Jak uczenie maszynowe mo?e zmieni? nie tylko bran?? IT, ale tak?e przemys? motoryzacyjny

Izabela Myszkowska
9 Min

Autonomiczne samochody to ju? nie temat z dziedziny science fiction. Zaawansowane systemy wspomagania kierowcy sprawiaj?, ?e inteligentne i zautomatyzowane pojazdy staj? si? nam coraz bli?sze. Jak si? okazuje, technologi?, która ma szans? przenie?? takie rozwi?zania jak radary samochodowe na wy?szy poziom, jest uczenie maszynowe. I to w?a?nie jest miejsce, w którym bran?a motoryzacyjna spotyka si? z IT.

Niektórzy mog? s?dzi?, ?e najwi?kszym wyzwaniem w kontek?cie automatyzacji pojazdów jest opracowanie algorytmów, które informuj? pojazd, gdzie i jak je?dzi? – a wi?c planowanie. W rzeczywisto?ci jest jednak inaczej. Najwi?kszym wyzwaniem jest zbudowanie takiego systemu percepcji otoczenia, który w oparciu o czujniki mo?e niezawodnie kreowa? dok?adny i solidny model ?rodowiskowy – dopiero on pozwoli na planowanie.

Producenci aut szukaj? najlepszych systemów percepcji, które pozwalaj? podnosi? bezpiecze?stwo. Tymczasem radar oferuje wiele korzy?ci, b?d?c jednocze?nie rozwi?zaniem stosunkowo tanim i odpornym na ró?ne warunki pogodowe. Te atrybuty sprawiaj?, ?e jest idealn? podstaw? do budowy modelu ?rodowiskowego dowolnego pojazdu. Wspomniane cechy staj? si? szczególnie wa?ne, gdy mówimy o poje?dzie autonomicznym.

Sukces zale?y od dwóch podstawowych funkcji: jako?ci informacji dostarczanych przez czujniki oraz mo?liwo?ci obliczeniowych interpretacji tych danych. Po stronie czujników, rozwi?zania oparte o radar sprawdzaj? si? w tym scenariuszu doskonale. Tymczasem, po stronie obliczeniowej system uczenia maszynowego mo?e wykorzystywa? dane pochodz?ce z czujników radarowych i ??czy? je z danymi z innych ?róde?, aby stworzy? bardzo solidny obraz otoczenia pojazdu.

Zalety radarów

Najcz??ciej u?ywanymi obecnie czujnikami w pojazdach s? radary i kamery, jak równie? czujniki ultrad?wi?kowe na krótkich dystansach przy niskich pr?dko?ciach i LIDAR wykorzystywany w autonomicznej je?dzie. Jednym z powodów, dla których szeroko stosowany jest radar jest to, ?e mo?e on niezawodnie wskazywa?, jak daleko znajduje si? wykrywany obiekt. Typowe radary samochodowe dalekiego zasi?gu mog? zapewnia? pomiary odleg?o?ci od obiektów oddalonych od 300 metrów do 500 metrów. Z kolei kamery musz? próbowa? oszacowa? odleg?o?? obiektu na podstawie jego zarejestrowanego rozmiaru. Nawet wykorzystanie podej?cia stereoskopowego mo?e stanowi? wyzwanie. Rozdzielczo?? tak?e mo?e okaza? si? problemem, poniewa? pojedynczy piksel na obrazie z mocno oddalonej kamery jest bardzo szeroki, co utrudnia jej dostrze?enie obiektów. Optyka skupiaj?ca mo?e pomóc, ale ogranicza pole widzenia – mamy zatem do czynienia z trudnym kompromisem, typowym dla systemów percepcji opartych na kamerze. W tym samym czasie radar dokonuje samoistnych pomiarów pr?dko?ci wzgl?dnej, wi?c jednocze?nie zapewnia pomiar odleg?o?ci, a tak?e mo?e okre?li?, jak szybko co? porusza si? w kierunku pojazdu lub od niego. Do tego samego celu, kamery i LIDARy mog? wymaga? wykonania wielu zdj?? w d?u?szym czasie.

Poniewa? do wykrywania obiektów radar wykorzystuje fale radiowe zamiast ?wiat?a, dobrze sprawdza si? tak?e w deszczu, mgle, ?niegu i dymie. Kontrastuje to z technologiami optycznymi, takimi jak kamery – lub w przysz?o?ci tak?e LIDARem – przed którymi stoj? te same wyzwania, co przed ludzkim okiem.

– Wystarczy zastanowi? si?, kiedy ostatnio byli?my bezpo?rednio o?lepieni przez ?wiat?o s?oneczne podczas jazdy lub próbowali?my wyra?nie zobaczy? co? przez nie do ko?ca czyst? przedni? szyb?. Czujniki optyczne maj? te same wyzwania, podczas gdy radary wci?? dobrze pracuj? w takich przypadkach. W przeciwie?stwie do kamer, radar nie potrzebuje odpowiednich warunków o?wietlenia, aby dobrze sprawdza? si? tak?e w nocymówi Dariusz Mruk, dyrektor Centrum Technicznego Aptiv w Krakowie.

Uczenie maszynowe

Uczenie maszynowe to rodzaj sztucznej inteligencji, który odnosi si? do zdolno?ci systemu do uczenia si? poprzez do?wiadczenie z ró?nymi scenariuszami. W miar? jak pojazdy staj? si? coraz bardziej zautomatyzowane, programi?ci mog? wykorzystywa? uczenie maszynowe do trenowania systemów identyfikacji obiektów i lepszego zrozumienia ich ?rodowiska przy u?yciu mniejszej ilo?ci danych.

