Kuljetustaivaassa tehty ottelu: tekoäly ja itseohjautuvat autot

Tekoäly (AI) voi mullistaa tapamme ajaa ja kuljettaa tavaroita ja ihmisiä. Itseajavat autot, jotka tunnetaan myös autonomisina ajoneuvoina, ovat ajoneuvotyyppejä, jotka käyttävät tekoälyä ja muita kehittyneitä tekniikoita navigoimaan teillä ja moottoriteillä ilman ihmiskuljettajaa.

Itseohjautuvilla autoilla on useita etuja. Ensinnäkin ne voivat vähentää merkittävästi inhimillisistä virheistä johtuvien onnettomuuksien määrää. Tämä voi johtaa vähemmän kuolemaan ja loukkaantumiseen tiellä. Itseajavat autot voisivat myös parantaa liikenteen sujuvuutta ja vähentää ruuhkia, koska ne pystyvät kommunikoimaan keskenään ja tekemään päätöksiä reaaliajassa optimoidakseen reittinsä ja nopeutensa.

Lisäksi itseajavilla autoilla voi olla myös myönteinen vaikutus ympäristöön vähentämällä polttoaineen kulutusta ja päästöjä. Ne voivat myös lisätä niiden ihmisten liikkuvuutta, jotka eivät voi ajaa iän, vamman tai muiden tekijöiden vuoksi.

Miten tekoälyä käytetään itseohjautuvissa autoissa?

On vielä ratkaistava monia haasteita, ennen kuin itseohjautuvat autot yleistyvät. Yksi suurimmista haasteista on kehittää tekoälyjärjestelmiä, jotka ovat riittävän luotettavia ja turvallisia käytettäväksi yleisillä teillä. On myös otettava huomioon lainsäädännölliset, oikeudelliset ja eettiset kysymykset, kuten matkustajien ja jalankulkijoiden turvallisuus ja vastuun käsittely onnettomuustapauksissa.

Näistä haasteista huolimatta itseohjautuvien autojen kehitys etenee kovaa vauhtia. Monet yritykset, mukaan lukien perinteiset autonvalmistajat ja teknologiayritykset, investoivat voimakkaasti teknologiaan, ja itseohjautuvia autoja testataan jo joillain alueilla yleisillä teillä. On todennäköistä, että itse ajavia autoja näkee teillä lähitulevaisuudessa, vaikka on vaikea ennustaa tarkasti, milloin ne yleistyvät.

Tekoäly autoteollisuudessa

Tässä on muutamia tapoja, joilla tekoälyä käytetään itse ajavissa autoissa:

Aistiminen ja havainto

Itseajavat autot käyttävät erilaisia ​​antureita, kuten kameroita, lidar-, tutka- ja ultraääniantureita kerätäkseen tietoa ympäristöstään. Nämä tiedot käsitellään ja analysoidaan tekoälyalgoritmeilla yksityiskohtaisen ympäristökartan luomiseksi ja kohteiden, kuten jalankulkijoiden, muiden ajoneuvojen, liikennevalojen ja liikennemerkkien tunnistamiseksi.

Päätöksenteko

Itseajavat autot käyttävät tekoälyä tehdäkseen reaaliaikaisia ​​päätöksiä antureiltaan keräämiensä tietojen perusteella. Jos esimerkiksi itseajava auto havaitsee tien ylittävän jalankulkijan, se käyttää tekoälyä määrittääkseen parhaan toimintatavan, kuten nopeuden hidastamisen tai pysähtymisen.

Ennustava mallintaminen

Itseajavat autot käyttävät tekoälyä ennustamaan muiden tienkäyttäjien, kuten jalankulkijoiden ja muiden ajoneuvojen käyttäytymistä. Tämä auttaa autoa ennakoimaan mahdollisia ongelmia ja ryhtymään tarvittaviin toimiin niiden välttämiseksi.

Luonnollisen kielen käsittely

Jotkut itseajavat autot on varustettu äänentunnistustekniikalla, jonka avulla matkustajat voivat kommunikoida auton kanssa luonnollisella kielellä. Tämä tekniikka käyttää tekoälyä puhekomentojen ymmärtämiseen ja niihin vastaamiseen.

