مسابقه ای ساخته شده در بهشت ​​حمل و نقل: هوش مصنوعی و ماشین های خودران

هوش مصنوعی (AI) این پتانسیل را دارد که شیوه رانندگی و حمل و نقل کالا و افراد را متحول کند. خودروهای خودران که به عنوان خودروهای خودران نیز شناخته می شوند، نوعی خودرو هستند که از هوش مصنوعی و سایر فناوری های پیشرفته برای حرکت در جاده ها و بزرگراه ها بدون نیاز به راننده انسانی استفاده می کنند.

خودروهای خودران مزایای متعددی دارند. اولاً، آنها این پتانسیل را دارند که تعداد تصادفات ناشی از خطای انسانی را به میزان قابل توجهی کاهش دهند. این می تواند منجر به مرگ و جراحات کمتری در جاده شود. خودروهای خودران همچنین می توانند جریان ترافیک را بهبود بخشند و ازدحام را کاهش دهند، زیرا می توانند با یکدیگر ارتباط برقرار کنند و در زمان واقعی برای بهینه سازی مسیرها و سرعت خود تصمیم گیری کنند.

علاوه بر این، خودروهای خودران نیز می توانند با کاهش مصرف سوخت و آلایندگی، تاثیر مثبتی بر محیط زیست داشته باشند. آنها همچنین می توانند تحرک را برای افرادی که به دلیل سن، ناتوانی یا عوامل دیگر قادر به رانندگی نیستند، افزایش دهند.

چگونه از هوش مصنوعی در خودروهای خودران استفاده می شود؟

هنوز چالش‌های زیادی وجود دارد که باید قبل از فراگیر شدن خودروهای خودران مورد توجه قرار گیرد. یکی از چالش‌های اصلی توسعه سیستم‌های هوش مصنوعی است که به اندازه کافی قابل اعتماد و ایمن باشند تا در جاده‌های عمومی مورد استفاده قرار گیرند. همچنین مسائل قانونی، حقوقی و اخلاقی وجود دارد که باید در نظر گرفته شود، مانند چگونگی اطمینان از ایمنی مسافران و عابران پیاده و نحوه رسیدگی به مسئولیت در صورت وقوع تصادف.

با وجود این چالش ها، توسعه خودروهای خودران با سرعتی سریع در حال پیشرفت است. بسیاری از شرکت‌ها، از جمله خودروسازان سنتی و شرکت‌های فناوری، سرمایه‌گذاری زیادی روی این فناوری انجام می‌دهند و خودروهای خودران در حال حاضر در جاده‌های عمومی در برخی مناطق آزمایش می‌شوند. این احتمال وجود دارد که در آینده نزدیک شاهد خودروهای خودران در جاده ها باشیم، اگرچه پیش بینی دقیق زمان رایج شدن آنها دشوار است.

هوش مصنوعی در صنعت خودروسازی

در اینجا چند روش برای استفاده از هوش مصنوعی در خودروهای خودران آورده شده است:

حس و ادراک

خودروهای خودران از حسگرهای مختلفی مانند دوربین، لیدار، رادار و سنسورهای اولتراسونیک برای جمع‌آوری اطلاعات پیرامون خود استفاده می‌کنند. سپس این داده‌ها با استفاده از الگوریتم‌های هوش مصنوعی پردازش و تجزیه و تحلیل می‌شوند تا نقشه‌ای دقیق از محیط ایجاد کنند و اشیایی مانند عابران پیاده، سایر وسایل نقلیه، چراغ‌های راهنمایی و علائم جاده را شناسایی کنند.

تصمیم سازی

خودروهای خودران از هوش مصنوعی برای تصمیم گیری در زمان واقعی بر اساس داده هایی که از حسگرهای خود جمع آوری می کنند، استفاده می کنند. به عنوان مثال، اگر یک خودروی خودران تشخیص دهد که عابر پیاده از جاده عبور می کند، از هوش مصنوعی برای تعیین بهترین اقدام، مانند کاهش سرعت یا توقف، استفاده می کند.

