Ujemanje v prometnih nebesih: umetna inteligenca in samovozeči avtomobili

Umetna inteligenca (AI) ima potencial, da spremeni način vožnje in prevoza blaga in ljudi. Samovozeči avtomobili, znani tudi kot avtonomna vozila, so vrsta vozil, ki uporabljajo umetno inteligenco in druge napredne tehnologije za navigacijo po cestah in avtocestah brez potrebe po človeškem vozniku.

Samovozeči avtomobili imajo številne prednosti. Prvič, lahko znatno zmanjšajo število nesreč, ki jih povzroči človeška napaka. To bi lahko povzročilo manj smrti in poškodb na cesti. Samovozeči avtomobili bi lahko tudi izboljšali pretok prometa in zmanjšali zastoje, saj lahko komunicirajo med seboj in sprejemajo odločitve v realnem času za optimizacijo svojih poti in hitrosti.

Poleg tega bi lahko samovozeči avtomobili pozitivno vplivali tudi na okolje z zmanjšanjem porabe goriva in emisij. Lahko bi tudi povečali mobilnost ljudi, ki zaradi starosti, invalidnosti ali drugih dejavnikov ne morejo voziti.

Kako se umetna inteligenca uporablja v samovozečih avtomobilih?

Še vedno je treba rešiti veliko izzivov, preden bodo samovozeči avtomobili razširjeni. Eden glavnih izzivov je razvoj sistemov AI, ki so dovolj zanesljivi in ​​varni za uporabo na javnih cestah. Upoštevati je treba tudi regulativna, pravna in etična vprašanja, na primer, kako zagotoviti varnost potnikov in pešcev ter kako ravnati z odgovornostjo v primeru nesreče.

Kljub tem izzivom se razvoj samovozečih avtomobilov hitro premika naprej. Mnoga podjetja, vključno s tradicionalnimi proizvajalci avtomobilov in tehnološkimi podjetji, veliko vlagajo v tehnologijo, samovozeče avtomobile pa na nekaterih območjih že preizkušajo na javnih cestah. Verjetno bomo v bližnji prihodnosti na cestah videli samovozeče avtomobile, čeprav je težko natančno napovedati, kdaj bodo postali običajni.

Umetna inteligenca v avtomobilski industriji

Tukaj je nekaj načinov, kako se umetna inteligenca uporablja v samovozečih avtomobilih:

Zaznavanje in zaznavanje

Samovozeči avtomobili za zbiranje podatkov o svoji okolici uporabljajo različne senzorje, kot so kamere, lidar, radar in ultrazvočni senzorji. Ti podatki se nato obdelajo in analizirajo z algoritmi umetne inteligence, da ustvarijo podroben zemljevid okolja in prepoznajo predmete, kot so pešci, druga vozila, semaforji in prometni znaki.

Odločanje

Samovozeči avtomobili uporabljajo umetno inteligenco za sprejemanje odločitev v realnem času na podlagi podatkov, ki jih zberejo iz svojih senzorjev. Na primer, če samovozeči avtomobil zazna pešca, ki prečka cesto, bo uporabil AI, da določi najboljši način ukrepanja, kot je upočasnitev ali ustavitev.

Predvidevno modeliranje

Samovozeči avtomobili uporabljajo AI za napovedovanje vedenja drugih udeležencev v prometu, kot so pešci in druga vozila. To pomaga avtomobilu predvideti morebitne težave in ustrezno ukrepati, da se jim izogne.

Obdelava naravnega jezika

Nekateri samovozeči avtomobili so opremljeni s tehnologijo za prepoznavanje glasu, ki potnikom omogoča komunikacijo z avtomobilom z uporabo naravnega jezika. Ta tehnologija uporablja AI za razumevanje in odzivanje na govorjene ukaze.

Na splošno je umetna inteligenca ključna komponenta samovozečih avtomobilov, ki jim omogoča zaznavanje, zaznavanje in krmarjenje po okolju ter sprejemanje odločitev in odzivanje na spreminjajoče se razmere v realnem času.

