परिवहन स्वर्ग में बना एक मैच: एआई और सेल्फ ड्राइविंग कार

आर्टिफिशियल इंटेलिजेंस (एआई) में हमारे द्वारा माल और लोगों को चलाने और परिवहन करने के तरीके में क्रांति लाने की क्षमता है। स्व-ड्राइविंग कार, जिन्हें स्वायत्त वाहन के रूप में भी जाना जाता है, एक प्रकार का वाहन है जो मानव चालक की आवश्यकता के बिना सड़कों और राजमार्गों पर नेविगेट करने के लिए एआई और अन्य उन्नत तकनीकों का उपयोग करता है।

सेल्फ ड्राइविंग कारों के कई फायदे हैं। एक के लिए, उनके पास मानव त्रुटि के कारण होने वाली दुर्घटनाओं की संख्या को काफी कम करने की क्षमता है। इससे सड़क पर कम मौतें और चोटें हो सकती हैं। स्व-ड्राइविंग कार भी यातायात प्रवाह में सुधार कर सकती हैं और भीड़ को कम कर सकती हैं, क्योंकि वे एक-दूसरे के साथ संवाद करने और अपने मार्गों और गति को अनुकूलित करने के लिए वास्तविक समय में निर्णय लेने में सक्षम हैं।

इसके अलावा, सेल्फ-ड्राइविंग कार भी ईंधन की खपत और उत्सर्जन को कम करके पर्यावरण पर सकारात्मक प्रभाव डाल सकती हैं। वे उन लोगों के लिए गतिशीलता भी बढ़ा सकते हैं जो उम्र, अक्षमता या अन्य कारकों के कारण ड्राइव करने में असमर्थ हैं।

सेल्फ-ड्राइविंग कारों में आर्टिफिशियल इंटेलिजेंस का उपयोग कैसे किया जाता है?

सेल्फ-ड्राइविंग कारों के व्यापक होने से पहले अभी भी कई चुनौतियों का समाधान किया जाना बाकी है। मुख्य चुनौतियों में से एक एआई सिस्टम विकसित करना है जो विश्वसनीय और सार्वजनिक सड़कों पर उपयोग करने के लिए पर्याप्त सुरक्षित है। विचार करने के लिए विनियामक, कानूनी और नैतिक मुद्दे भी हैं, जैसे कि यात्रियों और पैदल चलने वालों की सुरक्षा कैसे सुनिश्चित करें और दुर्घटना की स्थिति में देयता कैसे संभालें।

इन चुनौतियों के बावजूद सेल्फ ड्राइविंग कारों का विकास तीव्र गति से आगे बढ़ रहा है। पारंपरिक वाहन निर्माताओं और तकनीकी फर्मों सहित कई कंपनियां प्रौद्योगिकी में भारी निवेश कर रही हैं, और कुछ क्षेत्रों में सार्वजनिक सड़कों पर स्व-ड्राइविंग कारों का पहले से ही परीक्षण किया जा रहा है। यह संभावना है कि हम निकट भविष्य में सड़कों पर स्व-ड्राइविंग कारों को देखेंगे, हालांकि यह भविष्यवाणी करना मुश्किल है कि वे कब आम हो जाएंगे।

ऑटोमोटिव उद्योग में कृत्रिम बुद्धिमत्ता

यहाँ कुछ तरीके दिए गए हैं जिनमें सेल्फ़-ड्राइविंग कारों में आर्टिफ़िशियल इंटेलिजेंस का उपयोग किया जाता है:

सेंसिंग और परसेप्शन

सेल्फ-ड्राइविंग कारें अपने परिवेश के बारे में डेटा एकत्र करने के लिए कैमरा, लिडार, रडार और अल्ट्रासोनिक सेंसर जैसे विभिन्न प्रकार के सेंसर का उपयोग करती हैं। इस डेटा को तब AI एल्गोरिदम का उपयोग करके संसाधित और विश्लेषण किया जाता है ताकि पर्यावरण का एक विस्तृत नक्शा बनाया जा सके और वस्तुओं की पहचान की जा सके, जैसे कि पैदल यात्री, अन्य वाहन, ट्रैफिक लाइट और सड़क के संकेत।

