Et match lavet i transporthimlen: AI og selvkørende biler

Kunstig intelligens (AI) har potentialet til at revolutionere den måde, vi kører og transporterer varer og mennesker på. Selvkørende biler, også kendt som autonome køretøjer, er en type køretøj, der bruger kunstig intelligens og andre avancerede teknologier til at navigere på veje og motorveje uden behov for en menneskelig chauffør.

Der er flere fordele ved selvkørende biler. For det første har de potentialet til betydeligt at reducere antallet af ulykker forårsaget af menneskelige fejl. Dette kan føre til færre dødsfald og kvæstede på vejen. Selvkørende biler kan også forbedre trafikafviklingen og reducere trængslen, da de er i stand til at kommunikere med hinanden og træffe beslutninger i realtid for at optimere deres ruter og hastigheder.

Derudover kan selvkørende biler også have en positiv indvirkning på miljøet ved at reducere brændstofforbrug og emissioner. De kan også øge mobiliteten for personer, der ikke er i stand til at køre bil på grund af alder, handicap eller andre faktorer.

Hvordan bruges kunstig intelligens i selvkørende biler?

Der er stadig mange udfordringer, der skal løses, før selvkørende biler bliver udbredt. En af hovedudfordringerne er at udvikle AI-systemer, der er pålidelige og sikre nok til at blive brugt på offentlige veje. Der er også regulatoriske, juridiske og etiske spørgsmål, der skal overvejes, såsom hvordan man sikrer passagerers og fodgængeres sikkerhed, og hvordan man håndterer ansvar i tilfælde af en ulykke.

På trods af disse udfordringer går udviklingen af ​​selvkørende biler fremad i et hastigt tempo. Mange virksomheder, herunder traditionelle bilproducenter og teknologivirksomheder, investerer massivt i teknologien, og selvkørende biler bliver allerede testet på offentlige veje i nogle områder. Det er sandsynligt, at vi vil se selvkørende biler på vejene i den nærmeste fremtid, selvom det er svært at forudsige præcis, hvornår de bliver almindelige.

Kunstig intelligens i bilindustrien

Her er et par måder, hvorpå kunstig intelligens bruges i selvkørende biler:

Sansning og perceptio

Selvkørende biler bruger en række forskellige sensorer, såsom kameraer, lidar, radar og ultralydssensorer, til at indsamle data om deres omgivelser. Disse data behandles og analyseres derefter ved hjælp af AI-algoritmer for at skabe et detaljeret kort over miljøet og identificere objekter, såsom fodgængere, andre køretøjer, trafiklys og vejskilte.

Beslutningstagning

Selvkørende biler bruger kunstig intelligens til at træffe beslutninger i realtid baseret på de data, de indsamler fra deres sensorer. For eksempel, hvis en selvkørende bil registrerer en fodgænger, der krydser vejen, vil den bruge AI til at bestemme den bedste fremgangsmåde, såsom at sætte farten ned eller stoppe.

Forudsigelig modellering

Selvkørende biler bruger kunstig intelligens til at forudsige adfærden hos andre trafikanter, såsom fodgængere og andre køretøjer. Dette hjælper bilen med at forudse potentielle problemer og træffe passende foranstaltninger for at undgå dem.

Naturlig sprogbehandling

Nogle selvkørende biler er udstyret med stemmegenkendelsesteknologi, der gør det muligt for passagerer at kommunikere med bilen ved hjælp af naturligt sprog. Denne teknologi bruger AI til at forstå og reagere på talte kommandoer.

Overordnet set er kunstig intelligens en nøglekomponent i selvkørende biler, der gør dem i stand til at fornemme, opfatte og navigere i deres omgivelser, samt træffe beslutninger og reagere på skiftende forhold i realtid.

Dyb læring i selvkørende biler

Deep learning er en type maskinlæring, der involverer træning af kunstige neurale netværk på store datasæt. Disse neurale netværk er i stand til at lære og genkende mønstre i data og kan bruges til at udføre en lang række opgaver, herunder billed- og talegenkendelse, naturlig sprogbehandling og prædiktiv modellering.

I forbindelse med selvkørende biler bruges deep learning ofte til at forbedre nøjagtigheden og pålideligheden af ​​de kunstige intelligenssystemer, der gør bilen i stand til at navigere og træffe beslutninger. For eksempel kan deep learning-algoritmer trænes på store datasæt af billeder og videoer for at sætte bilen i stand til at genkende og klassificere objekter i sit miljø, såsom fodgængere, andre køretøjer og trafikskilte.

