Како самовозећи аутомобили користе ЦНН технологију

Као дете, волео сам да гледам цртане филмове са аутомобилима који као да се сами возе. Натерало ме је да се запитам да ли такви аутомобили могу бити стварни и да ли су унутра били мали роботи који их магично возе.

Како старимо, самовозећи аутомобили постају стварни! Искрено сам фасциниран њима. Да ли разумеју када треба да се зауставе на знаковима за заустављање и црвеним светлима, на пример? Да ли уопште могу да виде животиње и људе како шетају по путу? А шта је са вожњом када је напољу све мрак или када је време потпуно кишовито или снежно?

Хајде да причамо о аутомобилима који се сами возе! То су аутомобили који могу сами да се возе без људског возача. Компаније као што су Тесла и Ваимо користе паметне рачунарске технике, попут дубоког учења, да би ове аутомобиле учиниле супер паметним. Дубоко учење помаже аутомобилима да раде сјајне ствари, попут разумевања знакова на путу и ​​безбедне вожње чак и када је време ужасно. Све је у коришћењу напредне технологије за обликовање начина на који ћемо се кретати у будућности!

Историја

Историја самовозећих аутомобила слична је дугој, узбудљивој авантури. Замислите 1920-те, када су аутономна возила још увек била само сан за људе. Један инвентивни ум, Францис Хоудина, истакао се стварајући аутомобил који је пратио линије на путу. Међутим, биле су му потребне посебне скривене жице испод пута да га воде.

Извор: тхеатлантиц.цом

Крећући се напред ка 1980-им и 1990-им, бриљантни умови на Универзитету Карнеги Мелон били су на нечем великом. Развили су аутомобиле који су могли да „виде“ помоћу камера, помажући им да се крећу прометним градским улицама. Ови аутомобили су били као истраживачи који уче, откривају како да возе гледајући около.

Затим је 2004. стигао значајан тренутак, постављен у позадини пустињског изазова. Самовозећи аутомобили су ступили на сцену, покушавајући тешку трку – трку у којој нису победили, али је то био почетак. Замислите то као њихов полигон за обуку да постану бољи возачи.

Међутим, стварни пробој се догодио 2000-их и 2010-их када су велике компаније попут Тесле, Убера и Гугла (сада Ваимо) ушле у аутомобилски сектор. Гугл је почео да тестира самовозеће аутомобиле 2009. Убрзо унапред до 2015. године, Теслини аутомобили су увели функцију где су могли делимично да се возе на одређеним путевима. Могли су да се носе са управљањем и задржавањем на путу без сталне људске контроле.

Како се све више компанија укључило у трку, конкуренција за стварање потпуно самовозећих аутомобила се загрејала. Замислите тимове проналазача који се утркују да направе аутомобиле који би могли да возе без потребе за управљањем људима.

Али прича се наставља. Још увек радимо на томе да направимо аутомобиле који могу сами да се возе, што би променило начин на који путујемо. Ова авантура се још увек дешава, а то значи да бисмо могли да имамо безбеднија и лакша путовања јер ови фенси самовозећи аутомобили постају све бољи.

Како функционишу самовозећи аутомобили?

Аутомобили који се сами возе су као супер-паметни доносиоци одлука! Они користе камере, ЛиДАР, РАДАР, ГПС и инерционе сензоре за прикупљање података о свом окружењу. Затим, специјални алгоритми који се називају алгоритми дубоког учења обрађују ове податке да би разумели шта се дешава око њих. На основу овог разумевања, они доносе важне одлуке да возе безбедно и глатко.

Извор: аркив.орг

Ако желимо да схватимо како аутомобили који се сами возе заиста функционишу, погледајмо ближе ова четири дела приказана на дијаграму изнад. То је као решавање загонетке – разумевање сваког дела ће нам помоћи да видимо ширу слику о томе како ови невероватни аутомобили раде:

  • Перцепција
  • Локализација
  • Предвиђање
  • Одлучивати
    • Планирање путање високог нивоа
    • Арбитража понашања
    • Мотион Цонтроллер

Перцепција

#1. Камера

Камере су као очи самовозећег аутомобила – супер су важне! Они помажу аутомобилу да зна шта се дешава око њега. Ове камере обављају различите послове, попут откривања шта су ствари, раздвајања различитих делова и проналажења где је аутомобил.