निर्णय लेना

सेल्फ-ड्राइविंग कारें अपने सेंसर से एकत्रित डेटा के आधार पर वास्तविक समय में निर्णय लेने के लिए कृत्रिम बुद्धिमत्ता का उपयोग करती हैं। उदाहरण के लिए, यदि कोई सेल्फ-ड्राइविंग कार सड़क पार करने वाले पैदल यात्री का पता लगाती है, तो यह एआई का उपयोग कार्रवाई के सर्वोत्तम तरीके को निर्धारित करने के लिए करेगी, जैसे धीमा करना या रोकना।

प्रेडिक्टिव मॉडलिंग

स्व-ड्राइविंग कारें अन्य सड़क उपयोगकर्ताओं, जैसे पैदल चलने वालों और अन्य वाहनों के व्यवहार की भविष्यवाणी करने के लिए एआई का उपयोग करती हैं। इससे कार को संभावित समस्याओं का अनुमान लगाने और उनसे बचने के लिए उचित कार्रवाई करने में मदद मिलती है।

प्राकृतिक भाषा प्रसंस्करण

कुछ स्व-ड्राइविंग कारें आवाज पहचान तकनीक से लैस हैं जो यात्रियों को प्राकृतिक भाषा का उपयोग करके कार के साथ संवाद करने की अनुमति देती हैं। यह तकनीक बोले गए आदेशों को समझने और उनका जवाब देने के लिए AI का उपयोग करती है।

कुल मिलाकर, एआई सेल्फ-ड्राइविंग कारों का एक प्रमुख घटक है, जो उन्हें अपने पर्यावरण को समझने, समझने और नेविगेट करने में सक्षम बनाता है, साथ ही निर्णय लेने और वास्तविक समय में बदलती परिस्थितियों का जवाब देने में सक्षम बनाता है।

सेल्फ-ड्राइविंग कारों में डीप लर्निंग

डीप लर्निंग एक प्रकार की मशीन लर्निंग है जिसमें बड़े डेटासेट पर कृत्रिम तंत्रिका नेटवर्क को प्रशिक्षित करना शामिल है। ये तंत्रिका नेटवर्क डेटा में पैटर्न को सीखने और पहचानने में सक्षम हैं और इसका उपयोग छवि और भाषण मान्यता, प्राकृतिक भाषा प्रसंस्करण और भविष्य कहनेवाला मॉडलिंग सहित कई प्रकार के कार्यों को करने के लिए किया जा सकता है।

सेल्फ-ड्राइविंग कारों के संदर्भ में, डीप लर्निंग का उपयोग अक्सर आर्टिफिशियल इंटेलिजेंस सिस्टम की सटीकता और विश्वसनीयता में सुधार के लिए किया जाता है जो कार को नेविगेट करने और निर्णय लेने में सक्षम बनाता है। उदाहरण के लिए, डीप लर्निंग एल्गोरिदम को छवियों और वीडियो के बड़े डेटासेट पर प्रशिक्षित किया जा सकता है ताकि कार को अपने वातावरण में वस्तुओं को पहचानने और वर्गीकृत करने में सक्षम बनाया जा सके, जैसे कि पैदल यात्री, अन्य वाहन और ट्रैफ़िक संकेत।

---

पैडलपैडल डीप लर्निंग फ्रेमवर्क एआई को औद्योगिक अनुप्रयोगों तक विस्तारित करता है

---

सेल्फ-ड्राइविंग कारों में प्रेडिक्टिव मॉडलिंग की सटीकता में सुधार के लिए डीप लर्निंग का भी उपयोग किया जाता है। उदाहरण के लिए, कार अपने सेंसर से डेटा का विश्लेषण करने के लिए डीप लर्निंग एल्गोरिदम का उपयोग कर सकती है और किसी विशेष स्थान पर पैदल यात्री के सड़क पार करने की संभावना या किसी अन्य वाहन द्वारा अचानक लेन बदलने की संभावना का अनुमान लगा सकती है।

