Forscher im Bereich KI und maschinelles Lernen konzentrieren sich auf die Entwicklung selbstfahrender Fahrzeuge als heißen neuen Trend. Waymo, ein selbstfahrendes Taxiunternehmen, wird Verbrauchern im Jahr 2020 einen Service namens Waymo One anbieten. AutoX, eine Tochtergesellschaft der Alibaba Group, hat in Shenzhen, China, mit dem Betrieb einer Flotte fahrerloser, vollautomatischer Fahrzeuge begonnen. Selbstfahrende Fahrzeuge, die mithilfe von Sensoren Daten über ihre Umgebung sammeln, ersetzen dank der künstlichen Intelligenz im Automobilbereich schnell menschliche Fahrer. Selbstfahrende Fahrzeuge hingegen interpretieren Daten auf andere Weise. Dies ist die bedeutendste Anwendung künstlicher Intelligenz in der Automobilindustrie.
Siehe auch: Die wichtigsten Herausforderungen für die FinTech-Branche im Jahr 2021
Wer sich für eine fahrerlose Zukunft interessiert, kann sich über die wichtigsten Algorithmen des maschinellen Lernens für autonomes Fahren informieren und erfahren, warum sie wichtig sind.
Die Rolle von Algorithmen des maschinellen Lernens
Künstliche Intelligenz umfasst mehrere verschiedene Bereiche, darunter auch maschinelles Lernen. Damit können Sie die Art und Weise verbessern, wie eine Maschine eine bestimmte Aufgabe erledigt. Aber hier liegt der Schlüssel: Lernen bedeutet, dass der Computer über die Informationen hinausgeht, die er aus den ersten Trainingsdaten gelernt hat. Damit Induktion effektiv ist, benötigen Computer Algorithmen für maschinelles Lernen. Anders ausgedrückt: Maßgeschneiderte Softwareentwicklung auf der Grundlage von maschinellem Lernen und künstlicher Intelligenz kann dort erfolgreich sein, wo herkömmliche Programmierung nicht funktioniert.
Überwachtes vs. unüberwachtes Lernen
Bei selbstfahrenden Autos wird überwachtes oder unüberwachtes maschinelles Lernen eingesetzt. Beim Vergleich der beiden Methoden liegt der größte Unterschied in der Menge an menschlichem Input, die zum Lernen erforderlich ist. Ein Computer verwendet überwachtes Lernen, um Daten zu analysieren und Vorhersagen auf der Grundlage von Eingaben zu erstellen. Anschließend vergleicht er diese Vorhersagen mit den richtigen Ausgabedaten, um zukünftige Vorhersagen zu verbessern. Beim unüberwachten Lernen werden die Daten nicht gekennzeichnet. Infolgedessen lernt der Computer lediglich, die zugrunde liegende Struktur aus den Eingaben zu erkennen.
Maschinelles Lernen ist derzeit eine der angesagtesten Technologien für autonomes Fahren. Insbesondere selbstfahrende Fahrzeuge nutzen zunehmend Deep Learning. Es ist ein Zweig des maschinellen Lernens, der als Deep Learning bekannt ist und sich darauf konzentriert, Computern das Lernen beizubringen, indem sie große Mengen realer Daten analysieren. Deep Learning ermöglicht es selbstfahrenden Fahrzeugen, große Mengen Rohdaten in nützliches Wissen umzuwandeln.
Entwicklungsgeschichte autonomer Fahrzeuge im Bereich des maschinellen Lernens
Da selbstfahrende Fahrzeuge in Anwendungen des maschinellen Lernens auftauchen, profitieren sowohl die Automobil- als auch die Technologiebranche. Zu den Anwendungen des maschinellen Lernens für selbstfahrende Fahrzeuge gehören:
Sensorfusion und Szenenverständnis zur Lokalisierung und Kartierung im Raum
Die Beurteilung des Zustands eines Fahrers und die Identifizierung von Trends in seinem Verhalten bei der Navigation und Bewegungsplanung
Der Entscheidungsprozess autonomer Fahrzeuge
Objekterkennung und Objektklassifizierungsalgorithmen ermöglichen es selbstfahrenden Fahrzeugen, Dinge zu erkennen, Umstände zu verstehen und Schlussfolgerungen zu ziehen. Dies erreichen sie, indem sie Dinge identifizieren und kategorisieren. Wenn es um die Straßennavigation geht, bietet der maschinelle Lernalgorithmus von Mindy Support umfassende Datenannotationsdienste zur Unterstützung beim Training.
Diversität und Redundanz
Um maschinelles Lernen zu erreichen, werden verschiedene Algorithmen kombiniert und überlagert, um Fehler zu reduzieren und Sicherheit zu gewährleisten. Diese Algorithmen interpretieren Verkehrsschilder und identifizieren Fahrspuren und Kreuzungen.
Wie funktionieren selbstfahrende Autos?
