En kamp laget i transporthimmelen: AI og selvkjørende biler

Kunstig intelligens (AI) har potensial til å revolusjonere måten vi kjører og transporterer varer og mennesker på. Selvkjørende biler, også kjent som autonome kjøretøy, er en type kjøretøy som bruker AI og andre avanserte teknologier for å navigere på veier og motorveier uten behov for en menneskelig sjåfør.

Det er flere fordeler med selvkjørende biler. For det første har de potensialet til å redusere antallet ulykker forårsaket av menneskelige feil betraktelig. Dette kan føre til færre dødsfall og skadde på veien. Selvkjørende biler kan også forbedre trafikkflyten og redusere overbelastning, ettersom de er i stand til å kommunisere med hverandre og ta beslutninger i sanntid for å optimalisere rutene og hastighetene.

I tillegg vil selvkjørende biler også kunne ha en positiv innvirkning på miljøet ved å redusere drivstofforbruk og utslipp. De kan også øke mobiliteten for personer som ikke kan kjøre bil på grunn av alder, funksjonshemming eller andre faktorer.

Hvordan brukes kunstig intelligens i selvkjørende biler?

Det er fortsatt mange utfordringer som må løses før selvkjørende biler blir utbredt. En av hovedutfordringene er å utvikle AI-systemer som er pålitelige og sikre nok til å brukes på offentlig vei. Det er også regulatoriske, juridiske og etiske spørsmål som må vurderes, for eksempel hvordan man sikrer sikkerheten til passasjerer og fotgjengere og hvordan man håndterer ansvar i tilfelle en ulykke.

Til tross for disse utfordringene går utviklingen av selvkjørende biler fremover i et raskt tempo. Mange selskaper, inkludert tradisjonelle bilprodusenter og teknologifirmaer, investerer tungt i teknologien, og selvkjørende biler blir allerede testet på offentlige veier i enkelte områder. Det er sannsynlig at vi vil se selvkjørende biler på veiene i nær fremtid, selv om det er vanskelig å forutsi nøyaktig når de vil bli vanlige.

Kunstig intelligens i bilindustrien

Her er noen måter kunstig intelligens brukes på i selvkjørende biler:

Sansing og persepsjon

Selvkjørende biler bruker en rekke sensorer, for eksempel kameraer, lidar, radar og ultralydsensorer, for å samle data om omgivelsene. Disse dataene blir deretter behandlet og analysert ved hjelp av AI-algoritmer for å lage et detaljert kart over miljøet og identifisere objekter, for eksempel fotgjengere, andre kjøretøy, trafikklys og veiskilt.

Beslutningstaking

Selvkjørende biler bruker kunstig intelligens for å ta sanntidsbeslutninger basert på dataene de samler inn fra sensorene sine. For eksempel, hvis en selvkjørende bil oppdager en fotgjenger som krysser veien, vil den bruke AI for å bestemme den beste handlingen, for eksempel å bremse eller stoppe.

Forutsigende modellering

Selvkjørende biler bruker kunstig intelligens til å forutsi atferden til andre trafikanter, som fotgjengere og andre kjøretøy. Dette hjelper bilen til å forutse potensielle problemer og iverksette passende tiltak for å unngå dem.

Naturlig språkbehandling

Noen selvkjørende biler er utstyrt med stemmegjenkjenningsteknologi som lar passasjerene kommunisere med bilen ved hjelp av naturlig språk. Denne teknologien bruker AI for å forstå og svare på talte kommandoer.

Totalt sett er AI en nøkkelkomponent i selvkjørende biler, som gjør dem i stand til å sanse, oppfatte og navigere i miljøet, samt ta beslutninger og svare på endrede forhold i sanntid.

Dyplæring i selvkjørende biler

Deep learning er en type maskinlæring som involverer trening av kunstige nevrale nettverk på store datasett. Disse nevrale nettverkene er i stand til å lære og gjenkjenne mønstre i data og kan brukes til å utføre et bredt spekter av oppgaver, inkludert bilde- og talegjenkjenning, naturlig språkbehandling og prediktiv modellering.

I sammenheng med selvkjørende biler blir dyp læring ofte brukt for å forbedre nøyaktigheten og påliteligheten til de kunstige intelligenssystemene som gjør bilen i stand til å navigere og ta avgjørelser. For eksempel kan dyplæringsalgoritmer trenes på store datasett med bilder og videoer for å gjøre det mulig for bilen å gjenkjenne og klassifisere objekter i omgivelsene, som fotgjengere, andre kjøretøy og trafikkskilt.

