درک سیستم های خلبان خودکار در وسایل نقلیه مدرن

سیستم های خلبان خودکار به مراتب فراتر از کنترل کروز ساده تکامل یافته اند، آنها نشان دهنده ادغام پیچیده ای از سخت افزار و نرم افزار طراحی شده برای کنترل حرکت خودرو بدون ورودی مستقیم انسان هستند، این سیستم ها به مجموعه ای از سنسورها متکی هستند - از جمله دوربین ها، رادارها، و سنسورهای اولتراسونیک - برای درک محیط در زمان واقعی. داده های این سنسورها توسط الگوریتم های پردازش شده است که قادر به یادگیری سرعت در مورد سرعت حرکت خودکار هستند، و تنظیم دقیق هستند؛ اگر این سیستم های خودکار، و تنظیم خودکار، به نظر می رسد، و تنظیم سرعت حرکت سخت و تنظیم سیستم های حرکتی آنها، و تنظیم خودکار، و تنظیم سرعت کار می کنند.

تکامل از سوی قانون به الگوریتم های مبتنی بر یادگیری

نرم افزار رانندگی خودکار سنتی به شدت بر قوانین دستی متکی بود. مهندسان پاسخ های خاصی را برای هر موقعیت قابل تصور برنامه ریزی می کنند – یک کار تاریخی که به طور اجتناب ناپذیری شکاف ها را ترک کرد، به عنوان مثال، یک سیستم مبتنی بر قانون ممکن است به درستی یک علامت توقف را شناسایی کند، اما نمی تواند یک منطقه ساخت و ساز موقت را تفسیر کند.

تکنیک های یادگیری ماشین های اصلی برای Autopilot

چندین الگوی یادگیری ماشینی الگوریتم های خلبان خودکار مدرن را زیر پا می گذارد.هر تکنیک توانایی منحصر به فرد را از ادراک تا تصمیم گیری کمک می کند.

یادگیری عمیق برای ادراک

یادگیری عمیق، به ویژه شبکه های عصبی هم پیوسته (CNNs)، ستون فقرات ادراک در وسایل نقلیه مستقل است.این شبکه ها تصاویر را پردازش می کنند و ابرها را به شناسایی اشیاء -کارها، عابران پیاده، نشانه های ترافیک - با دقت قابل توجه آموزش یک شبکه عصبی عمیق نیاز به میلیون ها نمونه برچسب، اغلب با داده های مصنوعی برای پوشش سناریوهای نادر هنگامی که آموزش دیده می شود، اضافه می کنند. [۱۰]

آموزش تغییر در تصمیم گیری –Making

یادگیری تقویت (RL) سیستم های خودکار خلبان را قادر می سازد تا سیاست های رانندگی بهینه را از طریق محاکمه و خطا یاد بگیرند.در یک محیط شبیه سازی شده، الگوریتم اقدامات مختلفی را امتحان می کند - شتاب دهنده، ترمز، تغییر خطوط - و دریافت پاداش برای رفتار امن و کارآمد بیش از بسیاری از ⁇ ، آن را کشف استراتژی هایی که به حداکثر رساندن پاداش تجمعی است، به ویژه قدرتمند برای مقابله با تعاملات پیچیده، مانند ادغام در راه اندازی و یا تسریع در برابر شبیه سازی واقعی با سرعت در حال حرکت با سرعت در حال حرکت با سرعت در حال حرکت است.

آموزش عالی برای تشخیص هویت Object

یادگیری فوق العاده برای مدل های آموزشی که طبقه بندی و محلی سازی اشیاء ضروری است، مهندسان داده های برچسب شده را که در آن هر تصویر حاوی یادداشت برای هر شی مربوطه است، ضروری است. الگوریتم یاد می گیرد تا داده های پیکسل را به این برچسب ها، بهبود توانایی آن برای شناسایی علائم متوقف، چراغ های ترافیک و مرزهای خط. کیفیت و تنوع داده های آموزش به طور مستقیم بر عملکرد واقعی تاثیر می گذارد، ساخت یک اولویت داده های حیاتی برای شرکت های رانندگی مستقل.

آموزش های خود و خود-supervised Learning

تکنیک های نوظهور مانند یادگیری خود نظارت شده به مدل ها اجازه می دهد تا از داده های برچسب نشده با پیش بینی اطلاعات از دست رفته یاد بگیرند - به عنوان مثال، پیش بینی فریم بعدی در یک توالی ویدئویی.این روش ها وابستگی به برچسب گذاری دستی گران قیمت را کاهش می دهد و به مدل های کلی برای محیط های ناآشنا کمک می کند.