Да би се осигурало да аутомобилу ништа не недостаје, камере су постављене свуда – напред, назад, лево и десно. Ове камере раде заједно да би направиле велику слику свега око аутомобила. То је као посебан поглед аутомобила од 360 степени!

Ове камере нису само за показивање. Они су паметни. Неки гледају далеко, до 200 метара, тако да ауто зна шта се спрема. Други се фокусирају на ствари у близини тако да аутомобил може обратити велику пажњу на детаље. Овај тим камера помаже аутомобилу да види и разуме све, као пријатељ који га води, тако да може безбедно да вози и доноси добре одлуке.

Понекад су камере од велике помоћи, на пример приликом паркирања, јер показују широки поглед и помажу да се донесе добар избор за опрезну вожњу.

Али само коришћење камера за гледање ствари има проблема, посебно у тешким временским условима као што су магла, јака киша и ноћу. У овим временима, слике са камера могу изгледати чудно и неуредно, што може бити заиста несигурно.

Да бисмо се носили са овим изазовним ситуацијама, потребни су нам специјални сензори који могу да раде када је стварно мрак или чак потпуна ноћ. Такође би требало да буду у стању да измере колико су ствари далеко без потребе за светлошћу коју можемо да видимо. Када ове сензоре ставимо у очи аутомобила (систем перцепције), аутомобил постаје бољи у вожњи по лошем времену или када га је тешко видети. Дакле, аутомобил може да вози безбедније, што је одлично за све који возе на путу.

#2. ЛиДАР

ЛиДАР, што значи детекција и домет светлости, је фенси технологија која користи ласере да би открила колико су ствари далеко. ЛиДАР шаље ласерске зраке и мери колико им је времена потребно да се врате са ствари.

Када ЛиДАР и камере раде заједно, помажу аутомобилу да јасније разуме ствари. Прави 3Д мапу онога што је око аутомобила. Ову специјалну информацију онда могу да погледају паметни компјутерски програми, који помажу аутомобилу да погоди шта би други аутомобили могли да ураде. Ово је корисно када је пут тежак, као на прометним прелазима, јер аутомобил може да гледа друге аутомобиле и да вози безбедно.

Међутим, ЛиДАР има ограничења која могу бити проблематична. Иако добро функционише ноћу и у мрачним окружењима, може да се бори у условима са сметњама од кише или магле, што потенцијално доводи до нетачности у перцепцији. Да бисмо решили ове проблеме, истовремено користимо и ЛиДАР и РАДАР сензоре. Ови сензори пружају додатне информације које помажу аутомобилу да јасније разуме ствари. Ауто може самостално да се вози на безбеднији и бољи начин.

#3. РАДАР

РАДАР, што је скраћеница од Радио Детецтион анд Рангинг, се већ дуго користи у свакодневним стварима, а такође и у војсци. Првобитно коришћен у војсци за откривање објеката, РАДАР израчунава удаљености користећи радио таласне сигнале. Данас је РАДАР од виталног значаја у многим аутомобилима, посебно онима који се сами возе.

РАДАР је одличан јер може да ради у било ком времену и светлости. Уместо ласера, користи радио таласе, што га чини флексибилним и супер корисним. Међутим, РАДАР се сматра сензором за буку, што значи да може да открије препреке чак и када камера ниједну не види.

Мозак самовозећег аутомобила може се збунити свим додатним сигналима из РАДАРА, које називамо „бука“. Да би ово поправио, аутомобил мора да очисти РАДАР информације како би могао да донесе добре одлуке.

Чишћење података подразумева коришћење посебних трикова за разликовање јаких сигнала од слабих, као што је одвајање важних ствари од не тако важних. Аутомобил користи паметан трик под називом Брзе Фуријеове трансформације (ФФТ) да би још боље разумео информације.