सेल्फ-ड्राइविंग कारों के लिए GDDR6 का महत्व

GDDR6 (ग्राफिक्स डबल डेटा रेट 6) एक प्रकार की मेमोरी है जिसका उपयोग ग्राफिक्स प्रोसेसिंग यूनिट्स (GPUs) में ग्राफिक्स रेंडरिंग और अन्य कम्प्यूटेशनल रूप से गहन कार्यों के लिए डेटा को स्टोर और प्रोसेस करने के लिए किया जाता है। स्वायत्त ड्राइविंग के संदर्भ में, GDDR6 महत्वपूर्ण है क्योंकि यह बड़ी मात्रा में डेटा की उच्च गति प्रसंस्करण को सक्षम बनाता है जो स्व-ड्राइविंग कारों के संचालन के लिए आवश्यक है।

सेल्फ-ड्राइविंग कारें अपने परिवेश के बारे में डेटा एकत्र करने के लिए कैमरा, लिडार, रडार और अल्ट्रासोनिक सेंसर जैसे विभिन्न प्रकार के सेंसर पर निर्भर करती हैं। इस डेटा को तब AI एल्गोरिदम का उपयोग करके संसाधित और विश्लेषण किया जाता है ताकि पर्यावरण का एक विस्तृत नक्शा बनाया जा सके और वस्तुओं की पहचान की जा सके, जैसे कि पैदल यात्री, अन्य वाहन, ट्रैफिक लाइट और सड़क के संकेत। इन कार्यों को सक्षम करने के लिए आवश्यक डेटा प्रोसेसिंग और विश्लेषण कम्प्यूटेशनल रूप से गहन है, और डेटा को जल्दी से स्टोर और एक्सेस करने के लिए GDDR6 जैसी हाई-स्पीड मेमोरी की आवश्यकता होती है।

डेटा की हाई-स्पीड प्रोसेसिंग को सक्षम करने के अलावा, GDDR6 ऊर्जा कुशल भी है, जो सेल्फ-ड्राइविंग कारों के संचालन के लिए महत्वपूर्ण है, क्योंकि उन्हें बिना रिचार्ज किए लंबे समय तक काम करने में सक्षम होने की आवश्यकता होती है।

कुल मिलाकर, GDDR6 स्वायत्त ड्राइविंग के भविष्य के लिए एक महत्वपूर्ण तकनीक है, क्योंकि यह स्व-ड्राइविंग कारों के संचालन के लिए आवश्यक बड़ी मात्रा में डेटा के तेज़ और कुशल प्रसंस्करण को सक्षम बनाता है।

ऑटोमोटिव आर्टिफिशियल इंटेलिजेंस एल्गोरिदम और सेल्फ ड्राइविंग कार

ऑटोमोटिव एआई एल्गोरिदम में पर्यवेक्षित और अनुपयोगी दोनों शिक्षण विधियों का उपयोग किया जाता है।

पर्यवेक्षित अध्ययन

सुपरवाइज्ड लर्निंग एक प्रकार की मशीन लर्निंग है जिसमें एक मॉडल को लेबल किए गए डेटासेट पर प्रशिक्षित किया जाता है, जिसका अर्थ है कि डेटा को सही आउटपुट के साथ लेबल किया गया है। पर्यवेक्षित शिक्षण का लक्ष्य एक ऐसे फ़ंक्शन को सीखना है जो लेबल किए गए डेटा के आधार पर इनपुट को आउटपुट में मैप करता है।

प्रशिक्षण प्रक्रिया के दौरान, मॉडल को इनपुट/आउटपुट जोड़े के एक सेट के साथ प्रस्तुत किया जाता है और इसके आंतरिक मापदंडों को समायोजित करने के लिए एक अनुकूलन एल्गोरिथ्म का उपयोग करता है ताकि यह नए इनपुट दिए गए आउटपुट की सटीक भविष्यवाणी कर सके। एक बार जब मॉडल को प्रशिक्षित कर लिया जाता है, तो इसका उपयोग नए, अनदेखे डेटा पर भविष्यवाणियां करने के लिए किया जा सकता है।

पर्यवेक्षित शिक्षण का उपयोग आमतौर पर वर्गीकरण (एक वर्ग लेबल की भविष्यवाणी करना), प्रतिगमन (एक सतत मूल्य की भविष्यवाणी करना), और संरचित भविष्यवाणी (अनुक्रम या वृक्ष-संरचित आउटपुट की भविष्यवाणी करना) जैसे कार्यों के लिए किया जाता है।