Poglobljeno učenje v samovozečih avtomobilih

Globoko učenje je vrsta strojnega učenja, ki vključuje usposabljanje umetnih nevronskih mrež na velikih zbirkah podatkov. Te nevronske mreže se lahko učijo in prepoznavajo vzorce v podatkih in jih je mogoče uporabiti za izvajanje širokega spektra nalog, vključno s prepoznavanjem slike in govora, obdelavo naravnega jezika in napovednim modeliranjem.

V okviru samovozečih avtomobilov se globoko učenje pogosto uporablja za izboljšanje natančnosti in zanesljivosti sistemov umetne inteligence, ki avtomobilu omogočajo navigacijo in sprejemanje odločitev. Na primer, algoritme globokega učenja je mogoče učiti na velikih zbirkah podatkov slik in videoposnetkov, da avtomobilu omogočijo prepoznavanje in razvrščanje predmetov v svojem okolju, kot so pešci, druga vozila in prometni znaki.

---

Ogrodje globokega učenja PaddlePaddle širi AI na industrijske aplikacije

---

Globoko učenje se uporablja tudi za izboljšanje natančnosti napovednega modeliranja v samovozečih avtomobilih. Avto lahko na primer uporablja algoritme globokega učenja za analizo podatkov iz svojih senzorjev in predvidevanje verjetnosti, da bo pešec prečkal cesto na določeni lokaciji, ali verjetnost, da drugo vozilo nenadoma spremeni vozni pas.

Pomen GDDR6 za samovozeče avtomobile

GDDR6 (Graphics Double Data Rate 6) je vrsta pomnilnika, ki se uporablja v grafičnih procesnih enotah (GPE) za shranjevanje in obdelavo podatkov za upodabljanje grafike in druga računalniško intenzivna opravila. V kontekstu avtonomne vožnje je GDDR6 pomemben, ker omogoča hitro obdelavo velikih količin podatkov, ki so potrebni za delovanje samovozečih avtomobilov.

Samovozeči avtomobili se za zbiranje podatkov o svoji okolici zanašajo na različne senzorje, kot so kamere, lidar, radar in ultrazvočni senzorji. Ti podatki se nato obdelajo in analizirajo z algoritmi umetne inteligence, da ustvarijo podroben zemljevid okolja in prepoznajo predmete, kot so pešci, druga vozila, semaforji in prometni znaki. Obdelava in analiza podatkov, ki sta potrebni za omogočanje teh nalog, sta računsko intenzivni in zahtevata hitri pomnilnik, kot je GDDR6, za hitro shranjevanje in dostop do podatkov.

Poleg tega, da omogoča hitro obdelavo podatkov, je GDDR6 tudi energijsko učinkovit, kar je pomembno za delovanje samovozečih avtomobilov, saj morajo imeti možnost delovanja dolgo časa brez polnjenja.

Na splošno je GDDR6 pomembna tehnologija za prihodnost avtonomne vožnje, saj omogoča hitro in učinkovito obdelavo velikih količin podatkov, potrebnih za delovanje samovozečih avtomobilov.

Algoritmi avtomobilske umetne inteligence in samovozeči avtomobili

V avtomobilskih algoritmih umetne inteligence se uporabljajo metode nadzorovanega in nenadzorovanega učenja.

Nadzorovano učenje

Nadzorovano učenje je vrsta strojnega učenja, pri katerem se model uri na označenem naboru podatkov, kar pomeni, da so bili podatki označeni s pravilnim izhodom. Cilj nadzorovanega učenja je naučiti se funkcije, ki preslika vhode v izhode na podlagi označenih podatkov.

Med postopkom usposabljanja je model predstavljen z nizom vhodnih/izhodnih parov in uporablja optimizacijski algoritem za prilagajanje svojih notranjih parametrov, tako da lahko natančno predvidi izhod glede na nov vhod. Ko je model usposobljen, ga je mogoče uporabiti za napovedovanje novih, še nevidenih podatkov.