РАДАР и ЛиДАР дају информације о појединачним тачкама, попут тачака на папиру. Да би боље разумели ове тачке, аутомобил користи нешто попут груписања. То је као када спајате сличне ствари. Аутомобил користи паметне статистичке методе, као што су еуклидско груписање или груписање К-средстава, да комбинује сличне тачке и разуме их. Ово чини аутомобил способним да вози паметније и безбедније.

Локализација

У аутомобилима који се сами возе, алгоритми локализације играју кључну улогу у одређивању положаја и оријентације возила док се креће, познато као визуелна одометрија (ВО). ВО функционише тако што идентификује и упарује кључне тачке у узастопним видео оквирима.

Ауто гледа посебне тачке у информацијама, попут ознака на мапи. Након тога, аутомобил користи статистику звану СЛАМ да би сазнао где су ствари и како се крећу. Ово помаже аутомобилу да зна шта је около, као што су путеви и људи.

А да би ово урадио још боље, аутомобил користи нешто што се зове дубоко учење. То је као супер-паметни рачунар.

Ови трикови чине аутомобил добрим у разумевању ствари. Неуронске мреже као што су ПосеНет и ВЛоцНет++, користе податке о тачкама за процену 3Д положаја и оријентације објеката. Ове процењене 3Д позиције и оријентације се затим могу користити за извођење семантике сцене, као што је приказано на слици испод. Када аутомобил користи математичке и паметне компјутерске трикове, он зна где се налази и шта је око њега. Ово помаже аутомобилу да самостално и безбедно вози.

Предвиђање

Разумевање људских покретача је заиста сложен задатак, јер укључује емоције и реакције, а не директну логику. Пошто не знамо шта ће други возачи урадити, кључно је за самовозеће аутомобиле да добро нагађају о својим поступцима. Ово помаже да се обезбеди безбедност на путу.

Замислите самовозеће аутомобиле који имају очи свуда около, као поглед од 360 степени. Ово им омогућава да виде све што се дешава. Они користе ове информације са дубоким учењем. Аутомобил користи паметне технике да предвиди шта би други возачи могли да ураде. То је слично игрању игре у којој унапред планирате да прођете добро.

Предвиђање помоћу дубоког учења

Специјални сензори у самовозећим аутомобилима су као њихове очи. Они помажу аутомобилима да знају шта су ствари на сликама, пронађу ствари око себе, знају где се налазе и виде где се ствари завршавају. Ово помаже аутомобилу да схвати шта је у близини и направи паметан избор.

Током обуке, алгоритми дубоког учења моделирају сложене информације са слика и тачака података у облаку добијених од ЛиДАР-а и РАДАР-а. Током стварне вожње (закључивање), исти модел помаже аутомобилу да се припреми за могуће покрете, укључујући кочење, заустављање, успоравање, промену траке и још много тога.

Дубоко учење је попут паметног помоћника за аутомобил. Ово чини да аутомобил разуме ствари у које није сигуран, да схвати своју локацију и да боље вози. Ово одржава вожњу безбедном и чини да она иде глатко.

Али, тежак део је одлучивање о најбољој акцији из неколико избора. Одабир правих потеза захтева пажљиво размишљање како би аутомобил могао да вози добро и да остане безбедан.

Одлучивати

Аутомобили који се сами возе морају да доносе важне одлуке у лукавим ситуацијама, али то није лако. То је зато што сензори можда нису увек исправни, а људи на путу могу да ураде неочекиване ствари. Ауто мора да погоди шта ће други урадити и да се креће да би избегли сударе.

Да бисте направили избор, аутомобилу је потребно много информација. Аутомобил прикупља ове информације помоћу сензора, а затим користи алгоритме дубоког учења да би разумео где су ствари и предвидео шта би се могло догодити. Локализација помаже аутомобилу да зна своју почетну позицију, док предвиђање генерише више могућих радњи на основу окружења.