Die drei Hauptsensoren selbstfahrender Fahrzeuge arbeiten zusammen wie die Augen und das Gehirn eines Menschen. Kameras, Radar und Lidar sind Beispiele für Sensoren. Sie arbeiten als Einheit, um dem Fahrzeug ein umfassendes Bild seiner Umgebung zu liefern. Mithilfe dieser Sensoren kann das Fahrzeug die Entfernung, Geschwindigkeit und 3D-Form von Objekten in der Nähe bestimmen. Die Trägheitsmesseinheiten in selbstfahrenden Fahrzeugen erkennen und regulieren nun sowohl die Beschleunigung als auch die Position.
Zuverlässige Kameras
Um ein klares Bild ihrer Umgebung zu erhalten, verwenden selbstfahrende Fahrzeuge mehrere Kameras, die in verschiedenen Winkeln positioniert sind. Für die Fernsicht haben einige Kameras ein kleineres Sichtfeld, während andere ein Sichtfeld von 120 Grad haben. Beim Einparken bieten Weitwinkel-Fischaugenkameras ein weites Sichtfeld.
Gegenradarsysteme
Bei Nacht oder schlechter Sicht unterstützen Radarwarner die Kamerasensoren bei ihrer Arbeit. Sie senden über Funkwellen Impulse aus und empfangen so Informationen über die Geschwindigkeit und Position des gesuchten Objekts.
Laserfokus
Lidar-Sensoren berechnen die Entfernung mithilfe gepulster Laser und geben autonomen Fahrzeugen so eine 3D-Ansicht ihrer Umgebung. Dadurch erhalten sie detailliertere Informationen über Dinge wie Form und Tiefe als mit einer Kamera allein.
Von selbstfahrenden Autos verwendete Algorithmen für maschinelles Lernen
Histogramm orientierter Gradienten (HOG)
Eine grundlegende Methode des maschinellen Lernens für autonomes Fahren und Computer Vision ist das Histogramm orientierter Gradienten (HOG). Es untersucht, wie und in welche Richtung die Intensität eines Bildes in einem kleinen Bereich eines Bildes, einer sogenannten Zelle, variiert. Wenn Sie HOG verwenden, können Sie sehen, wie oft jede Richtung vorkommt, indem Sie die Gradienten jeder Zelle verbinden. Anschließend klassifiziert die Support Vector Machine (SVM) die Daten anhand der neu entdeckten Merkmale.
Bildverteilungen sind das, was HOG zur Beschreibung von Bildern meint. Statt einer bloßen Ansammlung von Pixeln erzeugt es einen hilfreichen Bildgradienten zum Dekodieren und Komprimieren von Bildern. Darüber hinaus verbraucht es nur wenige Systemressourcen. HOG könnte eine effektive erste Stufe im Bilderkennungsprozess für selbstfahrende Fahrzeuge sein.
YOLO
Dank des maschinellen Lernalgorithmus YOLO (You Only Look Once) war es noch nie so einfach, Dinge wie Fahrzeuge, Menschen und Bäume zu klassifizieren. Tatsächlich ist es eine Alternative zur heuristischen Suchmethode von HOG. YOLO teilt das Bild nach der Analyse als Ganzes in Segmente auf. YOLO weist Objekten Beschriftungen auf der Grundlage der Merkmale zu, die allen ihren Klassen gemeinsam sind.
Der Algorithmus generiert für jedes Bildsegment Begrenzungsrahmen und Vorhersagen. Er verwendet die Netzwerkauswertung nur einmal und berücksichtigt jede Vorhersage im Kontext des gesamten Bildes. Andere verwenden dagegen Detektoren und Klassifikatoren an verschiedenen Stellen und Bereichen eines Bildes, um Objekte zu identifizieren. Dadurch ist YOLO im Vergleich präziser und schneller als HOG. Die Objekterkennung in selbstfahrenden Autos wird durch den YOLO-Algorithmus erleichtert. Dadurch werden reale Probleme schnell behandelt und die Fahrzeuge reagieren auch schnell.
Die Zukunft autonomer Autos und maschinellen Lernens
Maschinelles Lernen ist eine leistungsstarke Technik, wenn es in selbstfahrenden Fahrzeugen eingesetzt wird. Die Zukunft des Transports wird von selbstfahrenden Fahrzeugen bestimmt, die maschinelles Lernen nutzen. Und ihre Kompatibilität lässt sich nicht leugnen. Wahrnehmung und Entscheidungsfindung in selbstfahrenden Autos werden oft von Algorithmen des maschinellen Lernens übernommen. Es gibt jedoch eine ganze Reihe anderer Methoden und Anwendungen für maschinelles Lernen, die selbstfahrende Fahrzeuge revolutionieren könnten. Maschinelles Lernen könnte beispielsweise sogar für die Navigation selbstfahrender Autos und die Erkennung des emotionalen Zustands eines Fahrers eingesetzt werden.
Dank der Fortschritte im maschinellen Lernen sind selbstfahrende Fahrzeuge heute schon in der Lage, viele Aufgaben zu erledigen. Ihre Fähigkeiten werden in Zukunft nur noch zunehmen. Mit anderen Worten: Wenn Autos selbstfahren, wissen Sie genau, was sie dazu veranlasst hat.
Ausgewähltes Bild: Foto von Hannes Egler auf Unsplash