---

PaddlePaddle deep learning framework udvider AI til industrielle applikationer

---

Deep learning bruges også til at forbedre nøjagtigheden af ​​prædiktiv modellering i selvkørende biler. For eksempel kan bilen bruge deep learning-algoritmer til at analysere data fra sine sensorer og forudsige sandsynligheden for, at en fodgænger krydser vejen på et bestemt sted, eller sandsynligheden for, at et andet køretøj foretager et pludseligt vognbaneskift.

Betydningen af ​​GDDR6 for selvkørende biler

GDDR6 (Graphics Double Data Rate 6) er en type hukommelse, der bruges i grafikprocessorenheder (GPU'er) til at lagre og behandle data til grafikgengivelse og andre beregningstunge opgaver. I forbindelse med autonom kørsel er GDDR6 vigtig, fordi den muliggør højhastighedsbehandling af store mængder data, der kræves til driften af ​​selvkørende biler.

Selvkørende biler er afhængige af en række forskellige sensorer, såsom kameraer, lidar, radar og ultralydssensorer, for at indsamle data om deres omgivelser. Disse data behandles og analyseres derefter ved hjælp af AI-algoritmer for at skabe et detaljeret kort over miljøet og identificere objekter, såsom fodgængere, andre køretøjer, trafiklys og vejskilte. Den databehandling og -analyse, der kræves for at aktivere disse opgaver, er beregningsintensiv og kræver højhastighedshukommelse såsom GDDR6 for at gemme og få adgang til dataene hurtigt.

Udover at muliggøre højhastighedsbehandling af data, er GDDR6 også energieffektiv, hvilket er vigtigt for driften af ​​selvkørende biler, da de skal kunne køre i længere tid uden at skulle genoplades.

Overordnet set er GDDR6 en vigtig teknologi for fremtiden for autonom kørsel, da den muliggør hurtig og effektiv behandling af de store mængder data, der kræves til driften af ​​selvkørende biler.

Automotive kunstig intelligens algoritmer og selvkørende biler

Både overvågede og uovervågede læringsmetoder bruges i automotive AI-algoritmer.

Overvåget læring

Supervised learning er en type maskinlæring, hvor en model trænes på et mærket datasæt, hvilket betyder, at dataene er blevet mærket med det korrekte output. Målet med superviseret læring er at lære en funktion, der kortlægger input til output baseret på de mærkede data.

Under træningsprocessen præsenteres modellen for et sæt input/output-par og bruger en optimeringsalgoritme til at justere sine interne parametre, så den nøjagtigt kan forudsige outputtet givet et nyt input. Når modellen er blevet trænet, kan den bruges til at lave forudsigelser på nye, usete data.

Overvåget læring bruges almindeligvis til opgaver såsom klassifikation (forudsigelse af en klasseetiket), regression (forudsigelse af en kontinuerlig værdi) og struktureret forudsigelse (forudsigelse af en sekvens eller et træstruktureret output).

Superviseret læring kan bruges i selvkørende biler på en række måder. Her er et par eksempler:

• Objektgenkendelse: Overvågede læringsalgoritmer kan bruges til at træne en model til at genkende objekter i de data, der indsamles af en selvkørende bils sensorer. For eksempel kan en model trænes til at genkende fodgængere, andre køretøjer, trafiklys og vejskilte i billeder eller lidar-punktskyer.
• Modellering: Overvågede læringsalgoritmer kan bruges til at træne en model til at forudsige sandsynligheden for, at visse hændelser forekommer i miljøet. For eksempel kan en model trænes til at forudsige sandsynligheden for, at en fodgænger krydser vejen på et bestemt sted, eller sandsynligheden for, at et andet køretøj foretager et pludseligt vognbaneskift.
• Adfærdsforudsigelse: Overvågede læringsalgoritmer kan bruges til at træne en model til at forudsige adfærden hos andre trafikanter, såsom fodgængere og andre køretøjer. Dette kan for eksempel bruges til at forudsige sandsynligheden for, at en fodgænger krydser vejen på et bestemt sted, eller til at forudsige sandsynligheden for, at et andet køretøj vil foretage et pludseligt vognbaneskift.