Међутим, остаје питање: како аутомобил бира најбољу акцију међу многим предвиђеним?

Извор: семантицсцхолар.орг

Дееп Реинфорцемент Леарнинг (ДРЛ) је техника за доношење одлука и користи алгоритам који се зове Марков Децисион Процесс (МДП). МДП помаже у нагађању како би се људи на путу могли понашати у будућности. Када се више ствари креће, ствари постају компликованије. То значи да самовозећи аутомобил мора да размисли о још више могућих радњи.

Да би се решио изазов проналажења најбољег потеза за аутомобил, модел дубоког учења је оптимизован коришћењем Бајесове оптимизације. У неким случајевима, оквир који комбинује Скривени Марков модел и Бајесову оптимизацију се користи за доношење одлука, омогућавајући самовозећем аутомобилу да се ефикасно и безбедно креће у различитим сложеним сценаријима.

Извор: аркив.орг

Доношење одлука у аутомобилима који се самостално возе прати хијерархијски процес са четири кључне компоненте:

Планирање путање или руте: На почетку путовања, аутомобил одређује најбољу руту од своје тренутне позиције до жељеног одредишта. Циљ је пронаћи оптимално решење међу разним могућим рутама.

Арбитража о понашању: Аутомобил мора да се креће кроз руту након што је планира. Аутомобил је свестан статичних објеката као што су путеви и раскрснице, али није у стању да предвиди тачне поступке других возача. Да бисмо решили ову неизвесност, користимо паметне методе као што су Марковљеви процеси одлучивања (МДП) за планирање.

Сценарска одлука врхунске државне машине

Планирање кретања: Са планираном рутом и слојем понашања који одређује како се њоме кретати, систем планирања кретања координира кретање аутомобила. То значи да се аутомобил креће на начин који је сигуран и удобан за људе у њему. Размишља о стварима попут тога колико брзо иде, мења траке и шта је око њега.

Контрола возила: Последњи корак је контрола возила, која извршава референтну путању коју генерише систем за планирање кретања, обезбеђујући да аутомобил глатко и безбедно прати предвиђену путању.

Разбијањем доношења одлука на ове различите делове, аутомобили који се сами возе могу добро и безбедно да возе на компликованим местима. Ово осигурава да путници имају глатку и удобну вожњу.

Конволуционе неуронске мреже

Конволуционе неуронске мреже (ЦНН) се широко користе у аутомобилима који се сами возе због њихове способности да моделују просторне информације, посебно слике. ЦНН се истичу у издвајању карактеристика из слика, што их чини корисним за откривање много различитих ствари.

У ЦНН-у, како се дубина мреже повећава, различити слојеви хватају различите обрасце. Рани слојеви откривају једноставне карактеристике као што су ивице, док дубљи слојеви препознају сложеније, као што су облици објеката (као што су лишће на дрвећу или гуме на возилима). Ова прилагодљивост је разлог зашто су ЦНН централни алгоритам у аутомобилима који се сами возе.

Основна компонента ЦНН-а је конволуцијски слој, који користи конволуционо језгро (матрица филтера) за обраду локалних региона улазне слике.

Матрица филтера се ажурира током тренинга да би се добила значајна тежина. Основно својство ЦНН-а је дељење тежине, где се исти параметри тежине користе за представљање различитих трансформација, штедећи простор за обраду и омогућавајући различите приказе карактеристика.

Излаз конволуционог слоја се обично пропушта кроз нелинеарну активациону функцију, као што је Сигмоид, Танх или РеЛУ. РеЛУ је пожељнији јер конвергира брже од осталих. Такође, резултат често пролази кроз слој максималног удруживања. Ово чува важне детаље са слике, као што су позадина и текстуре.

Три суштинска својства ЦНН-а чине их свестраним и фундаменталним у аутомобилима који се сами возе:

  • Локална рецептивна поља
  • Схаред Веигхтс
  • Спатиал Самплинг

Ова својства смањују прекомерно прилагођавање и чувају критичне репрезентације и карактеристике кључне за класификацију слика, сегментацију, локализацију и још много тога.