مزایای یادگیری ماشین در Autopilot

ادغام یادگیری ماشین مزایای ملموسی را به ارمغان می آورد که فراتر از منافع علمی گسترش می یابد، این مزایا به طور مستقیم در ایمنی، راحتی و بهره وری سیستم های رانندگی مستقل تجربه می شوند.

  • ایمنی بهبود یافته از طریق تشخیص پیش بینی خطرساز: مدل های یادگیری ماشین می توانند خطرات بالقوه ای را پیش بینی کنند که سیستم های مبتنی بر قانون ممکن است از دست بدهند، به عنوان مثال، یک مدل یادگیری عمیق می تواند نشانه های ظریف یک پیاده را در مورد برداشتن، فعال کردن ترمز قبلی تشخیص دهد.
  • قابلیت بهره برداری از محیط های متنوع: یک وسیله نقلیه آموزش دیده در داده های از کالیفرنیا آفتابی هنوز هم می تواند با خیال راحت در سیاتل بارانی یا مدل های یادگیری ماشین تورنتو کار می کند می تواند با شرایط مختلف جاده، نور و حتی فرهنگ های مختلف رانندگی سازگار شود.
  • امن مسافر را تحمل کنید: الگوریتم های مبتنی بر یادگیری شتاب و سرعت بیشتری را به جای حرکت های ناگهانی، حرکات تکان دهنده، ایجاد می کنند، سیستم یاد می گیرد که شبیه سازی رانندگی انسان مانند رانندگی که احساس طبیعی و راحت برای مسافران است.
  • بهبود مستمر در طول زمان: [FLT 1] بر خلاف سیستم های مبتنی بر قانون استاتیک، مدل های یادگیری ماشین را می توان با داده های جدید آموزش داد.به روز رسانی بیش از هوا اجازه می دهد ناوگان به طور جمعی بهبود یابد، به این معنی که هر وسیله نقلیه از تجارب دیگران بهره مند می شود.
  • استفاده از داده های سنسور: مدل های پیشرفته می توانند داده ها را از چندین روش سنسور (دوربین، رادار، راور) ترکیب کنند تا درک قوی تری نسبت به هر سنسور منفرد ایجاد کنند.این سنسور یکی از ویژگی های خود-ران مدرن است.

چالش ها و محدودیت ها در استفاده از یادگیری ماشین

علی رغم وعده های آن، استقرار یادگیری ماشینی در سیستم های خلبان خودکار بحرانی، چالش های قدرتمندی را نشان می دهد که محققان و مهندسان به طور فعال به آن توجه می کنند.

کیفیت داده ها و Bias

مدل های یادگیری ماشین تنها به اندازه داده هایی که در آن آموزش دیده اند، خوب هستند.اگر داده های آموزشی فاقد نمایندگی از سناریوهای خاص هستند - مانند رانندگی شبانه، باران سنگین یا زیرساخت های منحصر به فرد جاده - عملکرد مدل در آن موقعیت ها کاهش می یابد. جمع آوری و جمع آوری داده های متعادل، جمع آوری و زمان گیر، علاوه بر این، سوگیری در داده ها می تواند منجر به نتایج غیرمنصفانه یا غیرمنصفانه در سراسر عملکرد جمعیت شناسی و پایدار باشد.

الگوریتم شفافیت و تفسیر

شبکه های عصبی عمیق اغلب به عنوان جعبه های سیاه توصیف می شوند، می توان توضیح داد که چرا یک مدل تصمیم خاصی گرفته است – مسئله ای حیاتی که زندگی در معرض خطر است. تنظیم کنندگان و حسابرسان ایمنی خواستار تفسیر تکنیک هایی مانند نقشه های توجه و تجزیه و تحلیل های بیمه هستند، اما شفافیت کامل همچنان یک چالش تحقیقاتی است.

اعتبار ایمنی و آزمایش

اثبات اینکه یک خلبان خودکار مبتنی بر یادگیری ماشینی نیاز به یک رویکرد اساسا متفاوت از اعتبار سنتی نرم افزار دارد. تست آمار بیش از میلیاردها مایل در شبیه سازی و رانندگی در دنیای واقعی ضروری است، اما کافی نیست روش های تایید رسمی که اثبات ریاضی برخی از رفتارها یک منطقه فعال از مطالعه است. این صنعت در حال حرکت به سمت چارچوب های ایمنی استاندارد مانند (FLT0: 26 [F] است، اما سیستم های ایمنی پیچیده برای انطباق 2:14.