Uovervåget læring

Uovervåget læring er en type maskinlæring, hvor en model trænes på et umærket datasæt, hvilket betyder, at dataene ikke er mærket med det korrekte output. Målet med uovervåget læring er at opdage mønstre eller sammenhænge i dataene, snarere end at forudsige et specifikt output.

Uovervågede læringsalgoritmer har ikke et specifikt mål at forudsige og bruges i stedet til at finde mønstre og sammenhænge i dataene. Disse algoritmer bruges ofte til opgaver såsom clustering (gruppering af lignende datapunkter sammen), dimensionsreduktion (reduktion af antallet af funktioner i dataene) og anomalidetektion (identifikation af datapunkter, der er usædvanlige eller ikke passer med resten af data).

Uovervåget læring kan bruges i selvkørende biler på en række måder. Her er et par eksempler:

• Anomali påvisning: Uovervågede læringsalgoritmer kan bruges til at identificere usædvanlige eller uventede hændelser i de data, der indsamles af en selvkørende bils sensorer. For eksempel kan en uovervåget læringsalgoritme bruges til at identificere en fodgænger, der krydser vejen på et uventet sted, eller et køretøj, der foretager et brat vognbaneskift.
• clustering: Uovervågede læringsalgoritmer kan bruges til at gruppere data indsamlet af en autonom bils sensorer, og gruppere lignende datapunkter sammen. Dette kan for eksempel bruges til at gruppere datapunkter, der svarer til forskellige typer vejbelægninger, eller til at gruppere datapunkter, der svarer til forskellige trafikforhold.
• Funktionsudvinding: Uovervågede læringsalgoritmer kan bruges til at udtrække funktioner fra de data, der indsamles af en selvkørende bils sensorer. For eksempel kunne en uovervåget læringsalgoritme bruges til at identificere træk i en lidar-punktsky, der svarer til kanterne af objekter i miljøet, eller til at identificere træk i et billede, der svarer til kanterne af objekter i scenen.

Niveauer af autonomi i selvkørende biler

Selvkørende biler klassificeres generelt efter niveauer af automatisering, der spænder fra niveau 0 (ingen automatisering) til niveau 5 (fuldstændig autonom). Niveauerne for automatisering er defineret af Society of Automotive Engineers (SAE) og er som følger:

Niveau 0: Ingen automatisering

Føreren har til enhver tid fuld kontrol over køretøjet.

Niveau 1: Førerhjælp

Køretøjet har nogle automatiske funktioner, såsom vognbanehold eller adaptiv fartpilot, men føreren skal til enhver tid forblive opmærksom og klar til at tage kontrollen.

Niveau 2: Delvis automatisering

Køretøjet har mere avancerede automatiserede funktioner, såsom muligheden for at styre acceleration, bremsning og styring af køretøjet, men føreren skal stadig overvåge omgivelserne og være klar til at gribe ind, hvis det er nødvendigt.

Niveau 3: Betinget automatisering

Køretøjet er i stand til at udføre alle køreopgaver under visse forhold, men føreren skal være klar til at tage kontrol, hvis køretøjet støder på en situation, som det ikke kan klare.

Niveau 4: Høj automatisering

Køretøjet er i stand til at udføre alle køreopgaver under en lang række forhold, men føreren kan stadig være forpligtet til at tage kontrollen i visse situationer, såsom i dårligt vejr eller i komplekse køremiljøer.

Niveau 5: Fuld automatisering

Køretøjet er i stand til at udføre alle køreopgaver under alle forhold, og føreren er ikke forpligtet til at tage kontrollen.

Det er værd at bemærke, at autonome biler endnu ikke er på niveau 5, og det er ikke klart, hvornår de når dette niveau. De fleste selvkørende biler i øjeblikket på vejen er på niveau 4 eller derunder.

Selvkørende biler: Fordele og ulemper

Selvkørende biler har potentiale til at give mange fordele, men der er også nogle udfordringer, der skal løses, før de bliver udbredt.

FORDELE

• Færre ulykker: Selvkørende biler har potentiale til markant at reducere antallet af ulykker forårsaget af menneskelige fejl, hvilket kan føre til færre dødsfald og kvæstelser på vejen.
• Forbedret trafikafvikling: Selvkørende biler kunne forbedre trafikflowet og reducere trængslen ved at kommunikere med hinanden og træffe beslutninger i realtid for at optimere deres ruter og hastigheder.
• Øget mobilitet: Selvkørende biler kan øge mobiliteten for personer, der ikke er i stand til at køre på grund af alder, handicap eller andre faktorer.
• Miljømæssige fordele: Selvkørende biler kan reducere brændstofforbruget og emissionerne, hvilket kan have en positiv indvirkning på miljøet.