सेल्फ-ड्राइविंग कारों में कई तरह से सुपरवाइज्ड लर्निंग का इस्तेमाल किया जा सकता है। कुछ उदाहरण निम्नलिखित हैं:

• वस्तु मान्यता: स्व-ड्राइविंग कार के सेंसर द्वारा एकत्र किए गए डेटा में वस्तुओं को पहचानने के लिए एक मॉडल को प्रशिक्षित करने के लिए पर्यवेक्षित शिक्षण एल्गोरिदम का उपयोग किया जा सकता है। उदाहरण के लिए, एक मॉडल को पैदल चलने वालों, अन्य वाहनों, ट्रैफ़िक लाइटों और छवियों या लिडार बिंदु बादलों में सड़क के संकेतों को पहचानने के लिए प्रशिक्षित किया जा सकता है।
• मॉडलिंग: पर्यावरण में होने वाली कुछ घटनाओं की संभावना का अनुमान लगाने के लिए एक मॉडल को प्रशिक्षित करने के लिए पर्यवेक्षित शिक्षण एल्गोरिदम का उपयोग किया जा सकता है। उदाहरण के लिए, एक मॉडल को किसी विशेष स्थान पर एक पैदल यात्री द्वारा सड़क पार करने की संभावना या किसी अन्य वाहन के अचानक लेन बदलने की संभावना का अनुमान लगाने के लिए प्रशिक्षित किया जा सकता है।
• व्यवहार भविष्यवाणी: अन्य सड़क उपयोगकर्ताओं, जैसे पैदल चलने वालों और अन्य वाहनों के व्यवहार की भविष्यवाणी करने के लिए एक मॉडल को प्रशिक्षित करने के लिए पर्यवेक्षित शिक्षण एल्गोरिदम का उपयोग किया जा सकता है। इसका उपयोग, उदाहरण के लिए, इस संभावना का अनुमान लगाने के लिए किया जा सकता है कि एक पैदल यात्री किसी विशेष स्थान पर सड़क पार करेगा या इस संभावना का अनुमान लगाने के लिए कि कोई अन्य वाहन अचानक लेन बदल देगा।

अशिक्षित शिक्षा

अनसुपरवाइज्ड लर्निंग एक प्रकार की मशीन लर्निंग है जिसमें एक मॉडल को बिना लेबल वाले डेटासेट पर प्रशिक्षित किया जाता है, जिसका अर्थ है कि डेटा को सही आउटपुट के साथ लेबल नहीं किया गया है। किसी विशिष्ट आउटपुट की भविष्यवाणी करने के बजाय, अप्रशिक्षित सीखने का लक्ष्य डेटा में पैटर्न या संबंधों की खोज करना है।

अप्रशिक्षित शिक्षण एल्गोरिदम में भविष्यवाणी करने के लिए एक विशिष्ट लक्ष्य नहीं होता है और इसके बजाय डेटा में पैटर्न और संबंधों को खोजने के लिए उपयोग किया जाता है। इन एल्गोरिदम का उपयोग अक्सर क्लस्टरिंग (समान डेटा बिंदुओं को एक साथ समूहित करना), आयामीता में कमी (डेटा में सुविधाओं की संख्या को कम करना), और विसंगति का पता लगाने (डेटा बिंदुओं की पहचान करना जो असामान्य हैं या बाकी के साथ फिट नहीं हैं) जैसे कार्यों के लिए किया जाता है। आंकड़े)।

सेल्फ-ड्राइविंग कारों में कई तरह से अनसुपरवाइज्ड लर्निंग का इस्तेमाल किया जा सकता है। कुछ उदाहरण निम्नलिखित हैं:

• असंगति का पता लगाये: सेल्फ-ड्राइविंग कार के सेंसर द्वारा एकत्र किए गए डेटा में असामान्य या अप्रत्याशित घटनाओं की पहचान करने के लिए अनसुपरवाइज्ड लर्निंग एल्गोरिदम का उपयोग किया जा सकता है। उदाहरण के लिए, एक अनपेक्षित लर्निंग एल्गोरिदम का उपयोग किसी अनपेक्षित स्थान पर सड़क पार करने वाले पैदल यात्री या अचानक लेन बदलने वाले वाहन की पहचान करने के लिए किया जा सकता है।
• क्लस्टरिंग: अनियंत्रित लर्निंग एल्गोरिदम का उपयोग स्वायत्त कार के सेंसर द्वारा एकत्र किए गए डेटा को एक साथ समान डेटा बिंदुओं को समूहित करने के लिए किया जा सकता है। इसका उपयोग, उदाहरण के लिए, उन डेटा बिंदुओं को एक साथ समूहित करने के लिए किया जा सकता है जो विभिन्न प्रकार की सड़क सतहों के अनुरूप हों या डेटा बिंदुओं को एक साथ समूहित करने के लिए जो विभिन्न ट्रैफ़िक स्थितियों के अनुरूप हों।
• सुविधा निकासी: सेल्फ-ड्राइविंग कार के सेंसर द्वारा एकत्र किए गए डेटा से सुविधाओं को निकालने के लिए अनपर्यवाइज्ड लर्निंग एल्गोरिदम का उपयोग किया जा सकता है। उदाहरण के लिए, एक अनपर्यवेक्षित लर्निंग एल्गोरिदम का उपयोग लिडार पॉइंट क्लाउड में उन विशेषताओं की पहचान करने के लिए किया जा सकता है जो पर्यावरण में वस्तुओं के किनारों के अनुरूप हैं या किसी छवि में उन विशेषताओं की पहचान करने के लिए हैं जो दृश्य में वस्तुओं के किनारों के अनुरूप हैं।

सेल्फ-ड्राइविंग कारों में स्वायत्तता का स्तर

स्व-ड्राइविंग कारों को आम तौर पर स्वचालन के स्तरों के अनुसार वर्गीकृत किया जाता है, स्तर 0 (कोई स्वचालन नहीं) से लेकर स्तर 5 (पूर्ण स्वायत्तता) तक। स्वचालन के स्तर सोसाइटी ऑफ ऑटोमोटिव इंजीनियर्स (एसएई) द्वारा परिभाषित किए गए हैं और निम्नानुसार हैं:

स्तर 0: कोई स्वचालन नहीं

ड्राइवर का हर समय वाहन पर पूरा नियंत्रण रहता है।

स्तर 1: चालक सहायता

वाहन में कुछ स्वचालित कार्य होते हैं, जैसे लेन कीपिंग या अनुकूली क्रूज नियंत्रण, लेकिन चालक को चौकस रहना चाहिए और किसी भी समय नियंत्रण करने के लिए तैयार रहना चाहिए।

स्तर 2: आंशिक स्वचालन

वाहन में अधिक उन्नत स्वचालित कार्य होते हैं, जैसे वाहन के त्वरण, ब्रेकिंग और स्टीयरिंग को नियंत्रित करने की क्षमता, लेकिन चालक को अभी भी पर्यावरण की निगरानी करनी चाहिए और यदि आवश्यक हो तो हस्तक्षेप करने के लिए तैयार रहना चाहिए।

स्तर 3: सशर्त स्वचालन

वाहन कुछ शर्तों के तहत सभी ड्राइविंग कार्यों को करने में सक्षम है, लेकिन अगर वाहन को ऐसी स्थिति का सामना करना पड़ता है जिसे वह संभाल नहीं सकता है तो चालक को नियंत्रण करने के लिए तैयार रहना चाहिए।

स्तर 4: उच्च स्वचालन

वाहन परिस्थितियों की एक विस्तृत श्रृंखला के तहत सभी ड्राइविंग कार्यों को करने में सक्षम है, लेकिन चालक को अभी भी खराब मौसम या जटिल ड्राइविंग वातावरण जैसी कुछ स्थितियों में नियंत्रण रखने की आवश्यकता हो सकती है।

स्तर 5: पूर्ण स्वचालन

वाहन किसी भी परिस्थिति में ड्राइविंग के सभी कार्यों को करने में सक्षम है, और चालक को नियंत्रण लेने की आवश्यकता नहीं है।