مدل سازی پیش بینی

اتومبیل های خودران از هوش مصنوعی برای پیش بینی رفتار سایر کاربران جاده مانند عابران پیاده و سایر وسایل نقلیه استفاده می کنند. این امر به خودرو کمک می کند تا مشکلات احتمالی را پیش بینی کند و اقدامات لازم را برای اجتناب از آنها انجام دهد.

پردازش زبان طبیعی

برخی از خودروهای خودران مجهز به فناوری تشخیص صدا هستند که به مسافران اجازه می دهد با استفاده از زبان طبیعی با خودرو ارتباط برقرار کنند. این فناوری از هوش مصنوعی برای درک و پاسخ به دستورات گفتاری استفاده می کند.

به طور کلی، هوش مصنوعی یکی از اجزای کلیدی خودروهای خودران است که آنها را قادر می‌سازد تا محیط خود را حس کنند، درک کنند و حرکت کنند، همچنین تصمیم‌گیری کنند و به شرایط در حال تغییر در زمان واقعی پاسخ دهند.

یادگیری عمیق در خودروهای خودران

یادگیری عمیق نوعی یادگیری ماشینی است که شامل آموزش شبکه های عصبی مصنوعی بر روی مجموعه داده های بزرگ است. این شبکه‌های عصبی قادر به یادگیری و تشخیص الگوهای موجود در داده‌ها هستند و می‌توانند برای انجام طیف وسیعی از وظایف، از جمله تشخیص تصویر و گفتار، پردازش زبان طبیعی و مدل‌سازی پیش‌بینی‌کننده استفاده شوند.

در زمینه ماشین‌های خودران، یادگیری عمیق اغلب برای بهبود دقت و قابلیت اطمینان سیستم‌های هوش مصنوعی استفاده می‌شود که ماشین را قادر می‌سازد تا مسیریابی و تصمیم‌گیری کند. به عنوان مثال، الگوریتم‌های یادگیری عمیق را می‌توان بر روی مجموعه داده‌های بزرگی از تصاویر و ویدیوها آموزش داد تا خودرو را قادر سازد تا اشیاء موجود در محیط خود مانند عابران پیاده، سایر وسایل نقلیه و علائم راهنمایی و رانندگی را شناسایی و طبقه‌بندی کند.

---

چارچوب یادگیری عمیق PaddlePaddle هوش مصنوعی را به برنامه های صنعتی گسترش می دهد

---

یادگیری عمیق همچنین برای بهبود دقت مدل‌سازی پیش‌بینی در خودروهای خودران استفاده می‌شود. به عنوان مثال، خودرو می تواند از الگوریتم های یادگیری عمیق برای تجزیه و تحلیل داده های حسگرهای خود و پیش بینی احتمال عبور عابر پیاده از جاده در یک مکان خاص یا احتمال تغییر خط ناگهانی وسیله نقلیه دیگری استفاده کند.

اهمیت GDDR6 برای خودروهای خودران

GDDR6 (Graphics Double Data Rate 6) نوعی حافظه است که در واحدهای پردازش گرافیکی (GPU) برای ذخیره و پردازش داده ها برای رندر گرافیک و سایر کارهای محاسباتی فشرده استفاده می شود. در زمینه رانندگی خودران، GDDR6 مهم است زیرا پردازش با سرعت زیاد مقادیر زیادی از داده‌ها را که برای عملکرد خودروهای خودران مورد نیاز است، امکان‌پذیر می‌سازد.