Nadzorovano učenje se običajno uporablja za naloge, kot so klasifikacija (napovedovanje oznake razreda), regresija (napovedovanje zvezne vrednosti) in strukturirano predvidevanje (napovedovanje zaporedja ali drevesno strukturiranega izhoda).

Nadzorovano učenje je mogoče uporabiti v samovozečih avtomobilih na več načinov. Tukaj je nekaj primerov:

• Prepoznavanje predmeta: Algoritme nadzorovanega učenja je mogoče uporabiti za usposabljanje modela za prepoznavanje predmetov v podatkih, ki jih zbirajo senzorji samovozečega avtomobila. Na primer, model bi lahko usposobili za prepoznavanje pešcev, drugih vozil, semaforjev in prometnih znakov na slikah ali lidarskih oblakih točk.
• Modeliranje: Algoritme nadzorovanega učenja je mogoče uporabiti za usposabljanje modela za napovedovanje verjetnosti določenih dogodkov v okolju. Na primer, model bi lahko usposobili za napovedovanje verjetnosti, da bo pešec prečkal cesto na določeni lokaciji, ali verjetnosti, da bo drugo vozilo nenadoma spremenilo vozni pas.
• Napoved obnašanja: Algoritme nadzorovanega učenja je mogoče uporabiti za usposabljanje modela za napovedovanje vedenja drugih udeležencev v prometu, kot so pešci in druga vozila. To bi lahko uporabili na primer za predvidevanje verjetnosti, da bo pešec prečkal cesto na določenem mestu, ali za predvidevanje verjetnosti, da bo drugo vozilo nenadoma spremenilo vozni pas.

Nenadzorovano učenje

Nenadzorovano učenje je vrsta strojnega učenja, pri katerem se model uri na neoznačenem nizu podatkov, kar pomeni, da podatki niso označeni s pravilnim izhodom. Cilj nenadzorovanega učenja je odkrivanje vzorcev ali odnosov v podatkih, ne pa napovedovanje določenega rezultata.

Algoritmi za nenadzorovano učenje nimajo določenega cilja za predvidevanje in se namesto tega uporabljajo za iskanje vzorcev in odnosov v podatkih. Ti algoritmi se pogosto uporabljajo za naloge, kot so združevanje v gruče (združevanje podobnih podatkovnih točk skupaj), zmanjšanje dimenzionalnosti (zmanjšanje števila funkcij v podatkih) in odkrivanje anomalij (prepoznavanje podatkovnih točk, ki so neobičajne ali se ne ujemajo z ostalimi podatki). podatkov).

Učenje brez nadzora se lahko v samovozečih avtomobilih uporablja na več načinov. Tukaj je nekaj primerov:

• Odkrivanje anomalij: Algoritme za nenadzorovano učenje je mogoče uporabiti za prepoznavanje nenavadnih ali nepričakovanih dogodkov v podatkih, ki jih zbirajo senzorji samovozečega avtomobila. Na primer, algoritem za nenadzorovano učenje bi lahko uporabili za prepoznavanje pešca, ki prečka cesto na nepričakovani lokaciji, ali vozila, ki nenadoma spremeni vozni pas.
• Grozd: Nenadzorovane učne algoritme je mogoče uporabiti za združevanje podatkov, ki jih zbirajo senzorji avtonomnega avtomobila, in združevanje podobnih podatkovnih točk skupaj. To bi lahko uporabili na primer za združevanje podatkovnih točk, ki ustrezajo različnim vrstam cestnih površin, ali za združevanje podatkovnih točk, ki ustrezajo različnim prometnim razmeram.
• Ekstrakcija lastnosti: Algoritme za nenadzorovano učenje je mogoče uporabiti za pridobivanje funkcij iz podatkov, ki jih zbirajo senzorji samovozečega avtomobila. Na primer, algoritem za nenadzorovano učenje bi lahko uporabili za identifikacijo funkcij v lidarskem oblaku točk, ki ustrezajo robom predmetov v okolju, ali za identifikacijo funkcij na sliki, ki ustrezajo robom predmetov v prizorišču.