यह ध्यान देने योग्य है कि स्वायत्त कारें अभी तक 5 के स्तर पर नहीं हैं, और यह स्पष्ट नहीं है कि वे इस स्तर तक कब पहुंचेंगी। वर्तमान में सड़क पर चलने वाली अधिकांश स्व-ड्राइविंग कारें 4 या उससे नीचे के स्तर पर हैं।

स्व-ड्राइविंग कार: पेशेवरों और विपक्ष

स्व-ड्राइविंग कारों में कई लाभ लाने की क्षमता है, लेकिन कुछ चुनौतियाँ भी हैं जिन्हें व्यापक होने से पहले संबोधित करने की आवश्यकता है।

फ़ायदे

• कम हुई दुर्घटनाएं : स्व-ड्राइविंग कारों में मानव त्रुटि के कारण होने वाली दुर्घटनाओं की संख्या को काफी कम करने की क्षमता है, जिससे सड़क पर कम मौतें और चोटें लग सकती हैं।
• यातायात व्यवस्था में सुधार: सेल्फ-ड्राइविंग कार एक-दूसरे के साथ संचार करके और अपने मार्गों और गति को अनुकूलित करने के लिए रीयल-टाइम निर्णय लेने से यातायात प्रवाह में सुधार कर सकती हैं और भीड़भाड़ को कम कर सकती हैं।
• गतिशीलता में वृद्धि: स्व-ड्राइविंग कार उन लोगों के लिए गतिशीलता बढ़ा सकती है जो उम्र, अक्षमता या अन्य कारकों के कारण ड्राइव करने में असमर्थ हैं।
• पर्यावरणीय लाभ: स्व-चालित कारें ईंधन की खपत और उत्सर्जन को कम कर सकती हैं, जिसका पर्यावरण पर सकारात्मक प्रभाव पड़ सकता है।

नुकसान

• विश्वसनीयता और सुरक्षा चिंताएं: सेल्फ-ड्राइविंग कारों की विश्वसनीयता और सुरक्षा के बारे में चिंताएँ हैं, विशेष रूप से जटिल या अप्रत्याशित ड्राइविंग स्थितियों में।
• रोजगार हानि: सेल्फ-ड्राइविंग कार संभावित रूप से टैक्सी और ट्रक ड्राइवरों जैसे मानव चालकों के लिए नौकरी का नुकसान हो सकता है।
• नैतिक और कानूनी मुद्दे: विचार करने के लिए नैतिक और कानूनी मुद्दे हैं, जैसे कि यात्रियों और पैदल चलने वालों की सुरक्षा कैसे सुनिश्चित करें और दुर्घटना की स्थिति में दायित्व कैसे संभालें।
• साइबर सुरक्षा जोखिम: सेल्फ-ड्राइविंग कार साइबर हमलों की चपेट में आ सकती हैं, जो उनकी सुरक्षा और गोपनीयता से समझौता कर सकती हैं।

सेल्फ-ड्राइविंग कारों के वास्तविक जीवन के उदाहरण

स्व-ड्राइविंग कारों के कई उदाहरण हैं जो विकसित हो रहे हैं या पहले से ही सड़क पर हैं:

Waymo

Waymo एक स्व-ड्राइविंग कार कंपनी है जिसका स्वामित्व Google की मूल कंपनी अल्फाबेट के पास है। फीनिक्स, एरिजोना और डेट्रायट, मिशिगन सहित संयुक्त राज्य अमेरिका के कई शहरों में वायमो की स्वायत्त कारों का सार्वजनिक सड़कों पर परीक्षण किया जा रहा है।

[एम्बेडेड सामग्री]

टेस्ला ऑटोपायलट

टेस्ला ऑटोपायलट एक अर्ध-स्वायत्त ड्राइविंग सिस्टम है जो कुछ टेस्ला मॉडल पर उपलब्ध है। हालांकि यह पूरी तरह से सेल्फ-ड्राइविंग नहीं है, लेकिन यह कार को कुछ ड्राइविंग कार्यों को संभालने की अनुमति देता है, जैसे कि लेन कीपिंग और लेन चेंजिंग, ड्राइवर से न्यूनतम इनपुट के साथ।