---

PaddlePaddles dyplæringsramme utvider AI til industrielle applikasjoner

---

Dyplæring brukes også for å forbedre nøyaktigheten av prediktiv modellering i selvkjørende biler. For eksempel kan bilen bruke dype læringsalgoritmer for å analysere data fra sensorene og forutsi sannsynligheten for at en fotgjenger krysser veien på et bestemt sted, eller sannsynligheten for at et annet kjøretøy gjør et plutselig filskifte.

Betydningen av GDDR6 for selvkjørende biler

GDDR6 (Graphics Double Data Rate 6) er en type minne som brukes i grafikkbehandlingsenheter (GPUer) for å lagre og behandle data for grafikkgjengivelse og andre beregningsintensive oppgaver. I sammenheng med autonom kjøring er GDDR6 viktig fordi det muliggjør høyhastighetsbehandling av store datamengder som kreves for drift av selvkjørende biler.

Selvkjørende biler er avhengige av en rekke sensorer, for eksempel kameraer, lidar-, radar- og ultralydsensorer, for å samle data om omgivelsene. Disse dataene blir deretter behandlet og analysert ved hjelp av AI-algoritmer for å lage et detaljert kart over miljøet og identifisere objekter, for eksempel fotgjengere, andre kjøretøy, trafikklys og veiskilt. Databehandlingen og analysen som kreves for å aktivere disse oppgavene er beregningsintensiv, og krever høyhastighetsminne som GDDR6 for å lagre og få tilgang til dataene raskt.

I tillegg til å muliggjøre høyhastighetsbehandling av data, er GDDR6 også energieffektiv, noe som er viktig for driften av selvkjørende biler, da de må kunne operere over lengre tid uten å måtte lades.

Totalt sett er GDDR6 en viktig teknologi for fremtiden for autonom kjøring, da den muliggjør rask og effektiv behandling av de store datamengdene som kreves for driften av selvkjørende biler.

Algoritmer for kunstig intelligens for biler og selvkjørende biler

Både veiledet og uovervåket læringsmetoder brukes i AI-algoritmer for biler.

Veiledet læring

Overvåket læring er en type maskinlæring der en modell trenes på et merket datasett, noe som betyr at dataene er merket med riktig utdata. Målet med veiledet læring er å lære en funksjon som kartlegger innganger til utganger basert på de merkede dataene.

Under treningsprosessen presenteres modellen med et sett med input/output-par og bruker en optimaliseringsalgoritme for å justere sine interne parametere slik at den nøyaktig kan forutsi utgangen gitt en ny input. Når modellen er trent, kan den brukes til å lage spådommer på nye, usynlige data.

Overvåket læring brukes ofte til oppgaver som klassifisering (forutsi en klasseetikett), regresjon (forutsi en kontinuerlig verdi) og strukturert prediksjon (forutsi en sekvens eller en trestrukturert utgang).

Veiledet læring kan brukes i selvkjørende biler på en rekke måter. Her er noen eksempler:

• Objektgjenkjenning: Overvåkede læringsalgoritmer kan brukes til å trene en modell til å gjenkjenne objekter i dataene som samles inn av en selvkjørende bils sensorer. For eksempel kan en modell trenes til å gjenkjenne fotgjengere, andre kjøretøy, trafikklys og veiskilt i bilder eller lidar-punktskyer.
• modellering: Overvåkede læringsalgoritmer kan brukes til å trene en modell for å forutsi sannsynligheten for at visse hendelser skjer i miljøet. For eksempel kan en modell trenes til å forutsi sannsynligheten for at en fotgjenger krysser veien på et bestemt sted eller sannsynligheten for at et annet kjøretøy gjør et plutselig filskifte.
• Adferdsprediksjon: Overvåkede læringsalgoritmer kan brukes til å trene en modell til å forutsi adferden til andre trafikanter, for eksempel fotgjengere og andre kjøretøy. Dette kan for eksempel brukes til å forutsi sannsynligheten for at en fotgjenger vil krysse veien på et bestemt sted eller for å forutsi sannsynligheten for at et annet kjøretøy vil foreta et plutselig filskifte.