Stopnje avtonomije v samovozečih avtomobilih

Samovozeči avtomobili so na splošno razvrščeni glede na stopnje avtomatizacije, ki segajo od stopnje 0 (brez avtomatizacije) do stopnje 5 (popolnoma avtonomni). Ravni avtomatizacije določa Združenje avtomobilskih inženirjev (SAE) in so naslednje:

Raven 0: Brez avtomatizacije

Voznik ima ves čas popoln nadzor nad vozilom.

1. stopnja: pomoč vozniku

Vozilo ima nekatere avtomatizirane funkcije, kot sta ohranjanje voznega pasu ali prilagodljivi tempomat, vendar mora voznik ostati pozoren in kadar koli pripravljen prevzeti nadzor.

2. stopnja: Delna avtomatizacija

Vozilo ima naprednejše avtomatizirane funkcije, kot je možnost nadzora pospeševanja, zaviranja in krmiljenja vozila, vendar mora voznik še vedno spremljati okolje in biti pripravljen na posredovanje, če je to potrebno.

3. stopnja: Pogojna avtomatizacija

Vozilo je sposobno opravljati vse vozne naloge pod določenimi pogoji, vendar mora biti voznik pripravljen prevzeti nadzor, če vozilo naleti na situacijo, ki je ne more obvladati.

Stopnja 4: Visoka avtomatizacija

Vozilo je sposobno opravljati vse vozne naloge v najrazličnejših pogojih, vendar bo voznik morda še vedno moral prevzeti nadzor v določenih situacijah, na primer v slabem vremenu ali v zapletenih voznih okoljih.

Stopnja 5: Popolna avtomatizacija

Vozilo je sposobno opravljati vse vozne naloge v vseh pogojih, vozniku pa ni treba prevzeti nadzora.

Omeniti velja, da avtonomni avtomobili še niso na ravni 5 in ni jasno, kdaj bodo dosegli to raven. Večina samovozečih avtomobilov, ki so trenutno na cestah, je na ravni 4 ali manj.

Samovozeči avtomobili: prednosti in slabosti

Samovozeči avtomobili imajo potencial, da prinesejo številne prednosti, vendar pa je treba obravnavati tudi nekatere izzive, preden postanejo razširjeni.

Prednosti

• Zmanjšano število nesreč: Samovozeči avtomobili lahko bistveno zmanjšajo število nesreč, ki jih povzroči človeška napaka, kar bi lahko privedlo do manj smrtnih žrtev in poškodb na cesti.
• Izboljšan pretok prometa: Samovozeči avtomobili bi lahko izboljšali pretok prometa in zmanjšali zastoje, tako da komunicirajo med seboj in sprejemajo odločitve v realnem času za optimizacijo svojih poti in hitrosti.
• Povečana mobilnost: Samovozeči avtomobili bi lahko povečali mobilnost ljudi, ki zaradi starosti, invalidnosti ali drugih dejavnikov ne morejo voziti.
• Okoljske koristi: Samovozeči avtomobili bi lahko zmanjšali porabo goriva in emisije, kar bi lahko pozitivno vplivalo na okolje.

Proti

• Pomisleki glede zanesljivosti in varnosti: Obstajajo pomisleki glede zanesljivosti in varnosti samovozečih avtomobilov, zlasti v zapletenih ali nepredvidljivih voznih situacijah.
• Izguba službe: Samovozeči avtomobili bi lahko povzročili izgubo delovnih mest za človeške voznike, kot so vozniki taksijev in tovornjakov.
• Etična in pravna vprašanja: Upoštevati je treba etična in pravna vprašanja, na primer, kako zagotoviti varnost potnikov in pešcev ter kako ravnati z odgovornostjo v primeru nesreče.
• Tveganja kibernetske varnosti: Samovozeči avtomobili so lahko ranljivi za kibernetske napade, ki bi lahko ogrozili njihovo varnost in zasebnost.

