Co to jest widzenie maszynowe i jak ważne jest dla samochodów autonomicznych?

Kluczowe dania na wynos

• Samochody autonomiczne korzystają z technologii widzenia maszynowego, aby widzieć i rozumieć otoczenie, co pozwala im wykrywać obiekty, identyfikować znaki i poruszać się po drodze.
• Wizja maszynowa w samochodach autonomicznych składa się z systemu kamer, obliczeń brzegowych i algorytmów AI, które współpracują, aby gromadzić informacje wizualne, przetwarzać je w czasie rzeczywistym i identyfikować wzorce i obiekty.
• Widzenie maszynowe ma kluczowe znaczenie dla osiągnięcia pełnej autonomii w samochodach autonomicznych, ponieważ umożliwia klasyfikację obiektów, wykrywanie pasa ruchu i sygnałów, identyfikację znaków i rozpoznawanie ruchu drogowego. Przyszłość pojazdów autonomicznych leży w postępie w sztucznej inteligencji, przetwarzaniu brzegowym i technologii kamer.

Samochody autonomiczne zawsze przyciągały uwagę. Chociaż być może nie mamy jeszcze samochodów w pełni autonomicznych, mamy samochody wyposażone w zaawansowane rozwiązania systemy wspomagania kierowcy (ADAS) zdolne do automatycznego kierowania, zmiany pasa ruchu, parkowania i tempomat uwzględniający ruch drogowy.

Samochód autonomiczny wykorzystuje wiele czujników w systemie ADAS, przy czym wizja maszynowa jest głównym sposobem wykrywania, identyfikowania i obliczania odległości obiektów i ogólnego otoczenia. Bez wizji maszynowej samochody autonomiczne z tempomatem i autopilotem są bardzo mało prawdopodobne.

Co to jest wizja maszynowa?

Widzenie maszynowe to technologia, która pozwala maszynom widzieć i rozpoznawać obiekty w otaczającym ich środowisku. Jest to podzbiór wizji komputerowej, który koncentruje się na zastosowaniach przemysłowych wizyjnego wykrywania obiektów w maszynach autonomicznych, takich jak roboty i pojazdy.

Wizja maszynowa wykorzystuje obecnie algorytmy głębokiego uczenia się sztucznej inteligencji, takie jak splotowe sieci neuronowe (CNN). do tworzenia solidnych i dobrze uogólnionych modeli, które mogą dokładnie identyfikować obiekty w różnych obszarach warunki. Umożliwia realizację wizji maszynowej do różnorodnych zadań wymagających większej niezawodności w produkcji, rolnictwie, robotyce i motoryzacji.

Jak działa wizja maszynowa w samochodach autonomicznych?

Widzenie maszynowe w samochodach autonomicznych można zazwyczaj podzielić na trzy części: system kamer, przetwarzanie (przetwarzanie brzegowe) i sztuczną inteligencję. Dzięki temu stosowi technologii autonomiczny pojazd widzi, myśli i identyfikuje znaki i przeszkody podczas jazdy. Omówmy szczegółowo każdą część, aby zrozumieć, w jaki sposób te technologie łączą się, tworząc wizję maszynową samochodu autonomicznego.

System kamer

Widzenie maszynowe opiera się na systemach kamer w celu gromadzenia informacji wizualnych o środowisku. Samochody autonomiczne wykorzystują kilka kamer zainstalowanych wokół samochodu, aby zebrać jak najwięcej informacji wizualnych.

W kamerach wizyjnych maszynowych stosowane są dwa główne czujniki: komplementarne półprzewodniki z tlenkiem metalu (CMOS) i urządzenia ze sprzężeniem ładunkowym (CCD). W przypadku samochodów autonomicznych często preferuje się technologię CMOS ze względu na dużą prędkość odczytu i dużą wydajność na statku elektronikę i możliwości przetwarzania równoległego, co czyni go szybszym czujnikiem, choć podatnym na zakłócenia lub artefakty. Rozwiązania takie jak różne tryby oświetlenia, cyfrowy noktowizor i filtry mogą pomóc czujnikowi CMOS w trudnych warunkach oświetleniowych.

W przypadku samochodów autonomicznych kamery są instalowane w określonych odległościach od siebie, aby zapewnić obraz stereoskopowy. Widzenie stereoskopowe to zdolność łączenia dwóch lub więcej bodźców wizualnych, tworząc wrażenie głębi lub trójwymiarowości obiektów i otoczenia. To z kolei pozwala samochodom na triangulację i obliczenie przybliżonej odległości między obiektem a samochodem.

Ponieważ ludzie mają dwoje oczu, korzystamy również z widzenia stereoskopowego. Możesz to przetestować samodzielnie; zamknij jedno oko i wybierz mały przedmiot z biurka. Połóż dłoń na boku przedmiotu i upewnij się, że jego koniec znajduje się w odległości co najmniej dwóch cali. Spróbuj zrobić pauzę na kilka sekund i zobacz, jak pewny jesteś swojego przybliżenia. Teraz spróbuj otworzyć oba oczy i zobacz, jak znacznie poprawiło się Twoje poczucie głębi.