خودروهای خودران برای جمع‌آوری اطلاعات پیرامون خود به حسگرهای مختلفی مانند دوربین‌ها، لیدار، رادار و سنسورهای اولتراسونیک متکی هستند. سپس این داده‌ها با استفاده از الگوریتم‌های هوش مصنوعی پردازش و تجزیه و تحلیل می‌شوند تا نقشه‌ای دقیق از محیط ایجاد کنند و اشیایی مانند عابران پیاده، سایر وسایل نقلیه، چراغ‌های راهنمایی و علائم جاده را شناسایی کنند. پردازش و تجزیه و تحلیل داده های مورد نیاز برای فعال کردن این وظایف از نظر محاسباتی فشرده است و برای ذخیره و دسترسی سریع به داده ها به حافظه پرسرعت مانند GDDR6 نیاز دارد.

GDDR6 علاوه بر امکان پردازش پرسرعت داده ها، در مصرف انرژی نیز موثر است، که برای عملکرد خودروهای خودران مهم است، زیرا آنها باید بتوانند برای مدت طولانی بدون نیاز به شارژ مجدد کار کنند.

به طور کلی، GDDR6 یک فناوری مهم برای آینده رانندگی خودران است، زیرا پردازش سریع و کارآمد مقادیر زیادی از داده‌های مورد نیاز برای عملکرد خودروهای خودران را امکان‌پذیر می‌سازد.

الگوریتم های هوش مصنوعی خودرو و خودروهای خودران

هر دو روش یادگیری تحت نظارت و بدون نظارت در الگوریتم های هوش مصنوعی خودرو استفاده می شود.

نظارت بر یادگیری

یادگیری نظارت شده نوعی از یادگیری ماشینی است که در آن یک مدل بر روی یک مجموعه داده برچسب‌گذاری شده آموزش داده می‌شود، به این معنی که داده‌ها با خروجی صحیح برچسب‌گذاری شده‌اند. هدف یادگیری تحت نظارت یادگیری تابعی است که ورودی ها را به خروجی ها بر اساس داده های برچسب گذاری شده نگاشت می کند.

در طول فرآیند آموزش، مدل با مجموعه‌ای از جفت‌های ورودی/خروجی ارائه می‌شود و از یک الگوریتم بهینه‌سازی برای تنظیم پارامترهای داخلی خود استفاده می‌کند تا بتواند به‌طور دقیق خروجی را با یک ورودی جدید پیش‌بینی کند. هنگامی که مدل آموزش داده شد، می توان از آن برای پیش بینی داده های جدید و نادیده استفاده کرد.

یادگیری نظارت شده معمولاً برای کارهایی مانند طبقه بندی (پیش بینی برچسب کلاس)، رگرسیون (پیش بینی یک مقدار پیوسته) و پیش بینی ساخت یافته (پیش بینی یک توالی یا یک خروجی با ساختار درختی) استفاده می شود.

یادگیری تحت نظارت را می توان در اتومبیل های خودران به روش های مختلفی مورد استفاده قرار داد. در اینجا چند نمونه هستند:

• تشخیص اشیا: الگوریتم‌های یادگیری نظارت شده را می‌توان برای آموزش مدلی برای تشخیص اشیاء در داده‌های جمع‌آوری‌شده توسط حسگرهای خودروی خودران استفاده کرد. به عنوان مثال، یک مدل می تواند برای تشخیص عابران پیاده، سایر وسایل نقلیه، چراغ های راهنمایی و علائم جاده در تصاویر یا ابرهای نقطه لیدار آموزش ببیند.
• مدل سازی: الگوریتم های یادگیری نظارت شده را می توان برای آموزش مدلی برای پیش بینی احتمال وقوع رویدادهای خاص در محیط استفاده کرد. به عنوان مثال، یک مدل می‌تواند برای پیش‌بینی احتمال عبور عابر پیاده از جاده در یک مکان خاص یا احتمال تغییر خط ناگهانی وسیله نقلیه دیگری آموزش ببیند.
• پیش بینی رفتار: الگوریتم های یادگیری نظارت شده را می توان برای آموزش مدلی برای پیش بینی رفتار سایر کاربران جاده مانند عابران پیاده و سایر وسایل نقلیه استفاده کرد. این می تواند به عنوان مثال برای پیش بینی احتمال عبور یک عابر پیاده از جاده در یک مکان خاص یا برای پیش بینی احتمال تغییر خط ناگهانی وسیله نقلیه دیگر استفاده شود.