[एम्बेडेड सामग्री]

क्रूज

क्रूज एक स्व-ड्राइविंग कार कंपनी है जिसका स्वामित्व जनरल मोटर्स के पास है। सैन फ्रांसिस्को, कैलिफोर्निया और फीनिक्स, एरिजोना में सार्वजनिक सड़कों पर क्रूज की स्व-ड्राइविंग कारों का परीक्षण किया जा रहा है।

[एम्बेडेड सामग्री]

अरोड़ा

अरोड़ा एक स्व-ड्राइविंग कार कंपनी है जो यात्री वाहनों, वितरण वाहनों और सार्वजनिक परिवहन सहित विभिन्न प्रकार के अनुप्रयोगों में उपयोग के लिए स्वायत्त वाहन प्रौद्योगिकी विकसित कर रही है। Aurora की सेल्फ़-ड्राइविंग कारों का संयुक्त राज्य अमेरिका के कई शहरों में सार्वजनिक सड़कों पर परीक्षण किया जा रहा है।

[एम्बेडेड सामग्री]

चाबी छीन लेना

• सेल्फ-ड्राइविंग कारों के विकास और संचालन में आर्टिफिशियल इंटेलिजेंस महत्वपूर्ण भूमिका निभाता है।
• एआई सेल्फ-ड्राइविंग कारों को अपने पर्यावरण को समझने, समझने और नेविगेट करने में सक्षम बनाता है, साथ ही साथ अपने सेंसर से एकत्रित डेटा के आधार पर रीयल-टाइम निर्णय लेने में सक्षम बनाता है।
• डीप लर्निंग, एक प्रकार की मशीन लर्निंग जिसमें बड़े डेटासेट पर कृत्रिम तंत्रिका नेटवर्क का प्रशिक्षण शामिल है, का व्यापक रूप से स्व-ड्राइविंग कारों के विकास में उपयोग किया जाता है।
• स्व-ड्राइविंग कारों को आम तौर पर स्वचालन के स्तरों के अनुसार वर्गीकृत किया जाता है, स्तर 0 (कोई स्वचालन नहीं) से लेकर स्तर 5 (पूर्ण स्वायत्तता) तक।
• वर्तमान में सड़क पर चलने वाली अधिकांश स्व-ड्राइविंग कारें स्तर 4 या उससे नीचे हैं, जिसका अर्थ है कि वे कुछ शर्तों के तहत सभी ड्राइविंग कार्यों को करने में सक्षम हैं, लेकिन यदि आवश्यक हो तो चालक को नियंत्रण लेने के लिए तैयार रहना चाहिए।
• स्व-ड्राइविंग कारों में मानव त्रुटि के कारण होने वाली दुर्घटनाओं की संख्या को काफी कम करने की क्षमता है, जिससे सड़क पर कम मौतें और चोटें लग सकती हैं।
• स्व-ड्राइविंग कारें यातायात के प्रवाह में सुधार कर सकती हैं और एक दूसरे के साथ संवाद करके और अपने मार्गों और गति को अनुकूलित करने के लिए वास्तविक समय के निर्णय लेने से भीड़ को कम कर सकती हैं।
• स्व-ड्राइविंग कार उन लोगों के लिए गतिशीलता बढ़ा सकती है जो उम्र, अक्षमता या अन्य कारकों के कारण ड्राइव करने में असमर्थ हैं।
• स्व-चालित कारें ईंधन की खपत और उत्सर्जन को कम कर सकती हैं, जिसका पर्यावरण पर सकारात्मक प्रभाव पड़ सकता है।
• स्व-ड्राइविंग कारों के व्यापक होने से पहले संबोधित की जाने वाली चुनौतियाँ हैं, जिनमें कृत्रिम बुद्धिमत्ता प्रणाली का विकास शामिल है जो विश्वसनीय और सार्वजनिक सड़कों पर उपयोग के लिए पर्याप्त सुरक्षित है, साथ ही विनियामक, कानूनी और नैतिक मुद्दे भी हैं।

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• स्रोत: https://dataconomy.com/2022/12/artificial-intelligence-and-self-driving/