Primeri samovozečih avtomobilov iz resničnega življenja

Obstaja več primerov samovozečih avtomobilov, ki se razvijajo ali so že na cestah:

Waymo

Waymo je podjetje za samovozeče avtomobile, ki je v lasti Alphabeta, matičnega podjetja Googla. Waymove avtonomne avtomobile preizkušajo na javnih cestah v več mestih v Združenih državah, vključno s Phoenixom v Arizoni in Detroitom v Michiganu.

[Vgrajeni vsebina]

Tesla Avtopilot

Tesla Avtopilot je polavtonomni sistem vožnje, ki je na voljo pri nekaterih modelih Tesla. Čeprav ni v celoti samovozeč, omogoča avtomobilu, da obvlada nekatere vozne naloge, kot sta ohranjanje voznega pasu in menjava voznega pasu, z minimalnim vložkom voznika.

[Vgrajeni vsebina]

križarjenje

križarjenje je podjetje za samovozeče avtomobile, ki je v lasti General Motorsa. Cruisove samovozeče avtomobile preizkušajo na javnih cestah v San Franciscu v Kaliforniji in Phoenixu v Arizoni.

[Vgrajeni vsebina]

aurora

aurora je samovozeče avtomobilsko podjetje, ki razvija tehnologijo avtonomnih vozil za uporabo v različnih aplikacijah, vključno z osebnimi vozili, dostavnimi vozili in javnim prevozom. Aurorine samovozeče avtomobile preizkušajo na javnih cestah v več mestih v ZDA.

[Vgrajeni vsebina]

Ključni odvzemi

• Umetna inteligenca igra ključno vlogo pri razvoju in delovanju samovozečih avtomobilov.
• Umetna inteligenca omogoča samovozečim avtomobilom, da zaznavajo, zaznavajo in krmarijo okolico ter sprejemajo odločitve v realnem času na podlagi podatkov, zbranih iz njihovih senzorjev.
• Globoko učenje, vrsta strojnega učenja, ki vključuje usposabljanje umetnih nevronskih mrež na velikih naborih podatkov, se pogosto uporablja pri razvoju samovozečih avtomobilov.
• Samovozeči avtomobili so na splošno razvrščeni glede na stopnje avtomatizacije, ki segajo od stopnje 0 (brez avtomatizacije) do stopnje 5 (popolnoma avtonomni).
• Večina samovozečih avtomobilov, ki so trenutno na cesti, je na stopnji 4 ali nižji, kar pomeni, da lahko opravljajo vse naloge vožnje pod določenimi pogoji, vendar mora biti voznik pripravljen prevzeti nadzor, če je to potrebno.
• Samovozeči avtomobili lahko bistveno zmanjšajo število nesreč, ki jih povzroči človeška napaka, kar bi lahko privedlo do manj smrtnih žrtev in poškodb na cesti.
• Samovozeči avtomobili bi lahko izboljšali pretok prometa in zmanjšali zastoje, tako da komunicirajo med seboj in sprejemajo odločitve v realnem času za optimizacijo svojih poti in hitrosti.
• Samovozeči avtomobili bi lahko povečali mobilnost ljudi, ki zaradi starosti, invalidnosti ali drugih dejavnikov ne morejo voziti.
• Samovozeči avtomobili bi lahko zmanjšali porabo goriva in emisije, kar bi lahko pozitivno vplivalo na okolje.
• Obstajajo izzivi, ki jih je treba obravnavati, preden se samovozeči avtomobili razširijo, vključno z razvojem sistemov umetne inteligence, ki so zanesljivi in ​​dovolj varni za uporabo na javnih cestah, ter regulativnimi, pravnimi in etičnimi vprašanji.

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
• vir: https://dataconomy.com/2022/12/artificial-intelligence-and-self-driving/