یادگیری بی نظیر

یادگیری بدون نظارت نوعی از یادگیری ماشینی است که در آن یک مدل بر روی یک مجموعه داده بدون برچسب آموزش داده می شود، به این معنی که داده ها با خروجی صحیح برچسب گذاری نمی شوند. هدف از یادگیری بدون نظارت، کشف الگوها یا روابط در داده ها است، نه پیش بینی یک خروجی خاص.

الگوریتم های یادگیری بدون نظارت هدف خاصی برای پیش بینی ندارند و در عوض برای یافتن الگوها و روابط در داده ها استفاده می شوند. این الگوریتم‌ها اغلب برای کارهایی مانند خوشه‌بندی (گروه‌بندی نقاط داده مشابه با هم)، کاهش ابعاد (کاهش تعداد ویژگی‌های موجود در داده‌ها) و تشخیص ناهنجاری (شناسایی نقاط داده‌ای که غیرعادی هستند یا با بقیه موارد مطابقت ندارند) استفاده می‌شوند. داده ها).

یادگیری بدون نظارت می تواند در اتومبیل های خودران به روش های مختلفی مورد استفاده قرار گیرد. در اینجا چند نمونه هستند:

• تشخیص ناهنجاری: الگوریتم‌های یادگیری بدون نظارت می‌توانند برای شناسایی رویدادهای غیرمعمول یا غیرمنتظره در داده‌های جمع‌آوری‌شده توسط حسگرهای خودروی خودران استفاده شوند. به عنوان مثال، یک الگوریتم یادگیری بدون نظارت می تواند برای شناسایی عابر پیاده ای که از جاده در یک مکان غیرمنتظره عبور می کند یا وسیله نقلیه ای که تغییر خط ناگهانی می کند استفاده شود.
• خوشه بندی: الگوریتم‌های یادگیری بدون نظارت را می‌توان برای خوشه‌بندی داده‌های جمع‌آوری‌شده توسط حسگرهای یک خودروی خودمختار، گروه‌بندی نقاط داده مشابه با هم استفاده کرد. این می تواند به عنوان مثال برای گروه بندی نقاط داده ای که با انواع مختلف سطوح جاده مطابقت دارند یا برای گروه بندی نقاط داده ای که با شرایط ترافیکی متفاوت مطابقت دارند استفاده شود.
• استخراج ویژگی: الگوریتم‌های یادگیری بدون نظارت می‌توانند برای استخراج ویژگی‌ها از داده‌های جمع‌آوری‌شده توسط حسگرهای یک خودروی خودران استفاده شوند. به عنوان مثال، یک الگوریتم یادگیری بدون نظارت می‌تواند برای شناسایی ویژگی‌هایی در یک ابر نقطه لیدار که با لبه‌های اشیاء در محیط مطابقت دارد یا برای شناسایی ویژگی‌هایی در یک تصویر که با لبه‌های اشیاء در صحنه مطابقت دارد، استفاده شود.

سطوح استقلال در خودروهای خودران

خودروهای خودران عموماً بر اساس سطوح اتوماسیون طبقه بندی می شوند که از سطح 0 (بدون اتوماسیون) تا سطح 5 (کاملاً خودمختار) متغیر است. سطوح اتوماسیون توسط انجمن مهندسین خودرو (SAE) تعریف شده و به شرح زیر است:

سطح 0: اتوماسیون وجود ندارد

راننده همیشه کنترل کامل خودرو را در دست دارد.

سطح 1: کمک راننده

این وسیله نقلیه دارای برخی عملکردهای خودکار مانند حفظ خطوط یا کروز کنترل تطبیقی ​​است، اما راننده باید مراقب باشد و در هر زمان آماده کنترل باشد.