Kaiken kaikkiaan tekoäly on itseohjautuvien autojen keskeinen osa, jonka avulla ne voivat aistia, havaita ja navigoida ympäristössään sekä tehdä päätöksiä ja reagoida muuttuviin olosuhteisiin reaaliajassa.

Syvällinen oppiminen itseohjautuvissa autoissa

Syväoppiminen on eräänlainen koneoppiminen, joka sisältää keinotekoisten hermoverkkojen koulutuksen suurilla tietojoukoilla. Nämä hermoverkot pystyvät oppimaan ja tunnistamaan datan kuvioita, ja niitä voidaan käyttää monenlaisten tehtävien suorittamiseen, mukaan lukien kuvan- ja puheentunnistus, luonnollisen kielen käsittely ja ennakoiva mallinnus.

Itseajavien autojen yhteydessä syväoppimista käytetään usein parantamaan sellaisten tekoälyjärjestelmien tarkkuutta ja luotettavuutta, jotka mahdollistavat auton navigoinnin ja päätöksenteon. Esimerkiksi syväoppimisalgoritmeja voidaan kouluttaa suuriin kuva- ja videotietosarjoihin, jotta auto voi tunnistaa ja luokitella ympäristössään esineitä, kuten jalankulkijoita, muita ajoneuvoja ja liikennemerkkejä.

---

PaddlePaddle syväoppimiskehys laajentaa tekoälyä teollisiin sovelluksiin

---

Syväoppimista käytetään myös parantamaan ennakoivan mallinnuksen tarkkuutta itseajavissa autoissa. Auto voi esimerkiksi käyttää syväoppimisalgoritmeja analysoidakseen sen antureiden tietoja ja ennustaakseen todennäköisyyttä, että jalankulkija ylittää tien tietyssä paikassa tai todennäköisyyttä, että toinen ajoneuvo tekee äkillisen kaistanvaihdon.

GDDR6:n merkitys itseajaville autoille

GDDR6 (Graphics Double Data Rate 6) on eräänlainen muisti, jota käytetään grafiikkasuoritusyksiköissä (GPU) tietojen tallentamiseen ja käsittelemiseen grafiikan renderöintiä ja muita laskentaa vaativia tehtäviä varten. Autonomisen ajon yhteydessä GDDR6 on tärkeä, koska se mahdollistaa suurten tietomäärien nopean käsittelyn, jota itseajavien autojen toimintaan tarvitaan.

Itseajavat autot käyttävät erilaisia ​​antureita, kuten kameroita, lidar-, tutka- ja ultraääniantureita kerätäkseen tietoa ympäristöstään. Nämä tiedot käsitellään ja analysoidaan tekoälyalgoritmeilla yksityiskohtaisen ympäristökartan luomiseksi ja kohteiden, kuten jalankulkijoiden, muiden ajoneuvojen, liikennevalojen ja liikennemerkkien tunnistamiseksi. Näiden tehtävien mahdollistamiseen vaadittava tietojenkäsittely ja analysointi on laskentaintensiivistä ja vaatii nopeaa muistia, kuten GDDR6:ta, jotta tiedot voidaan tallentaa ja käyttää nopeasti.

Sen lisäksi, että GDDR6 mahdollistaa nopean tiedonkäsittelyn, se on myös energiatehokas, mikä on tärkeää itseohjautuvien autojen toiminnan kannalta, sillä niiden on kyettävä toimimaan pitkiä aikoja ilman latausta.

Kaiken kaikkiaan GDDR6 on tärkeä teknologia autonomisen ajon tulevaisuuden kannalta, sillä se mahdollistaa itseajavien autojen toiminnan edellyttämien suurten tietomäärien nopean ja tehokkaan käsittelyn.

Autojen tekoälyalgoritmit ja itseohjautuvat autot

Autoteollisuuden tekoälyalgoritmeissa hyödynnetään sekä ohjattuja että valvomattomia oppimismenetelmiä.

Valvottu oppiminen

Valvottu oppiminen on koneoppimisen tyyppi, jossa mallia opetetaan tunnistetulla tietojoukolla, mikä tarkoittaa, että data on merkitty oikealla lähdöllä. Ohjatun oppimisen tavoitteena on oppia toiminto, joka kartoittaa syötteet tuotoksiksi merkittyjen tietojen perusteella.