Uovervåket læring

Uovervåket læring er en type maskinlæring der en modell trenes på et umerket datasett, noe som betyr at dataene ikke er merket med riktig utdata. Målet med uovervåket læring er å oppdage mønstre eller relasjoner i dataene, snarere enn å forutsi et spesifikt resultat.

Uovervåket læringsalgoritmer har ikke et spesifikt mål å forutsi og brukes i stedet for å finne mønstre og sammenhenger i dataene. Disse algoritmene brukes ofte til oppgaver som clustering (gruppering av lignende datapunkter), dimensjonalitetsreduksjon (redusering av antall funksjoner i dataene) og anomalideteksjon (identifisering av datapunkter som er uvanlige eller ikke passer med resten av dataene). data).

Uovervåket læring kan brukes i selvkjørende biler på en rekke måter. Her er noen eksempler:

• Avviksdeteksjon: Uovervåket læringsalgoritmer kan brukes til å identifisere uvanlige eller uventede hendelser i dataene som samles inn av en selvkjørende bils sensorer. For eksempel kan en uovervåket læringsalgoritme brukes til å identifisere en fotgjenger som krysser veien på et uventet sted eller et kjøretøy som gjør et brå filskifte.
• Gruppering: Uovervåket læringsalgoritmer kan brukes til å gruppere data samlet inn av en autonom bils sensorer, og gruppere lignende datapunkter sammen. Dette kan for eksempel brukes til å gruppere datapunkter som tilsvarer ulike typer veidekker eller for å gruppere datapunkter som tilsvarer ulike trafikkforhold.
• Funksjonsekstraksjon: Uovervåket læringsalgoritmer kan brukes til å trekke ut funksjoner fra dataene som samles inn av en selvkjørende bils sensorer. For eksempel kan en uovervåket læringsalgoritme brukes til å identifisere funksjoner i en lidar punktsky som tilsvarer kantene på objekter i miljøet eller for å identifisere funksjoner i et bilde som tilsvarer kantene til objekter i scenen.

Nivåer av autonomi i selvkjørende biler

Selvkjørende biler er generelt klassifisert i henhold til nivåer av automatisering, fra nivå 0 (ingen automatisering) til nivå 5 (helt autonome). Nivåene av automatisering er definert av Society of Automotive Engineers (SAE) og er som følger:

Nivå 0: Ingen automatisering

Føreren har til enhver tid full kontroll over kjøretøyet.

Nivå 1: Sjåførassistanse

Kjøretøyet har noen automatiserte funksjoner, for eksempel kjørefelt eller adaptiv cruisekontroll, men føreren må være oppmerksom og klar til å ta kontroll når som helst.

Nivå 2: Delvis automatisering

Kjøretøyet har mer avanserte automatiserte funksjoner, som for eksempel muligheten til å kontrollere akselerasjon, bremsing og styring av kjøretøyet, men føreren må fortsatt overvåke miljøet og være klar til å gripe inn om nødvendig.

Nivå 3: Betinget automatisering

Kjøretøyet er i stand til å utføre alle kjøreoppgaver under visse forhold, men føreren må være klar til å ta kontroll dersom kjøretøyet støter på en situasjon det ikke kan håndtere.

Nivå 4: Høy automatisering

Kjøretøyet er i stand til å utføre alle kjøreoppgaver under en lang rekke forhold, men føreren kan likevel bli pålagt å ta kontroll i visse situasjoner, for eksempel i dårlig vær eller i komplekse kjøremiljøer.

Nivå 5: Full automatisering

Kjøretøyet er i stand til å utføre alle kjøreoppgaver under alle forhold, og føreren er ikke pålagt å ta kontroll.

Det er verdt å merke seg at autonome biler ennå ikke er på nivå 5, og det er ikke klart når de når dette nivået. De fleste selvkjørende biler på veien er på nivå 4 eller lavere.

Selvkjørende biler: Fordeler og ulemper

Selvkjørende biler har potensial til å gi mange fordeler, men det er også noen utfordringer som må løses før de blir utbredt.