سطح 2: اتوماسیون جزئی

این وسیله نقلیه دارای عملکردهای خودکار پیشرفته تری است، مانند توانایی کنترل شتاب، ترمز و فرمان خودرو، اما راننده همچنان باید محیط را زیر نظر داشته باشد و در صورت لزوم آماده مداخله باشد.

سطح 3: اتوماسیون مشروط

وسیله نقلیه در شرایط خاصی قادر به انجام کلیه وظایف رانندگی است، اما اگر وسیله نقلیه با موقعیتی مواجه شد که از عهده آن بر نمی آید، راننده باید آماده باشد تا کنترل را به دست بگیرد.

سطح 4: اتوماسیون بالا

این وسیله نقلیه قادر است همه وظایف رانندگی را تحت طیف وسیعی از شرایط انجام دهد، اما همچنان ممکن است در شرایط خاصی مانند آب و هوای بد یا در محیط های پیچیده رانندگی، از راننده خواسته شود که کنترل را به دست بگیرد.

سطح 5: اتوماسیون کامل

خودرو در هر شرایطی قادر به انجام کلیه وظایف رانندگی است و نیازی به کنترل راننده نیست.

شایان ذکر است که خودروهای خودران هنوز در سطح 5 قرار ندارند و مشخص نیست چه زمانی به این سطح می رسند. اکثر خودروهای خودران در حال حاضر در جاده ها در سطح 4 یا پایین تر هستند.

خودروهای خودران: مزایا و معایب

خودروهای خودران این پتانسیل را دارند که مزایای زیادی به همراه داشته باشند، اما برخی از چالش‌ها نیز وجود دارد که قبل از فراگیر شدن باید به آنها رسیدگی شود.

مزایا

• کاهش تصادفات: خودروهای خودران این پتانسیل را دارند که تعداد تصادفات ناشی از خطای انسانی را به میزان قابل توجهی کاهش دهند که می تواند منجر به مرگ و میر و صدمات کمتری در جاده شود.
• بهبود جریان ترافیک: خودروهای خودران می توانند با برقراری ارتباط با یکدیگر و تصمیم گیری در زمان واقعی برای بهینه سازی مسیرها و سرعت خود، جریان ترافیک را بهبود بخشند و ازدحام را کاهش دهند.
• افزایش تحرک: خودروهای خودران می توانند تحرک را برای افرادی که به دلیل سن، ناتوانی یا عوامل دیگر قادر به رانندگی نیستند، افزایش دهند.
• مزایای زیست محیطی: خودروهای خودران می توانند مصرف سوخت و انتشار گازهای گلخانه ای را کاهش دهند که می تواند تأثیر مثبتی بر محیط زیست داشته باشد.

منفی

• نگرانی های قابلیت اطمینان و ایمنی: نگرانی هایی در مورد قابلیت اطمینان و ایمنی خودروهای خودران، به ویژه در موقعیت های رانندگی پیچیده یا غیرقابل پیش بینی وجود دارد.
• از دست دادن شغل: خودروهای خودران به طور بالقوه می توانند منجر به از دست دادن شغل برای رانندگان انسانی مانند رانندگان تاکسی و کامیون شوند.
• مسائل اخلاقی و حقوقی: موارد اخلاقی و قانونی وجود دارد که باید مورد توجه قرار گیرد، از جمله چگونگی اطمینان از ایمنی مسافران و عابران پیاده و نحوه رسیدگی به مسئولیت در صورت بروز حادثه.
• خطرات امنیت سایبری: خودروهای خودران می توانند در برابر حملات سایبری آسیب پذیر باشند که می تواند امنیت و حریم خصوصی آنها را به خطر بیندازد.

نمونه های واقعی از ماشین های خودران

چندین نمونه از خودروهای خودران وجود دارد که در حال توسعه هستند یا در حال حاضر در جاده ها هستند:

Waymo

Waymo یک شرکت خودروهای خودران است که متعلق به آلفابت، شرکت مادر گوگل است. خودروهای خودران Waymo در جاده های عمومی در چندین شهر ایالات متحده از جمله فینیکس، آریزونا و دیترویت، میشیگان در حال آزمایش هستند.