Koulutusprosessin aikana mallille esitetään joukko syöttö/lähtöpareja ja se käyttää optimointialgoritmia säätääkseen sisäisiä parametrejaan siten, että se voi ennustaa tarkasti uuden syötteen antamisen. Kun malli on koulutettu, sitä voidaan käyttää ennustamaan uutta, näkymätöntä dataa.

Ohjattua oppimista käytetään yleisesti sellaisiin tehtäviin kuin luokittelu (luokkatunnisteen ennustaminen), regressio (jatkuvan arvon ennustaminen) ja strukturoitu ennuste (jonon tai puurakenteisen tulosteen ennustaminen).

Ohjattua oppimista voidaan käyttää itseajavissa autoissa useilla tavoilla. Tässä on muutamia esimerkkejä:

• Objektin tunnistus: Valvottujen oppimisalgoritmien avulla mallia voidaan kouluttaa tunnistamaan esineitä itseajavan auton antureiden keräämistä tiedoista. Malli voidaan esimerkiksi kouluttaa tunnistamaan jalankulkijat, muut ajoneuvot, liikennevalot ja liikennemerkit kuvista tai lidar-pistepilvistä.
• mallinnus: Valvottuja oppimisalgoritmeja voidaan käyttää mallin kouluttamiseen ennustamaan tiettyjen ympäristössä tapahtuvien tapahtumien todennäköisyyttä. Malli voitaisiin esimerkiksi kouluttaa ennustamaan todennäköisyyttä, että jalankulkija ylittää tien tietyssä paikassa tai todennäköisyys, että toinen ajoneuvo tekee äkillisen kaistanvaihdon.
• Käyttäytymisen ennuste: Valvottuja oppimisalgoritmeja voidaan käyttää mallin kouluttamiseen ennustamaan muiden tienkäyttäjien, kuten jalankulkijoiden ja muiden ajoneuvojen käyttäytymistä. Tätä voidaan käyttää esimerkiksi ennustamaan todennäköisyyttä, että jalankulkija ylittää tien tietyssä paikassa tai ennustaa todennäköisyyttä, että toinen ajoneuvo tekee äkillisen kaistanvaihdon.

Valvomaton oppiminen

Valvomaton oppiminen on koneoppimisen tyyppi, jossa mallia opetetaan merkitsemättömälle tietojoukolle, mikä tarkoittaa, että dataa ei ole merkitty oikealla lähdöllä. Valvomattoman oppimisen tavoitteena on löytää tiedosta malleja tai suhteita sen sijaan, että ennakoidaan tiettyä tulosta.

Valvomattomilla oppimisalgoritmeilla ei ole erityistä tavoitetta ennustaa, vaan niitä käytetään sen sijaan mallien ja suhteiden löytämiseen tiedosta. Näitä algoritmeja käytetään usein sellaisiin tehtäviin kuin klusterointi (samankaltaisten tietopisteiden ryhmittäminen yhteen), ulottuvuuksien vähentäminen (tiedon ominaisuuksien määrän vähentäminen) ja poikkeamien havaitseminen (epätavallisten tai muiden tietopisteiden kanssa yhteensopimattomien tietopisteiden tunnistaminen). tiedot).

Ohjaamatonta oppimista voidaan käyttää itseajavissa autoissa monin tavoin. Tässä on muutamia esimerkkejä:

• Poikkeaman havaitseminen: Valvomattomien oppimisalgoritmien avulla voidaan tunnistaa epätavallisia tai odottamattomia tapahtumia itseajavan auton antureiden keräämistä tiedoista. Valvomatonta oppimisalgoritmia voitaisiin esimerkiksi käyttää tunnistamaan odottamattomassa paikassa tien ylittävä jalankulkija tai äkillisesti kaistaa vaihtava ajoneuvo.
• klusterointi: Valvomattomia oppimisalgoritmeja voidaan käyttää ryhmittelemään autonomisen auton antureiden keräämiä tietoja ryhmittelemällä samanlaisia ​​datapisteitä yhteen. Tätä voidaan käyttää esimerkiksi ryhmittelemään yhteen datapisteitä, jotka vastaavat erityyppisiä tienpintoja tai ryhmittelemään yhteen datapisteitä, jotka vastaavat erilaisia ​​liikenneolosuhteita.
• Ominaisuuksien erottaminen: Valvomattomien oppimisalgoritmien avulla voidaan poimia ominaisuuksia itse ajavan auton antureiden keräämistä tiedoista. Valvomatonta oppimisalgoritmia voitaisiin esimerkiksi käyttää tunnistamaan lidar-pistepilven piirteitä, jotka vastaavat ympäristössä olevien objektien reunoja, tai tunnistamaan kuvan piirteitä, jotka vastaavat kohtauksen kohteiden reunoja.