ULEMPER

• Bekymringer om pålidelighed og sikkerhed: Der er bekymringer om pålideligheden og sikkerheden af ​​selvkørende biler, især i komplekse eller uforudsigelige køresituationer.
• Tab af job: Selvkørende biler kan potentielt føre til jobtab for menneskelige chauffører, såsom taxa- og lastbilchauffører.
• Etiske og juridiske spørgsmål: Der er etiske og juridiske spørgsmål, der skal overvejes, såsom hvordan man sikrer passagerers og fodgængeres sikkerhed, og hvordan man håndterer ansvar i tilfælde af en ulykke.
• Cybersikkerhedsrisici: Selvkørende biler kan være sårbare over for cyberangreb, som kan kompromittere deres sikkerhed og privatliv.

Eksempler fra det virkelige liv på selvkørende biler

Der er flere eksempler på selvkørende biler, der er under udvikling eller allerede er på vej:

Waymo

Waymo er et selvkørende bilfirma, der ejes af Alphabet, Googles moderselskab. Waymos autonome biler bliver testet på offentlig vej i flere byer i USA, herunder Phoenix, Arizona og Detroit, Michigan.

[Indlejret indhold]

Tesla Autopilot

Tesla Autopilot er et semi-autonomt køresystem, der er tilgængeligt på visse Tesla-modeller. Selvom den ikke er helt selvkørende, giver den bilen mulighed for at klare nogle køreopgaver, såsom vognbanehold og vognbaneskift, med minimal input fra føreren.

[Indlejret indhold]

Cruise

Cruise er et selvkørende bilfirma, der er ejet af General Motors. Cruises selvkørende biler bliver testet på offentlige veje i San Francisco, Californien og Phoenix, Arizona.

[Indlejret indhold]

Aurora

Aurora er en selvkørende bilvirksomhed, der udvikler autonome køretøjsteknologier til brug i en række forskellige applikationer, herunder personbiler, leveringskøretøjer og offentlig transport. Auroras selvkørende biler bliver testet på offentlig vej i flere byer i USA.

[Indlejret indhold]

Vigtige takeaways

• Kunstig intelligens spiller en afgørende rolle i udviklingen og driften af ​​selvkørende biler.
• AI gør det muligt for selvkørende biler at fornemme, opfatte og navigere i deres omgivelser samt træffe beslutninger i realtid baseret på data indsamlet fra deres sensorer.
• Deep learning, en type maskinlæring, der involverer træning af kunstige neurale netværk på store datasæt, er meget brugt i udviklingen af ​​selvkørende biler.
• Selvkørende biler klassificeres generelt efter niveauer af automatisering, der spænder fra niveau 0 (ingen automatisering) til niveau 5 (fuldstændig autonom).
• De fleste selvkørende biler i øjeblikket på vejen er på niveau 4 eller derunder, hvilket betyder, at de er i stand til at udføre alle køreopgaver under visse forhold, men føreren skal være klar til at tage kontrollen, hvis det er nødvendigt.
• Selvkørende biler har potentiale til markant at reducere antallet af ulykker forårsaget af menneskelige fejl, hvilket kan føre til færre dødsfald og kvæstelser på vejen.
• Selvkørende biler kan forbedre trafikken og reducere trængslen ved at kommunikere med hinanden og træffe beslutninger i realtid for at optimere deres ruter og hastigheder.
• Selvkørende biler kan øge mobiliteten for personer, der ikke er i stand til at køre på grund af alder, handicap eller andre faktorer.
• Selvkørende biler kan reducere brændstofforbruget og emissionerne, hvilket kan have en positiv indvirkning på miljøet.
• Der er udfordringer, der skal løses, før selvkørende biler bliver udbredt, herunder udvikling af kunstig intelligens-systemer, der er pålidelige og sikre nok til brug på offentlige veje, såvel som regulatoriske, juridiske og etiske spørgsmål.

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. Adgang her.
• Kilde: https://dataconomy.com/2022/12/artificial-intelligence-and-self-driving/