Ево две мреже ЦНН-а које користе компаније које пиониру самовозеће аутомобиле:

  • ХидраНет од Тесла
  • ЦхауффеурНет од Гоогле Ваимо

Сазнајте више о конволуционим неуронским мрежама.

#1. ХидраНет од Тесла

ХидраНет је динамичка архитектура коју су представили Рави ет ал. 2018. године, првенствено развијен за семантичку сегментацију у аутомобилима који се сами возе. Његов кључни циљ је да побољша рачунарску ефикасност током закључивања.

Концепт ХидраНет-а подразумева постојање различитих ЦНН мрежа, званих огранци, додељених специфичним задацима. Свака грана прима различите улазе, а мрежа може селективно бирати које гране ће покренути током закључивања, на крају агрегирајући излазе из различитих грана како би донела коначну одлуку.

Теслин хидранет

У контексту самовозећих аутомобила, улази могу представљати различите аспекте окружења, као што су статични објекти (дрвеће и ограде пута), путеви и траке, семафори, итд. Ови улази се обучавају у одвојеним гранама. Током закључивања, механизам капије одлучује које гране да активира, а комбинатор прикупља њихове излазе како би донео коначну одлуку.

Детекција брзине, траке и кретања

Тесла је прилагодио ХидраНет архитектуру, уграђујући заједничку кичму за решавање изазова у сегрегацији података за појединачне задатке током закључивања. Заједничка окосница, обично модификовани РесНет-50 блокови, омогућавају да се мрежа обучи за податке о свим објектима. Главе специфичне за задатак засноване на архитектури семантичке сегментације, као што је У-Нет, омогућавају моделу да предвиди излазе специфичне за сваки задатак.

Теслин ХидраНет се истиче својом способношћу да пројектује поглед из птичје перспективе, стварајући 3Д приказ околине из било ког угла. Ова побољшана димензионалност помаже аутомобилу у бољој навигацији. Изванредно, Тесла то постиже без употребе ЛиДАР сензора. Уместо тога, ослања се на само два сензора: камеру и радар. Ефикасност Теслиног ХидраНет-а омогућава му да обрађује информације са осам камера и генерише перцепцију дубине, показујући импресивне могућности без потребе за додатном ЛиДАР технологијом

#2. ЦхауффеурНет од Гоогле Ваимо

ЦхауффеурНет је неуронска мрежа заснована на РНН-у коју користи Гоогле Ваимо за обуку самовозећих аутомобила користећи имитацију учења. Иако се првенствено ослања на РНН за генерисање путања вожње, он такође укључује ЦНН компоненту познату као ФеатуреНет.

Ова конволуциона мрежа карактеристика издваја контекстуалне репрезентације обележја које деле друге мреже и користи се за издвајање карактеристика из система перцепције.

Извор: Ресеарцхгате

Концепт иза ЦхауффеурНет-а је да се обучи самовозећи аутомобил имитирајући стручне возаче користећи имитацију учења. Да би превазишли ограничење недовољних података о обуци из стварног света, аутори рада „ЦхауффеурНет: учење вожње опонашањем најбољих и синтезом најгорих“ увели су синтетичке податке.

Ови синтетички подаци уводе различита одступања, као што су ометање путање путање, додавање препрека и стварање неприродних сцена. Утврђено је да је обука аутомобила помоћу синтетичких података ефикаснија од коришћења само стварних података.

У ЦхауффеурНет-у, систем перцепције није део процеса од краја до краја, већ делује као систем средњег нивоа. Ово омогућава мрежи да има различите улазне варијације из система перцепције. Мрежа посматра приказ сцене средњег нивоа помоћу сензора, и користећи овај улаз заједно са синтетичким подацима, имитира понашање стручњака у вожњи.