Itseohjautuvien autojen autonomiatasot

Itseajavat autot luokitellaan yleensä automaatiotasojen mukaan, jotka vaihtelevat tasosta 0 (ei automaatiota) tasoon 5 (täysin autonominen). Society of Automotive Engineers (SAE) määrittelee automaation tasot, ja ne ovat seuraavat:

Taso 0: Ei automaatiota

Kuljettaja hallitsee ajoneuvoa koko ajan täysin.

Taso 1: Kuljettajan apu

Ajoneuvossa on joitain automatisoituja toimintoja, kuten kaistanpito tai mukautuva vakionopeudensäädin, mutta kuljettajan on pysyttävä tarkkaavaisena ja valmiina ottamaan hallintaansa milloin tahansa.

Taso 2: Osittainen automatisointi

Ajoneuvossa on edistyneempiä automatisoituja toimintoja, kuten kyky hallita ajoneuvon kiihdytystä, jarrutusta ja ohjaamista, mutta kuljettajan on silti seurattava ympäristöä ja oltava valmis puuttumaan tarvittaessa.

Taso 3: Ehdollinen automaatio

Ajoneuvo pystyy suorittamaan kaikki ajotehtävät tietyissä olosuhteissa, mutta kuljettajan on oltava valmis ottamaan hallintaansa, jos ajoneuvo kohtaa tilanteen, jota se ei pysty käsittelemään.

Taso 4: Korkea automaatio

Ajoneuvo pystyy suorittamaan kaikki ajotehtävät monenlaisissa olosuhteissa, mutta kuljettajaa voidaan silti vaatia ottamaan hallintaansa tietyissä tilanteissa, kuten huonolla säällä tai monimutkaisissa ajoympäristöissä.

Taso 5: Täysi automaatio

Ajoneuvo pystyy suorittamaan kaikki ajotehtävät kaikissa olosuhteissa, eikä kuljettajan tarvitse ottaa hallintaa.

On syytä huomata, että autonomiset autot eivät ole vielä tasolla 5, eikä ole selvää, milloin ne saavuttavat tämän tason. Suurin osa tällä hetkellä tiellä olevista itseohjautuvista autoista on tasolla 4 tai sitä alemmalla tasolla.

Itseajavat autot: plussat ja miinukset

Itseajavilla autoilla on potentiaalia tuoda monia etuja, mutta on myös joitain haasteita, joihin on puututtava ennen kuin ne yleistyvät.

Plussat

• Vähemmän onnettomuuksia: Itseajavat autot voivat vähentää merkittävästi inhimillisistä virheistä johtuvien onnettomuuksien määrää, mikä voi johtaa vähemmän kuolemaan ja loukkaantumiseen tiellä.
• Parempi liikenteen sujuvuus: Itseajavat autot voivat parantaa liikenteen sujuvuutta ja vähentää ruuhkia kommunikoimalla keskenään ja tekemällä reaaliaikaisia ​​päätöksiä reittiensä ja nopeuksiensa optimoimiseksi.
• Lisääntynyt liikkuvuus: Itseajavat autot voivat lisätä niiden ihmisten liikkuvuutta, jotka eivät voi ajaa iän, vamman tai muiden tekijöiden vuoksi.
• Ympäristöedut: Itseajavat autot voivat vähentää polttoaineen kulutusta ja päästöjä, millä voi olla myönteinen vaikutus ympäristöön.

MIINUKSET

• Luotettavuus ja turvallisuus: Itseajavien autojen luotettavuudesta ja turvallisuudesta ollaan huolissaan erityisesti monimutkaisissa tai arvaamattomissa ajotilanteissa.
• Työpaikan menetys: Itseajavat autot voivat johtaa ihmisten kuljettajien, kuten taksin ja kuorma-auton kuljettajien, työpaikkojen menettämiseen.
• Eettisiä ja juridisia kysymyksiä: On otettava huomioon eettiset ja oikeudelliset seikat, kuten matkustajien ja jalankulkijoiden turvallisuus ja vastuun käsittely onnettomuustapauksissa.
• Kyberturvallisuusriskit: Itseajavat autot voivat olla alttiina kyberhyökkäyksille, jotka voivat vaarantaa niiden turvallisuuden ja yksityisyyden.

