Egy új, a különböző szenzorok adatait egyesítő mesterséges intelligencia (AI) megoldhatja az önvezető autók egyik fő problémáját, a rossz időjárási körülmények okozta bizonytalanságok kérdését, és ezzel közelebb hozhatja az önvezető járművek elterjedését – állítja egy, a Nature Machine Intelligence folyóiratban a múlt héten közölt kutatás.

Az oxfordi egyetem gépi tanulással foglalkozó kutatója, Yasin Almalioglu és kollégái szerint az önvezető járművek csak akkor lesznek igazán biztonságosak és megbízhatók, ha mindig precízen ismerik az aktuális helyzetüket. Ezt nehezíti, hogy rossz környezeti vagy időjárási körülmények esetén a navigációhoz használt kamerák vagy lézeres távérzékelők (LIDAR, Light Detection and Ranging) teljesítménye jelentősen csökkenhet, miközben az időjárásálló radarok felbontása nem mindig elegendő.

Az esőben, ködben, vagy hóban történő vezetés ezért nagy kihívást jelent a mesterséges intelligenciának. Ez a kutatók szerint részben megmagyarázza, hogy a rendkívüli erőfeszítések ellenére, 100 évnyi fejlesztés után miért nem sikerült eddig teszteken kívül az utakra vinni teljesen önvezető járműveket. Ha más technológiai kihívások mellett sikerülne ezt a problémát is megoldani, alkalmazásukkal csökkenhet a balesetek és a dugók száma, valamint javulhat a túlzsúfolt városok közlekedése.

Ebbe az irányba jelenthet fontos lépést a GRAMME mélytanulási algoritmus, amely a kutatók szerint minden eddigi algoritmusnál jobban teljesített a különböző napszakokban és időjárási körülmények közt végzett teszteken, ha a jármű pozíciójának meghatározásáról volt szó. A GRAMME algoritmus Python programozási nyelven írt csomagként a GitHub-on bárkinek szabadon elérhető.

A szenzorokból érkező információk fejlett algoritmusokkal történő kombinálása nem csak az önvezető autóknál kerül elő. Ez az egyik nagy újítása az ötödik generációs vadászgépeknek, különösen az amerikai F-35 Lightningnak, amelynél a szenzorfúzió összegzi a pilótának a gép körül zajló eseményeket, ami jelentősen segíti munkáját. Ahogy az F-35-ök ezt a képet meg tudják osztani egymással, az önvezető autóknál is kiemelten fontos az egymással folytatott kommunikáció.

Még 2019-ben néztük meg Svédországban, hogyan teszi biztonságosabbá az önvezető kamionokat a magyar Commsignia által fejlesztett járműkommunikáció, majd idén márciusban, Angliában azt is megtudtuk, hogy a közlekedés összes, nem önvezető technológiás résztvevőjét is segítheti a balesetek nagy részének megelőzésében az, ha az egyes szereplők tudnak egymásról.

A GRAMME egyesíti a kamerák, a lidarok és a radarok előnyeit

Almalioglu és munkatársai úgy vélik, hogy az önvezető autóknak néhány centiméteren belül kell ismernie a térképen elfoglalt helyzetüket. Ezt a GPS és a hozzá hasonló globális műholdas helymeghatározó rendszerek (GNSS) a maguk méteres pontoságával nem tudják biztosítani. Különösen igaz ez olyan városi környezetekben, ahol a műholdakból érkező rádiójelek a magas épületek miatt leromlanak.

Ennek kiküszöbölésében segít a környezetükhöz viszonyított mozgó pozíciójuk (ego-motion) meghatározása, amely különböző szenzorok segítségével történik. Ezek működésére viszont jelentős hatással vannak az időjárási viszonyok, a látható tartományban dolgozó kamerákat zavaró közvetlen napfénytől az infravörös tartományban mérő lidarok hatósugarát korlátozó ködig. Hozzájuk képest a milliméteres hullámhosszú radarok a kutatók szerint lényegében immunisak ezekre, és bármilyen napszakban működnek.

A mélytanulási algoritmus ügyesen egyesíti a kamerákkal, lidarokkal és radarokkal nyert információkat, úgy, hogy mindegyik szenzor előnyeit ki tudja használni. Ilyen a kamerák esetén a gazdag vizuális információ, a lidarnál a finom felbontás és a radarnál a rossz időjárással szembeni ellenállóképessége. Az öntanuló (self-supervised learning), és ezért nagy adatbázisokból merítő neurális hálózattal működő algoritmus a szenzoradatok alapján az objektumok háromdimenziós, térbeli elhelyezkedését rekonstruálja.

A program az egyes bejövő adatok pontosságát folyamatosan értékeli, és a kutatók szerint ezzel kiküszöböli az eltérő műszerekből érkező adatok hiányosságait, például azt, hogy a milliméteres radarok még mindig kisebb felbontásúak és zajosabbak, mint a kamerák vagy lidarok. Ugyanígy a rossz időjárási körülmények rontják a kamerák képminőségét, amit a programnak észlelni kell, és ki kell szűrnie.

Nagyon jól általánosít a nappali tanító adatokból

Az algoritmust normál körülmények között, nappal rögzített adatokon tanították a szakemberek, míg a tesztek éjszakai, esőben, hóban, vagy ködben rögzített adatokkal mentek. A GRAMME jól teljesített minden esetben, és túlszárnyalta az eddigi legjobb megoldásokat, olyan körülmények esetén is, amelyekkel nem találkozhatott a tanulás alatt.

Ez azt jelenti, hogy az algoritmus jól tudott általánosítani a tanulásnál látott információ alapján az eltérő időjárási viszonyokra. A kutatók szerint az általánosítás képessége azért is különösen fontos, mert az nem megoldható, hogy minden lehetséges, extrém körülményt lefedjenek az algoritmus tanulásához felhasznált adatbázisokban. A GRAMME további előnye, hogy alkalmazása nem kötődik specifikus szenzorokhoz, és különálló modulokból való felépülése miatt rezisztensebb a szoftveres és hardveres hibákra.

A kísérletekből kiderült, hogy a csak kameraadatokkal dolgozó modellekhez képest sokkal jobb eredményt értek el a haladás és az elfordulás mértékének rekonstruálásában a GRAMME lidaros-kamerás, illetve kamerás-radaros modelljei. Az algoritmus további fejlesztésénél a szakemberek új szenzoros adatok bevonásának látják értelmét. Ilyenek lehetnek a radaros doppler mérések, amelyek segítségével a GRAMME meg tudna különböztetni mozgó és álló objektumokat, hogy még jobban értse környezetét.

A kutatók azt remélik, munkájuk közelebb hozhatja, hogy az önvezető autók biztonságosan tudjanak szinte bármilyen időjárási viszontagság közepette közlekedni. Az algoritmusok fejlődése mellett azt tartják a legfontosabbnak, hogy az autókba integrálható, nagy-felbontású, háromdimenziós radarok kerüljenek, amelyek nagyban elősegítenék, hogy végre teljesen önvezető járművek guruljanak a világ útjain.

Kapcsolódó cikkek Qubiten:

link Forrás

link Forrás

link Forrás