Раздвајањем задатка перцепције и стварањем птичје перспективе на околину, ЦхауффеурНет олакшава лакше учење о трансферу, омогућавајући мрежи да доноси боље одлуке на основу стварних и симулираних података. Мрежа генерише путање вожње итеративним предвиђањем узастопних тачака на путањи вожње на основу репрезентација средњег нивоа. Овај приступ је показао обећање у ефикаснијој обуци самовозећих аутомобила, пружајући пут ка сигурнијим и поузданијим системима аутономне вожње.

#3. Делимично видљив Марковљев процес одлучивања који се користи за самовозеће аутомобиле

Делимично видљив Марковљев процес одлучивања (ПОМДП) је математички оквир који се користи у контексту самовозећих аутомобила за доношење одлука под неизвесношћу. У стварним сценаријима, аутомобили који се сами возе често имају ограничене информације о свом окружењу због буке сензора, оклузија или несавршених система перцепције. ПОМДП је дизајниран да се носи са таквом делимичном уочљивошћу и доноси оптималне одлуке узимајући у обзир и неизвесност и доступна запажања.

У ПОМДП-у, агент за доношење одлука ради у окружењу са делимично видљивим стањима. Агент предузима акцију, а окружење вероватно прелази у нова стања. Међутим, агент прима само делимична запажања или бучне информације о правом стању животне средине. Циљ је пронаћи политику која максимизира очекивану кумулативну награду током времена узимајући у обзир несигурност у окружењу и запажања агента.

Извор: Ресеарцхгате

У контексту самовозећих аутомобила, ПОМДП је посебно користан за задатке као што су планирање кретања, предвиђање путање и интеракција са другим учесницима у саобраћају. Самовозећи аутомобил може да користи ПОМДП за доношење одлука о промени траке, прилагођавању брзине и интеракцији са пешацима и другим возилима, с обзиром на неизвесност у окружењу.

ПОМДП има шест компоненти и може се означити као ПОМДП

М:= (И, С, А, Р, П, γ)

где,

И: Запажања

С: Коначан скуп стања

О: Коначан скуп радњи

Р: Функција награђивања

П: Функција вероватноће транзиције

γ: фактор попуста за будуће награде.

ПОМДП-ови могу бити рачунски изазовни због потребе за разматрањем више могућих стања и запажања. Међутим, напредни алгоритми, као што су планирање простора веровања и Монте Карло методе, често се користе за ефикасно приближавање оптималне политике и омогућавање доношења одлука у реалном времену у аутомобилима који се сами возе.

Уграђивањем ПОМДП-а у своје алгоритме за доношење одлука, самовозећи аутомобили могу ефикасније и безбедније да се крећу по сложеним и неизвесним окружењима, узимајући у обзир несигурност у очитавању сензора и доносећи информисане одлуке како би постигли своје намераване циљеве.

Аутомобил који се самостално вози, који функционише као агент, учи у интеракцији са околином уз помоћ учења са појачањем (РЛ), својеврсног машинског учења. Стање, акција и награда су три важне варијабле у сржи учења дубоког појачања (ДРЛ).

Стање: описује тренутну ситуацију самовозећег аутомобила у датом тренутку, као што је његов положај на путу.

Акција: Представља све могуће покрете које аутомобил може да направи, укључујући одлуке попут промене траке или подешавања брзине.

Награда: Пружа повратну информацију аутомобилу кад год предузме одређену радњу. Награда може бити позитивна или негативна, а циљ ДРЛ-а је да максимизира кумулативне награде.

За разлику од надгледаног учења, где се алгоритму експлицитно дају исправне радње, ДРЛ учи истражујући окружење и примајући награде на основу својих радњи. Неуронска мрежа самовозећег аутомобила је обучена на основу података о перцепцији, што укључује карактеристике које издвајају конволуционе неуронске мреже (ЦНН).

ДРЛ алгоритми се затим обучавају на овим репрезентацијама, које су нижедимензионалне трансформације улаза, што резултира ефикаснијим доношењем одлука током закључивања.

Обука самовозећих аутомобила у сценаријима из стварног света је опасна и непрактична. Уместо тога, они су обучени у симулаторима, где нема ризика по безбедност људи.