Jednym z wyzwa?, które uczenie maszynowe pomaga rozwi?za? za pomoc? radaru, jest m.in. wykrywanie kraw?dzi. D?u?sze fale radaru maj? ni?sz? rozdzielczo??, co mo?e prowadzi? do trudniejszej identyfikacji pojedynczych obiektów, a co za tym idzie ich kraw?dzi. Trudno jest wtedy interpretowa? dane i dan? scen?. In?ynierowie pracuj? nad sposobami poprawy rozdzielczo?ci radaru, na przyk?ad przej?ciem z cz?stotliwo?ci 77 GHz u?ywanej we wspó?czesnych zastosowaniach motoryzacyjnych do cz?stotliwo?ci 120 GHz lub wy?szej, z odpowiedni? redukcj? d?ugo?ci fali. Pozwala to na znacznie wy?sz? rozdzielczo?? dla czujnika o tym samym rozmiarze.

Równie? w dzisiejszych radarach uczenie maszynowe mo?e pomóc scharakteryzowa? ró?ne scenariusze, których dane s? trudne do opisania za pomoc? standardowych algorytmów. Deweloperzy mog? przedstawi? systemowi uczenia maszynowego wiele przyk?adów obiektów z okre?lonej kategorii i dowiedzie? si?, jak sygna?y radaru s? rozpraszane przez z?o?one obiekty z wieloma punktami odbicia. Mo?na równie? korzysta? z informacji kontekstowych. System mo?e tak?e uczy? si? na podstawie danych dostarczanych jednocze?nie przez kamery, LIDARy lub mapy HD,  tak by klasyfikowa? obiekty na podstawie sygna?ów radarowych.

– Rozwa?nie korzystaj?c z uczenia maszynowego, mo?emy zyskiwa? dodatkowe korzy?ci. Zamiast stosowa? podej?cie brute-force w po??czeniu z uczeniem maszynowym do wszystkich danych dostarczanych przez radar, mo?emy wykona? klasyczne przetwarzanie wst?pne, a nast?pnie zastosowa? uczenie maszynowe tylko do tych cz??ci, gdzie ma to senspodkre?la Dariusz Mruk z Aptiv i dodaje: Co ciekawe, wszystkie te nowatorskie technologie, o których wspominamy, s? opracowywane lokalnie, w Polsce, przez naszych in?ynierów w Centrum Technicznym w Krakowie.

Szczegó?owa analiza danych

Wiele radarów samochodowych wykorzystuje szereg anten do pomiaru k?ta. W klasycznym przetwarzaniu sygna?ów radarowych, zdigitalizowane sygna?y z ka?dej anteny s? konwertowane, by wskaza? odleg?o?? i pr?dko??. Sygna?y s? porównywane w ca?ym uk?adzie antenowym w celu wykonania pomiarów k?tów. Przyk?adem przetwarzania wst?pnego by?oby w tym wypadku u?ycie klasycznego przetwarzania sygna?u do wyizolowania okre?lonych obszarów, tak aby móc skupi? si? na obiektach o okre?lonych pr?dko?ciach w danej odleg?o?ci. Sygna?y z ka?dej anteny, wskazuj?ce na tak? sam? odleg?o?? i pr?dko??, mog? by? nast?pnie wykorzystane do trenowania systemu.

Typowe radary mog? wykorzystywa? do 12 anten, a w jednym poje?dzie mo?na zastosowa? pi?? lub wi?cej radarów. Anteny te umo?liwiaj? cyfrowe formowanie wi?zki, gdzie sygna?y z ka?dej anteny s? digitalizowane, a nast?pnie ??czone cyfrowo. W rezultacie radary raz analizuj? sygna?y, a nast?pnie tworz? wi?zki w tylu ró?nych kierunkach, ile jest to konieczne. Analizuj?c miejsca, w których radary nak?adaj? si?, system mo?e wywnioskowa? k?ty ró?nych obiektów.

Ten rodzaj analizy daje systemowi bogat? baz? informacji, które mog? by? przesy?ane do sieci neuronowej, która z kolei mo?e zastosowa? uczenie maszynowe, aby uzyska? jeszcze wyra?niejszy obraz sceny. Bez tego kroku system sztucznej inteligencji musia?by okre?li? scen? na podstawie surowych, zdigitalizowanych sygna?ów w czasie rzeczywistym. Musia?by zatem by? niezwykle wydajny, a zatem dro?szy i poch?aniaj?cy wi?cej zasobów, a tak?e wymaga?by d?ugich sekwencji treningowych, by wiedzie? si?, co zrobi? z danymi. Co wi?cej, taki system by?by zwyczajnie skomplikowany w obs?udze – przyk?adowo, gdyby pojazd wykry? obiekt, którego tak naprawd? nie ma, trudno by?oby ustali?, co posz?o nie tak. Tymczasem, po??czenie klasycznego przetwarzania z uczeniem maszynowym mo?e zapewni? pewn? powtarzalno?? w przetwarzaniu danych, co zwi?ksza niezawodno?? systemu.

– Dane dostarczane przez radar s? bardziej z?o?one ni? te, które pochodz? z systemów wizyjnych, poniewa? oprócz lokalizacji obiektów pozwalaj? tak?e okre?li? ich odleg?o?? – a to jest niezwykle cenna informacja. Warto zatem podj?? wysi?ek inteligentnego doboru i przetwarzania danych, tak by podnie?? funkcjonalno?? systemów. W Aptiv pracujemy z radarami ju? ponad 20 lat. Jako pierwsi umie?cili?my je w Jaguarze w 1999 roku, dostarczaj?c pierwszy na rynku adaptacyjny tempomat. Dzi?ki temu wiemy jak dobiera? i analizowa? odpowiednie dane, by przynosi?y jak najbardziej efektywne wynikidodaje Dariusz Mruk.

Udostępnij