Doporučujeme, Fokus

Virtuální autoškola

12 září 2018   Galerie

Neuronové sítě, detekce chodců pomocí multifunkční kamery páté generace a komplexní porozumění složitým situacím. Vítejte ve světě podle Continentalu.

Co je klíčem pro pokročilé asistenty a automatizovanou jízdu? Aby technika dokázala pochopit to, co se kolem ní v reálném světě děje. Aby se zorientovala, správně vše vyhodnotila a mohla se dobře rozhodnout. Pak lze uvažovat o tom, že stroje převezmou řízení.

Tento úkol nejlépe zvládají algoritmy využívající metody hlubokého strojového učení (deep machine learning). Na veletrhu CES Asia představila společnost Continental systém počítačového vidění, jež pro zdokonalení schopností pokročilých senzorů používá umělou inteligenci, neuronové sítě a právě strojové učení.

Pátá generace multifunkční kamery, jejíž sériová výroba bude podle plánu zahájena v roce 2020, začne kromě tradičních postupů pro vyhodnocení obrazu pracovat i s neuronovou sítí. V závislosti na dostupném hardwaru může dosahovat různé velikosti a naladění. Nasazení inteligentních algoritmů pomůže lepšímu porozumění situace a vyhodnocení úmyslů a gest chodců.

„Umělá inteligence hraje důležitou roli při nahrazování lidských činností. Se softwarem, kterým bude auto vybaveno, dokáže správně vyhodnotit i komplexní a nepředvídatelné dopravní situace – nebude se rozhodovat jen podle toho, co se děje před vozem, ale vezme v úvahu i to, co by se vůbec mohlo dít,“ říká Karl Haupt, vedoucí oddělení pokročilých asistenčních systémů společnosti Continental. „Umělou inteligenci považujeme za klíčovou technologii pro automatizované řízení. Je zkrátka součástí budoucnosti automobilismu,“ dodává.

Automatizované vozidlo musí být schopné dělat všechno co řidič, jenž vnímá okolí svými smysly, vlastní inteligencí zpracovává získané informace, rozhoduje se a podle toho řídí. Tento přístup vyžaduje, aby schopnosti počítače byly přinejmenším na úrovni člověka.

Pochopit a předvídat

Umělá inteligence otevírá nové možnosti pro systémy počítačového vidění. Díky ní budou například umět rozeznat lidi a vyhodnotit jejich úmysly a gesta. A nepřekvapivě je na řadě umělá inteligence – ta má systémům ve vozidle dodat lidské schopnosti. „Auto by mělo být natolik inteligentní, aby rozumělo svému řidiči i dění okolo,“ říká Robert Thiel, vedoucí strojového učení v oddělení pokročilých asistenčních systémů Continentalu.

Nejlepším příkladem je reakce na chodce. Algoritmus pracující s pravidly na něj zareaguje až v okamžiku, kdy chodec opravdu vstupuje do vozovky. Naproti tomu algoritmus na bázi umělé inteligence dokáže v předstihu správně určit záměry přibližujícího se chodce. V tomto ohledu se umělá inteligence podobá zkušenému řidiči, jenž instinktivně rozpoznává potenciálně nebezpečné situace a je připraven včas brzdit. K tomu je potřeba plně porozumět celé situaci, předpokládat budoucí dění a podle toho odpovídajícím způsobem reagovat.

Napřed do autoškoly pro řidičák

Systémy umělé inteligence se musejí, stejně jako lidé, nejdříve naučit řídit. Jako autoškola jim slouží metoda „učení pod dozorem“. Software analyzuje obrovské množství dat, z nichž odvozuje úspěšné a neúspěšné strategie pro další akci. Nabyté znalosti následně uplatňuje při řízení vozu. Tato schopnost učení se u algoritmů neustále vyvíjí. Data pro strojové učení se získávají ukládáním signálů z radaru a kamery ze skutečného provozu. Právě obrovská databáze takových údajů je základním kamenem vývoje umělé inteligence, která bude řešit extrémně komplexní úkoly: například detekci chodců, kdy na základě milionů vstupních dat vznikají konkrétní parametry pro návrh celého řešení. To vyžaduje vytvoření systému, jenž kombinuje a parametrizuje vstupní data, tedy miliony pixelů z obrazu kamery pro detekci chodců. Druhým krokem je, aby systém uměl vyhledat každou kombinaci vlastních parametrů, která vede k vyřešení problému.

Sériová výroba tohoto systému bude zahájena s příchodem páté generace multifunkční kamery. Již její předchozí generace ale využívá postupy hlubokého učení. Metody na něm založené slouží k ovládnutí komplexních situací na různých úrovních – od sledování okolí vozu až k plánování konkrétních jízdních strategií pro ovládání vozidla. Tyto metody jsou navíc škálovatelné. To znamená, že více dat a více výpočetního výkonu vede k lepším výsledkům.

 

, ,



Napsat komentář

Vaše emailová adresa nebude zveřejněna. Vyžadované informace jsou označeny *

Anti SPAM *

Buďme v kontaktu

Sledujte SWELL na síti LinkedIn a na Facebooku – buďte v kontaktu s profesionály z oboru. Odebírejte aktuální informace a rozšiřte komunitu odborníků.