[محتوای جاسازی شده]

خلبان اتوماتیک تسلا

خلبان اتوماتیک تسلا یک سیستم رانندگی نیمه خودکار است که در برخی از مدل‌های تسلا موجود است. در حالی که به طور کامل خودران نیست، به خودرو اجازه می دهد تا برخی از وظایف رانندگی مانند حفظ خطوط و تغییر مسیر را با حداقل ورودی از جانب راننده انجام دهد.

[محتوای جاسازی شده]

سفر دریایی

سفر دریایی یک شرکت خودروهای خودران است که متعلق به جنرال موتورز است. خودروهای خودران کروز در جاده های عمومی در سانفرانسیسکو، کالیفرنیا و فینیکس، آریزونا آزمایش می شوند.

[محتوای جاسازی شده]

شفق قطبی

شفق قطبی یک شرکت خودروهای خودران است که در حال توسعه فناوری خودروهای خودران برای استفاده در کاربردهای مختلف، از جمله وسایل نقلیه مسافربری، وسایل نقلیه تحویلی و حمل و نقل عمومی است. خودروهای خودران Aurora در جاده های عمومی در چندین شهر در ایالات متحده آزمایش می شوند.

[محتوای جاسازی شده]

کلاهبرداریهای کلیدی

• هوش مصنوعی نقش مهمی در توسعه و عملکرد خودروهای خودران دارد.
• هوش مصنوعی خودروهای خودران را قادر می‌سازد تا محیط خود را حس کنند، درک کنند و حرکت کنند و همچنین بر اساس داده‌های جمع‌آوری‌شده از حسگرهایشان در زمان واقعی تصمیم‌گیری کنند.
• یادگیری عمیق، نوعی از یادگیری ماشینی که شامل آموزش شبکه های عصبی مصنوعی بر روی مجموعه داده های بزرگ است، به طور گسترده در توسعه خودروهای خودران استفاده می شود.
• خودروهای خودران عموماً بر اساس سطوح اتوماسیون طبقه بندی می شوند که از سطح 0 (بدون اتوماسیون) تا سطح 5 (کاملاً خودمختار) متغیر است.
• اکثر خودروهای خودران در حال حاضر در جاده ها در سطح 4 یا پایین تر هستند، به این معنی که آنها می توانند تمام وظایف رانندگی را تحت شرایط خاص انجام دهند، اما راننده باید آماده باشد تا در صورت لزوم کنترل را به دست بگیرد.
• خودروهای خودران این پتانسیل را دارند که تعداد تصادفات ناشی از خطای انسانی را به میزان قابل توجهی کاهش دهند که می تواند منجر به مرگ و میر و صدمات کمتری در جاده شود.
• خودروهای خودران می توانند با برقراری ارتباط با یکدیگر و تصمیم گیری در زمان واقعی برای بهینه سازی مسیرها و سرعت خود، جریان ترافیک را بهبود بخشند و ازدحام را کاهش دهند.
• خودروهای خودران می توانند تحرک را برای افرادی که به دلیل سن، ناتوانی یا عوامل دیگر قادر به رانندگی نیستند، افزایش دهند.
• خودروهای خودران می توانند مصرف سوخت و انتشار گازهای گلخانه ای را کاهش دهند که می تواند تأثیر مثبتی بر محیط زیست داشته باشد.
• چالش‌هایی وجود دارد که باید قبل از فراگیر شدن خودروهای خودران، از جمله توسعه سیستم‌های هوش مصنوعی که برای استفاده در جاده‌های عمومی قابل اعتماد و ایمن هستند، و همچنین مسائل قانونی، قانونی و اخلاقی، مورد توجه قرار گیرد.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
• منبع: https://dataconomy.com/2022/12/artificial-intelligence-and-self-driving/