Komputer krawędziowy

Podczas gdy system kamer w samochodzie autonomicznym zbiera dane, komputer pokładowy (procesor Edge) przetworzy wszystkie dane wejściowe w czasie rzeczywistym, aby zaktualizować system o stanie środowiska natychmiast. Chociaż typowe zadania związane z wizją maszynową mogą zaoszczędzić pieniądze dzięki przetwarzaniu w chmurze, jest tego po prostu za dużo ryzyko podłączenia samochodów autonomicznych do chmury, nawet jeśli chodzi o outsourcing procesu w zakresie wymagań dotyczących widzenia maszynowego.

Używanie komputera brzegowego do przetwarzania danych wejściowych eliminuje problemy z opóźnieniami i gwarantuje, że dane są odbierane, przetwarzane i przesyłane w czasie rzeczywistym. Komputery brzegowe do samochodów autonomicznych wykorzystują wyspecjalizowane komputery integrujące procesory graficzne AI, takie jak rdzenie Tensor i CUDA firmy NVIDIA.

Algorytmy sztucznej inteligencji

Algorytmy zawsze były kluczową częścią widzenia maszynowego. Algorytm pozwala komputerowi zidentyfikować wszystkie wzory, kształty i kolory dostarczane przez system kamer. Wykorzystanie sztucznej inteligencji w porównaniu z bardziej tradycyjnymi algorytmami widzenia maszynowego znacznie zwiększa zdolność samochodu autonomicznego do niezawodnej identyfikacji obiektów, znaków drogowych, oznaczeń drogowych i sygnalizacji świetlnej. Do szkolenia samochodów autonomicznych wykorzystuje się wiele algorytmów sztucznej inteligencji. Do najpopularniejszych należą:

• YOLO (Patrzysz tylko raz): Algorytm wykrywania obiektów w czasie rzeczywistym, który identyfikuje i śledzi obiekty w polu widzenia samochodu.
• SIFT (transformacja funkcji skali-Icara): Służy do wyodrębniania cech i pomaga samochodowi rozpoznać charakterystyczne punkty orientacyjne i obiekty w swoim otoczeniu.
• Histogram zorientowanych gradientów (HOG): Używany do rozpoznawania obiektów, koncentruje się na wydobywaniu lokalnych wzorców i gradientów z obrazów.
• TextonBoost: Algorytm pomagający w rozpoznawaniu obiektów poprzez analizę tekstur w otoczeniu.
• AdaBoost: Wykorzystywany do klasyfikacji danych, AdaBoost łączy wiele słabych klasyfikatorów, aby podejmować trafne decyzje dotyczące obiektów i przeszkód na drodze pojazdu.

Znaczenie widzenia maszynowego w samochodach autonomicznych

Widzenie maszynowe to dla autonomicznego samochodu podstawowy sposób wyczuwania i rozumienia otoczenia. Bez wizji maszynowej bardzo prawdopodobne jest, że samochody autonomiczne zostaną zepchnięte z powrotem na poziom 1 skala autonomiczności pojazdu i może nigdy nie osiągnąć pełnej autonomii.

Dzięki systemowi widzenia maszynowego samochody autonomiczne są teraz w stanie klasyfikować obiekty, wykrywać pas ruchu i sygnały, identyfikować znaki i rozpoznawać ruch drogowy.

Chociaż wiele pojazdów autonomicznych wykorzystuje obecnie różne czujniki, takie jak LIDAR, RADAR i SONAR, wszystkie w dużym stopniu opierają się na wizja maszynowa pozwalająca widzieć otoczenie, identyfikować obiekty i rozumieć znaczenie znaków i sygnalizacji świetlnej na drogach droga. Wszystkie te dodatkowe czujniki służą jedynie wzmocnieniu widzenia maszynowego i zwiększeniu bezpieczeństwa ludzi, zwierząt i mienia.

To powiedziawszy, widzenie maszynowe może działać niezależnie, bez pomocy innych czujników, które zapewniają możliwości autopilota. W rzeczywistości w najnowszych samochodach autonomicznych Tesli zrezygnowano z RADARU i obecnie w systemie Autopilota opierają się wyłącznie na obrazie maszynowym.

Choć nie oznacza to niczego, jeśli chodzi o dyskredytację przydatności innych technologii czujników, pokazuje znaczenie i siłę widzenia maszynowego w samochodach autonomicznych.

Przyszłość widzenia maszynowego w pojazdach autonomicznych

Widzenie maszynowe jest podstawą samochodów autonomicznych. Dzięki widzeniu maszynowemu samochody mogą widzieć i postrzegać otoczenie dokładnie tak samo, jak ludzie. Chociaż wyzwania nadal istnieją, nie można niedocenić korzyści, jakie wizja maszynowa zapewnia w zakresie bezpieczeństwa i nawigacji. Jeśli chodzi o przyszłość pojazdów autonomicznych, wszelkie dalsze postępy w zakresie sztucznej inteligencji, przetwarzania brzegowego i/lub aparatu Technologia z pewnością sprawi, że samochody autonomiczne staną się bardziej sprawne, co prawdopodobnie przeniesie je na wyższy poziom automatyzacja.