AI- och maskininlärningsforskare fokuserar på att utveckla självkörande fordon som en het ny trend. Waymo, ett självkörande taxiföretag, kommer att tillhandahålla en tjänst som heter Waymo One till konsumenter 2020. AutoX, ett dotterbolag till Alibaba Group, har börjat driva en flotta av förarlösa, helautomatiska fordon i Shenzhen, Kina. Självkörande fordon, som använder sensorer för att samla in data om sin miljö, ersätter snabbt mänskliga förare som ett resultat av artificiell intelligens i bilar. Självkörande fordon däremot tolkar data på olika sätt. Detta är den mest betydande användningen av artificiell intelligens inom bilindustrin.
Se även: Nyckelutmaningar som FinTech-industrin står inför 2021
För dem som är intresserade av en förarlös framtid, lär dig om de mest framstående maskininlärningsalgoritmerna för autonom körning och varför de är viktiga.
Rollen för maskininlärningsalgoritmer
Artificiell intelligens omfattar flera olika områden, inklusive maskininlärning. Med den kan du förbättra hur en maskin gör ett visst jobb. Men här är nyckeln: inlärning innebär att datorn går utöver den information den lärde sig från den första träningsdatan. För att induktion ska vara effektiv behöver datorer maskininlärningsalgoritmer. För att uttrycka det på ett annat sätt, skräddarsydd mjukvaruutveckling baserad på maskininlärning och artificiell intelligens kan frodas där konventionell programmering inte kan.
Övervakad vs. Oövervakat lärande
Övervakad eller oövervakad maskininlärning används i självkörande bilar. När man jämför de två metoderna är den största skillnaden mängden mänsklig input som behövs för att lära sig. En dator använder övervakad inlärning för att analysera data och generera förutsägelser baserat på indata, och jämför sedan dessa förutsägelser med rätt utdata för att förbättra framtida förutsägelser. Data är inte märkta i oövervakat lärande. Som ett resultat lär sig datorn bara att identifiera den underliggande strukturen från inmatningen.
Maskininlärning är en av de trendigaste teknologierna för autonom körning just nu. Självkörande fordon använder i allt högre grad särskilt djupinlärning. Det är en gren av maskininlärning känd som djupinlärning, som fokuserar på att lära datorer hur man lär sig genom att analysera stora mängder verklig data. Deep learning gör det möjligt för självkörande fordon att omvandla stora mängder rådata till användbar kunskap.
Autonom fordonsutvecklingshistoria inom området maskininlärning
När självkörande fordon dyker upp i maskininlärningsapplikationer gynnas både fordons- och teknikindustrin. Tillämpningar för självkörande fordon för maskininlärning inkluderar:
Sensorfusion och scenförståelse för lokalisering och kartläggning i rymden
Bedömning av en förares tillstånd och identifiering av trender i hans eller hennes beteende under navigering och rörelseplanering
Processen genom vilken autonoma fordon gör val
Objektdetektering, såväl som objektklassificeringsalgoritmer, tillåter självkörande fordon att känna igen saker, förstå omständigheter och dra slutsatser. Sättet de åstadkommer detta är genom att identifiera och kategorisera saker. När det kommer till vägnavigering erbjuder Mindy Supports maskininlärningsalgoritm kompletta dataanteckningstjänster för att hjälpa till med träning.
Mångfald och redundans
För att uppnå maskininlärning kombineras och överlappas en mängd olika algoritmer för att minska fel och garantera säkerhet. Vägskyltar tolkas av dessa algoritmer, som identifierar körfält och korsningar.
Hur fungerar självkörande bilar?
Självkörande fordons tre primära sensorer fungerar tillsammans som en persons ögon och hjärna. Kameror, radar och lidar är exempel på sensorer. De arbetar som en enhet för att ge fordonet en heltäckande bild av dess omgivning. Med hjälp av dessa sensorer kan fordonet bestämma avståndet, hastigheten och 3D-formen för närliggande föremål. Tröghetsmätenheterna i självkörande fordon detekterar och reglerar nu såväl acceleration som position.
Pålitliga kameror
För att få en tydlig bild av sin omgivning använder självkörande fordon flera kameror placerade i olika vinklar. För långdistansseende har vissa kameror ett mindre synfält medan andra har ett 120-graders synfält. För parkering ger vidvinklade fisheye-kameror ett brett synfält.
Motradarsystem
På natten eller när synen är dålig hjälper radardetektorer kamerasensorerna att arbeta ännu hårdare. De använder radiovågor för att skicka ut pulser och ta emot information om hastigheten och positionen för föremålet de söker efter.
Laserfokus
Lidar-sensorer använder pulsade lasrar för att beräkna avstånd, vilket ger autonoma fordon en 3D-vy av sin omgivning. Detta ger dem mer detaljerad information om saker som form och djup än enbart en kamera.
Maskininlärningsalgoritmer som används av självkörande bilar
Histogram of Oriented Gradients (HOG)
En grundläggande maskininlärningsmetod för autonom körning och datorseende är histogrammet för orienterade gradienter (HOG). Den tittar på hur och i vilken riktning intensiteten i en bild varierar i ett litet område av en bild som kallas en cell. När du använder HOG kan du se hur många gånger varje riktning visas genom att ansluta gradienterna från varje cell. Därefter klassificerar Support Vector Machine (SVM) data baserat på de nya egenskaperna som upptäcktes.
Bilddistributioner är vad HOG refererar till när han beskriver bilder. Snarare än bara en samling pixlar, producerar den en användbar bildgradient för avkodning och komprimering av bilder. Dessutom använder den lite systemresurser. HOG kan vara ett effektivt första steg i bildigenkänningsprocessen för självkörande fordon.
YOLO
Att klassificera saker som fordon, människor och träd har aldrig varit enklare tack vare maskininlärningsalgoritmen YOLO (You Only Look Once). Det är faktiskt ett alternativ till HOGs heuristiskt baserade sökmetod. YOLO delar upp bilden i segment efter att ha analyserat den som helhet. YOLO tilldelar objekt etiketter baserat på de egenskaper som är gemensamma för alla deras klasser.
För varje bildsegment genererar algoritmen begränsningsrutor och förutsägelser. Den använder bara nätverksutvärdering en gång och tar hänsyn till varje förutsägelse i sammanhanget av hela bilden. Andra använder å andra sidan detektorer och klassificerare på olika platser och områden i en bild för att identifiera objekt. Som ett resultat är YOLO mer exakt och snabbare än HOG i jämförelse. Objektigenkänning i självkörande bilar underlättas med hjälp av YOLO-algoritmen. Som ett resultat hanteras problem i den verkliga världen snabbt och fordon svarar också snabbt.
Framtiden för autonoma bilar och maskininlärning
Maskininlärning är en stark teknik när den används i ett självkörande fordon. Framtiden för transporter kommer att avgöras av självkörande fordon som använder maskininlärning. Och det går inte att förneka deras kompatibilitet. Perception och beslutsfattande i självkörande bilar hanteras ofta av maskininlärningsalgoritmer. Det finns dock en rad andra metoder och tillämpningar för maskininlärning som kan revolutionera självkörande fordon. Maskininlärning kan till och med användas för självkörande navigering och detektering av en förares känslomässiga tillstånd, till exempel.
Idag klarar självkörande fordon redan många uppgifter tack vare framstegen inom maskininlärning. Deras kapacitet kommer bara att öka i framtiden. Med andra ord, när bilar kör sig själva vet du exakt vad som föranledde flytten.
Utvald bild: Foto av Hannes Egler på Unsplash