Pros

• Redusert antall ulykker: Selvkjørende biler har potensial til å redusere antallet ulykker som skyldes menneskelige feil betraktelig, noe som kan føre til færre dødsfall og skader på veien.
• Forbedret trafikkflyt: Selvkjørende biler kan forbedre trafikkflyten og redusere kø ved å kommunisere med hverandre og ta sanntidsbeslutninger for å optimalisere rutene og hastighetene deres.
• Økt mobilitet: Selvkjørende biler kan øke mobiliteten for personer som ikke kan kjøre bil på grunn av alder, funksjonshemming eller andre faktorer.
• Miljømessige fordeler: Selvkjørende biler kan redusere drivstofforbruk og utslipp, noe som kan ha en positiv innvirkning på miljøet.

Ulemper

• Bekymringer om pålitelighet og sikkerhet: Det er bekymringer om påliteligheten og sikkerheten til selvkjørende biler, spesielt i komplekse eller uforutsigbare kjøresituasjoner.
• Tap av jobb: Selvkjørende biler kan potensielt føre til tap av arbeidsplasser for menneskelige sjåfører, som taxi- og lastebilsjåfører.
• Etiske og juridiske spørsmål: Det er etiske og juridiske spørsmål som må vurderes, for eksempel hvordan man sikrer sikkerheten til passasjerer og fotgjengere og hvordan man håndterer ansvar i tilfelle en ulykke.
• Cybersikkerhetsrisikoer: Selvkjørende biler kan være sårbare for cyberangrep, noe som kan kompromittere deres sikkerhet og personvern.

Eksempler fra det virkelige liv på selvkjørende biler

Det er flere eksempler på selvkjørende biler som er under utvikling eller allerede er på veien:

Waymo

Waymo er et selvkjørende bilselskap som eies av Alphabet, morselskapet til Google. Waymos autonome biler blir testet på offentlig vei i flere byer i USA, inkludert Phoenix, Arizona og Detroit, Michigan.

[Innebygd innhold]

Tesla Autopilot

Tesla Autopilot er et semi-autonomt kjøresystem som er tilgjengelig på enkelte Tesla-modeller. Selv om den ikke er helt selvkjørende, lar den bilen håndtere enkelte kjøreoppgaver, som filhold og filskifte, med minimalt med innspill fra sjåføren.

[Innebygd innhold]

cruise

cruise er et selvkjørende bilselskap som eies av General Motors. Cruises selvkjørende biler blir testet på offentlige veier i San Francisco, California og Phoenix, Arizona.

[Innebygd innhold]

Aurora

Aurora er et selvkjørende bilselskap som utvikler autonom kjøretøyteknologi for bruk i en rekke applikasjoner, inkludert personbiler, leveringskjøretøyer og offentlig transport. Auroras selvkjørende biler testes på offentlig vei i flere byer i USA.

[Innebygd innhold]

Nøkkelferier

• Kunstig intelligens spiller en avgjørende rolle i utviklingen og driften av selvkjørende biler.
• AI gjør det mulig for selvkjørende biler å sanse, oppfatte og navigere i miljøet, samt ta sanntidsbeslutninger basert på data samlet inn fra sensorene deres.
• Deep learning, en type maskinlæring som involverer trening av kunstige nevrale nettverk på store datasett, er mye brukt i utviklingen av selvkjørende biler.
• Selvkjørende biler er generelt klassifisert i henhold til nivåer av automatisering, fra nivå 0 (ingen automatisering) til nivå 5 (helt autonome).
• De fleste selvkjørende biler på veien er på nivå 4 eller lavere, noe som betyr at de er i stand til å utføre alle kjøreoppgaver under visse forhold, men føreren må være klar til å ta kontroll om nødvendig.
• Selvkjørende biler har potensial til å redusere antallet ulykker som skyldes menneskelige feil betraktelig, noe som kan føre til færre dødsfall og skader på veien.
• Selvkjørende biler kan forbedre trafikkflyten og redusere kø ved å kommunisere med hverandre og ta sanntidsbeslutninger for å optimalisere rutene og hastighetene deres.
• Selvkjørende biler kan øke mobiliteten for personer som ikke kan kjøre bil på grunn av alder, funksjonshemming eller andre faktorer.
• Selvkjørende biler kan redusere drivstofforbruk og utslipp, noe som kan ha en positiv innvirkning på miljøet.
• Det er utfordringer som må løses før selvkjørende biler blir utbredt, inkludert utvikling av kunstig intelligens-systemer som er pålitelige og trygge nok for bruk på offentlige veier, samt regulatoriske, juridiske og etiske spørsmål.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
• kilde: https://dataconomy.com/2022/12/artificial-intelligence-and-self-driving/