Tosielämän esimerkkejä itseohjautuvista autoista

On olemassa useita esimerkkejä itseohjautuvista autoista, joita kehitetään tai jotka ovat jo tiellä:

Waymo

Waymo on itseajavia autoja valmistava yritys, jonka omistaa Googlen emoyhtiö Alphabet. Waymon autonomisia autoja testataan yleisillä teillä useissa Yhdysvaltojen kaupungeissa, mukaan lukien Phoenix, Arizona ja Detroit, Michigan.

[Upotetun sisällön]

Tesla Autopilot

Tesla Autopilot on puoliautonominen ajojärjestelmä, joka on saatavilla tietyissä Tesla-malleissa. Vaikka se ei ole täysin itseajava, se antaa auton hoitaa joitakin ajotehtäviä, kuten kaistanpitoa ja kaistanvaihtoa, ilman kuljettajan panosta.

[Upotetun sisällön]

Risteily

Risteily on itseajavia autoja valmistava yritys, jonka omistaa General Motors. Cruisen itseohjautuvia autoja testataan yleisillä teillä Kalifornian San Franciscossa ja Phoenixissa Arizonassa.

[Upotetun sisällön]

aamurusko

aamurusko on itseajavia autoja valmistava yritys, joka kehittää autonomista ajoneuvoteknologiaa käytettäväksi erilaisissa sovelluksissa, mukaan lukien henkilöautot, jakeluajoneuvot ja joukkoliikenne. Auroran itseajavia autoja testataan yleisillä teillä useissa Yhdysvaltojen kaupungeissa.

[Upotetun sisällön]

Avaimet

• Tekoälyllä on ratkaiseva rooli itseohjautuvien autojen kehittämisessä ja käytössä.
• Tekoäly mahdollistaa itseohjautuvien autojen havaitsemisen, havaitsemisen ja navigoinnin ympäristössään sekä tehdä reaaliaikaisia ​​päätöksiä antureiltaan kerättyjen tietojen perusteella.
• Syväoppimista, eräänlaista koneoppimista, joka sisältää keinotekoisten hermoverkkojen harjoittamisen suurilla tietokokonaisuuksilla, käytetään laajalti itseajavien autojen kehittämisessä.
• Itseajavat autot luokitellaan yleensä automaatiotasojen mukaan, jotka vaihtelevat tasosta 0 (ei automaatiota) tasoon 5 (täysin autonominen).
• Suurin osa tällä hetkellä liikenteessä olevista itseohjautuvista autoista on tasolla 4 tai sitä alemmalla tasolla, mikä tarkoittaa, että ne pystyvät suorittamaan kaikki ajotehtävät tietyissä olosuhteissa, mutta kuljettajan on oltava tarvittaessa valmis ottamaan hallintaansa.
• Itseajavat autot voivat vähentää merkittävästi inhimillisistä virheistä johtuvien onnettomuuksien määrää, mikä voi johtaa vähemmän kuolemaan ja loukkaantumiseen tiellä.
• Itseajavat autot voivat parantaa liikenteen sujuvuutta ja vähentää ruuhkia kommunikoimalla keskenään ja tekemällä reaaliaikaisia ​​päätöksiä reittiensä ja nopeuksiensa optimoimiseksi.
• Itseajavat autot voivat lisätä niiden ihmisten liikkuvuutta, jotka eivät voi ajaa iän, vamman tai muiden tekijöiden vuoksi.
• Itseajavat autot voivat vähentää polttoaineen kulutusta ja päästöjä, millä voi olla myönteinen vaikutus ympäristöön.
• Ennen kuin itse ajavat autot yleistyvät, on haasteita, joihin on puututtava, mukaan lukien sellaisten tekoälyjärjestelmien kehittäminen, jotka ovat riittävän luotettavia ja turvallisia yleisillä teillä käytettäväksi, sekä sääntelyyn, oikeudellisiin ja eettisiin kysymyksiin.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
• Lähde: https://dataconomy.com/2022/12/artificial-intelligence-and-self-driving/