مقاومت های ضدانقلابی

مدل های یادگیری ماشین را می توان با ورودی های به دقت ساخته شده فریب داد - به عنوان مثال، یک برچسب کوچک در یک علامت توقف که باعث می شود مدل آن را به عنوان یک نشانه محدودیت سرعت تفسیر کند. دفاع از این حملات برای تکنیک های امنیتی مانند آموزش های مجاور و بهینه سازی قوی در سیستم های تولید یکپارچه شده است.

مسیر های آینده و تحقیقات نوظهور

زمینه یادگیری ماشین برای الگوریتم های خودکار خلبانی به سرعت در حال تحول است. چندین جهت تحقیقاتی قول می دهند تا بر محدودیت های فعلی غلبه کنند و سطوح بالاتری از استقلال را باز کنند.

پایان دادن به یادگیری

به جای ساخت ماژول های جداگانه برای درک، پیش بینی و برنامه ریزی، برخی از محققان از سیستم های یادگیری عمیق پایان به پایان که نقشه داده های سنسور خام به طور مستقیم برای کنترل دستورات.این رویکرد خط لوله را ساده می کند و می تواند وابستگی های ظریف بین ادراک و عمل را در حالی که هنوز تجربی، آن را نشان داده است وعده داده شده در تنظیمات کنترل شده است.

شبیه سازی و دوقلوهای دیجیتال

شبیه سازی های بافیث بالا به توسعه دهندگان اجازه می دهد تا الگوریتم ها را میلیون ها بار سریعتر از رانندگی در دنیای واقعی آموزش دهند. دوقلوهای دیجیتال - شبیه سازی های مجازی محیط های دنیای واقعی - آموزش و اعتبار خاص سناریو قابل اعتماد مانند شرکت ها مانند Cognata [FLT 1] سیستم های شبیه سازی طراحی شده برای توسعه خودرو مستقل را ارائه می دهند.

آموزش چند بعدی

وسایل نقلیه خودمختار به ندرت در انزوا کار می کنند؛ آنها باید با رانندگان انسانی، عابران پیاده و دیگر عوامل مستقل تعامل داشته باشند. Multi-agent Learning چگونه گروه های از عوامل می توانند رفتارهای هماهنگ مانند مذاکره در یک تقاطع کنترل نشده را یاد بگیرند، این تحقیق کلید دستیابی به جریان ترافیک صاف و امن است.

آموزش رزرو شده برای ارتقاء حفظ حریم خصوصی

یادگیری ناوگان می تواند نگرانی های حریم خصوصی را افزایش دهد اگر داده های رانندگی خام به یک سرور مرکزی آپلود شود. یادگیری فدرال اجازه می دهد تا وسایل نقلیه یک مدل مشترک را به صورت محلی آموزش دهند، و تنها به روز رسانی مدل را به جای داده های خام ارسال کنند.این رویکرد حفظ حریم خصوصی در حالی که بهبود جمعی در سراسر ناوگان را فعال می کند.

نتیجه گیری

یادگیری ماشین اساساً توسعه الگوریتم های خلبان خودکار را تغییر داده است، تغییر پارادایم از سیستم های مبتنی بر قانون سفت و سخت به هوش سازگار، داده محور، با استفاده از یادگیری عمیق برای ادراک، یادگیری تقویت برای تصمیم گیری، و آموزش امن تر برای شناخت شی، وسایل نقلیه مستقل مدرن امن تر، سازگار تر، و به طور فزاینده انسانی مانند در رفتار رانندگی با این وجود چالش های قابل توجه باقی می مانند - باید به طور کامل تفسیر شود، و اطمینان و اطمینان به طور کامل، به طور کامل، به طور کامل، به طور کامل، به طور دقیق، به طور کامل، به طور دقیق، به سیستم های پردازش اطلاعات دقیق، به طور کامل، به طور کامل، به طور کامل، به طور کامل، به طور کامل، به طور کامل، به طور دقیق، به طور کامل، به طور کامل، به طور دقیق، به طور کامل، به طور کامل، به طور کامل، به طور کامل، به طور خودکار، به طور خودکار، به طور دقیق، به طور کامل، به طور کامل، به طور کامل، به طور دقیق تر، به طور کامل، به طور خودکار، به طور کامل، به طور مداوم، به طور کامل، به طور مداوم، به طور دقیق تر، به طور کامل، به طور مداوم، به طور منظم،