Симулатор

Неки симулатори отвореног кода су:

Комбиновањем података о перцепцији са учењем са појачањем, аутомобили који се сами возе могу научити да се крећу по сложеним окружењима, доносе безбедне и оптималне одлуке и постану вештији у руковању стварним сценаријима вожње.

ФАКс

Шта су аутономна возила?

Аутономна возила, која се обично називају аутомобилима који се сами возе, су аутомобили са најсавременијим сензорима и вештачком интелигенцијом који могу сами да се крећу и возе. Ова возила процењују своје окружење и доносе одлуке о вожњи користећи камере, ЛиДАР, РАДАР и софистициране алгоритаме.

Да ли су аутономна возила безбедна?

У развоју самовозећих аутомобила, безбедност је на првом месту. Како би се осигурало да се придржавају високих сигурносних прописа, ова возила се подвргавају темељном тестирању и симулацији. Иако је било инцидената током тестирања, крајњи циљ је да се аутомобили који се сами возе учине сигурнијим од оних које управљају људи.

Да ли се аутономна возила могу користити у свим временским условима?

Екстремно време, укључујући јаку кишу или снег, могло би да представља проблеме за самовозеће аутомобиле. Неповољни временски услови могу смањити прецизност сензора и нарушити способност вожње. Инжењери стално покушавају да побољшају функционисање технологије у неповољним временским условима.

Аутономна возила – да ли су дозвољена?

Законитост аутономних возила варира у зависности од земље и локације. Да би се прилагодиле аутономним возилима, многе јурисдикције ревидирају своје законе и прописе. Тестирање самовозећих аутомобила и ограничена примена су већ дозвољени у неким областима.

Да ли је аутономним возилима потребна људска интервенција?

Већина тренутно доступних самовозећих аутомобила су на нивоу 2 или 3 нивоа аутоматизације, где им понекад може бити потребна људска помоћ. Индустрија, међутим, тежи да достигне више нивое аутоматизације, као што је ниво 4 или ниво 5, где људска интервенција постаје минимална или непотребна.

Закључак

У закључку, самовозећи аутомобили имају способност да трансформишу ауто индустрију повећањем ефикасности и безбедности на путевима. Прегледали смо све битне компоненте које подржавају ове аутономне аутомобиле, укључујући ЛиДАР, РАДАР, камере и напредне алгоритме.

Иако је напредак обећавајући, још увек постоје важни изазови за решавање. Тренутно су самовозећи аутомобили на нивоу 2 од нивоа 5 напредовања, што захтева људску интервенцију у одређеним сценаријима. Међутим, кроз континуирану посвећеност и иновације, приближавамо се постизању пуне аутономије.

Кључне Такеаваис

Унапређење алгоритама: Даља оптимизација алгоритама је кључна за побољшање перцепције пута, посебно у изазовним условима у којима можда недостају ознаке на путу и ​​знаци.

Рафинисање модалитета сенсинга: Побољшање тачности и ефикасности модалитета сенсинга за мапирање и локализацију биће од кључног значаја за постизање виших нивоа аутономије.

Комуникација возила-возила: Стварање повезаног и интелигентног путног екосистема биће омогућено праћењем комуникације између возила.

Интеракција човек-машина: Подстицање јавне прихватљивости технологија за самостално вожњу захтеваће испитивање и решавање питања везаних за интеракцију човека и машине.

Будући изгледи: Упркос потешкоћама, досадашња достигнућа су изузетна, а уз текућу сарадњу и истраживање, самовозећи аутомобили нуде потенцијал да обезбеде сигурније и ефикасније транспортно окружење за све.

Сви смо на истом путу ка потпуно аутономним самовозећим аутомобилима. Како решавамо изазове и подстичемо иновације, приближавамо се времену када возила глатко управљају нашим путевима, побољшавајући безбедност, животну средину и удобност за све.

Сада можете научити о просторном рачунарству и његовој примени у развоју аутомобила који се самостално возе.