego przetwarzania sygnału do wyizolowania określonych obszarów, tak aby móc skupić się na obiektach o określonych prędkościach w danej odległości. Sygnały z każdej anteny, wskazujące na taką samą odległość i prędkość, mogą być następnie wykorzystane do trenowania systemu.

Typowe radary mogą wykorzystywać do 12 anten, a w jednym pojeździe można zastosować pięć lub więcej radarów. Anteny te umożliwiają cyfrowe formowanie wiązki, gdzie sygnały z każdej anteny są digitalizowane, a następnie łączone cyfrowo. W rezultacie radary raz analizują sygnały, a następnie tworzą wiązki w tylu różnych kierunkach, ile jest to konieczne. Analizując miejsca, w których radary nakładają się, system może wywnioskować kąty różnych obiektów.

Ten rodzaj analizy daje systemowi bogatą bazę informacji, które mogą być przesyłane do sieci neuronowej, która z kolei może zastosować uczenie maszynowe, aby uzyskać jeszcze wyraźniejszy obraz sceny. Bez tego kroku system sztucznej inteligencji musiałby określić scenę na podstawie surowych, zdigitalizowanych sygnałów w czasie rzeczywistym. Musiałby zatem być niezwykle wydajny, a zatem droższy i pochłaniający więcej zasobów, a także wymagałby długich sekwencji treningowych, by wiedzieć się, co zrobić z danymi. Co więcej, taki system byłby zwyczajnie skomplikowany w obsłudze – przykładowo, gdyby pojazd wykrył obiekt, którego tak naprawdę nie ma, trudno byłoby ustalić, co poszło nie tak. Tymczasem, połączenie klasycznego przetwarzania z uczeniem maszynowym może zapewnić pewną powtarzalność w przetwarzaniu danych, co zwiększa niezawodność systemu.

– Dane dostarczane przez radar są bardziej złożone niż te, które pochodzą z systemów wizyjnych, ponieważ oprócz lokalizacji obiektów pozwalają także określić ich odległość – a to jest niezwykle cenna informacja. Warto zatem podjąć wysiłek inteligentnego doboru i przetwarzania danych, tak by podnieść funkcjonalność systemów. W Aptiv pracujemy z radarami już ponad 20 lat. Jako pierwsi umieściliśmy je w Jaguarze w 1999 roku, dostarczając pierwszy na rynku adaptacyjny tempomat. Dzięki temu wiemy jak dobierać i analizować odpowiednie dane, by przynosiły jak najbardziej efektywne wyniki – dodaje Dariusz Mruk.

Dodaj komentarz

Przeczytaj również

Kluczowe umiejętności dla rozwoju kariery GenAI

Generatywna Sztuczna Inteligencja (GenAI) jest nie tylko kolejną falą innowacji – to…