Samochody autonomiczne od dawna cieszą się zainteresowaniem. Chociaż w pełni autonomiczne samochody jeszcze nie istnieją, mamy pojazdy z zaawansowanymi systemami wspomagania kierowcy (ADAS), które umożliwiają automatyczne kierowanie, zmianę pasa ruchu, automatyczne parkowanie i adaptacyjny tempomat.
Samochody autonomiczne w dużym stopniu opierają się na systemach wizji maszynowej, które rozpoznają otoczenie i podejmują decyzje na podstawie zebranych informacji. Technologia ta może obejmować różnorodne rozwiązania sprzętowe i programowe, które pozwalają samochodom analizować obrazy i nagrania wideo oraz wykorzystywać je do nawigacji, zapobiegania wypadkom i poprawy komfortu jazdy.
Samochód autonomiczny wykorzystuje liczne czujniki w systemie wspomagania kierowcy, a wizja maszynowa jest podstawową metodą wykrywania, identyfikacji i obliczania odległości między obiektami a otoczeniem. Bez wizji maszynowej jest wysoce nieprawdopodobne, aby istniały samochody autonomiczne z tempomatem i częściowo zautomatyzowaną jazdą.
W tym artykule omówimy podstawy technologii wizji maszynowej i jej znaczenie w samochodach autonomicznych. Przyjrzymy się szczegółowo, jak działa ta technologia i jak pomaga osiągnąć cele związane z autonomiczną jazdą. Zajmiemy się również wyzwaniami stojącymi przed technologią wizji maszynowej i przewidywanymi przyszłymi innowacjami w tej dziedzinie. Sprawdź Wszystko, co chcesz wiedzieć o samochodach autonomicznych i ich działaniu..
Szybkie linki
Czym jest widzenie maszynowe?
Widzenie maszynowe to technologia, która pozwala maszynom widzieć i rozpoznawać obiekty w ich otoczeniu. Jest to podzbiór Wizja komputerowa Koncentrujemy się na przemysłowych zastosowaniach wykrywania obiektów przy pomocy wizji w maszynach autonomicznych, takich jak roboty i pojazdy.
Dzisiejsze systemy wizyjne wykorzystują algorytmy głębokiego uczenia SI, takie jak splotowe sieci neuronowe (CNN), do tworzenia solidnych, dobrze uogólnionych modeli, które umożliwiają precyzyjną identyfikację obiektów w różnych warunkach. Dzięki temu systemy wizyjne mogą być wykorzystywane w różnorodnych zadaniach wymagających większej niezawodności w przemyśle wytwórczym, rolnictwie, robotyce i motoryzacji.
Jak działa widzenie maszynowe w samochodach autonomicznych?
Widzenie maszynowe w samochodach autonomicznych można ogólnie podzielić na trzy części: system kamer, przetwarzanie (edge computing) oraz sztuczną inteligencję. Ten zestaw technologii pozwala autonomicznym samochodom widzieć, wnioskować i identyfikować różne znaki i przeszkody podczas jazdy. Omówmy szczegółowo każdą część, aby zrozumieć, jak te technologie łączą się, tworząc wizję maszynową dla samochodu autonomicznego.
System kamer
Wizja maszynowa opiera się na systemach kamer, które gromadzą wizualne informacje o otoczeniu. Samochody autonomiczne wykorzystują wiele kamer zamontowanych wokół pojazdu, aby zebrać jak najwięcej informacji wizualnych.
W kamerach wizyjnych stosowane są dwa główne sensory: komplementarny metal-tlenek-półprzewodnik (CMOS) oraz sensory CCD. W samochodach autonomicznych technologia CMOS jest często preferowana ze względu na dużą prędkość odczytu, wydajną elektronikę i możliwości przetwarzania równoległego, co czyni ją najszybszym sensorem. Rozwiązania takie jak różne tryby oświetlenia, cyfrowy noktowizor i filtry mogą pomóc sensorom CMOS w nieidealnych warunkach oświetleniowych.
W samochodach autonomicznych kamery są instalowane w określonych odległościach od siebie, aby uzyskać widzenie stereoskopowe. 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 obliczanie przybliżonej odległości między obiektem a pojazdem.
Ponieważ ludzie mają dwoje oczu, korzystamy również z widzenia stereoskopowego. Możesz przetestować to widzenie samodzielnie: zamknij jedno oko i wybierz mały przedmiot leżący na biurku. Połóż dłoń na boku przedmiotu i upewnij się, że jego krawędź znajduje się co najmniej pięć centymetrów od ciebie. Zatrzymaj się na kilka sekund i sprawdź, jak pewny jesteś swojego przybliżenia. Teraz spróbuj otworzyć oboje oczu i zobacz, o ile poprawi się twoje poczucie głębi. Sprawdź Jak działa kamera 360 stopni z widokiem dookólnym w samochodzie?
Edge computing
Edge computing to proces polegający na przybliżaniu możliwości przechowywania informacji i przetwarzania do urządzenia generującego te dane oraz do użytkowników, którzy z nimi wchodzą w interakcję. Tradycyjnie aplikacje przesyłały dane z urządzeń inteligentnych, takich jak czujniki i smartfony, do centralnego centrum przetwarzania danych. Jednak bezprecedensowa złożoność i objętość danych przerosły możliwości sieci. Systemy edge computing przybliżają możliwości przetwarzania do użytkowników i urządzeń, znacząco poprawiając wydajność aplikacji, zmniejszając zapotrzebowanie na przepustowość sieci i zapewniając szybszy wgląd w czasie rzeczywistym.
Podczas gdy system kamer w samochodzie autonomicznym gromadzi dane, komputer pokładowy (procesor brzegowy) przetwarza wszystkie dane wejściowe w czasie rzeczywistym, aby na bieżąco informować system o stanie otoczenia. Chociaż typowe zadania związane z wizją maszynową mogą przynieść oszczędności dzięki wykorzystaniu chmury obliczeniowej, istnieje po prostu zbyt wiele zagrożeń dla samochodów autonomicznych, aby były one powiązane z chmurą, nawet jeśli wynika to z outsourcingu procesu w zakresie wymagań wizji maszynowej.
Wykorzystanie zaawansowanego komputera do przetwarzania danych wejściowych eliminuje problemy z opóźnieniami i zapewnia odbiór, przetwarzanie i przesyłanie danych w czasie rzeczywistym. Zaawansowane komputery do samochodów autonomicznych wykorzystują specjalistyczne jednostki, które integrują procesory graficzne AI, takie jak rdzeń Tensor Core i rdzenie CUDA firmy NVIDIA. Sprawdź Jakie akceleratory AI znajdują się w AMD Instinct?
Algorytmy sztucznej inteligencji
Algorytmy zawsze były ważnym elementem wizji maszynowej. Algorytm pozwala komputerowi rozpoznawać wszystkie wzorce, kształty i kolory generowane przez system kamer. Wykorzystanie sztucznej inteligencji (AI) zamiast tradycyjnych algorytmów wizji maszynowej znacznie zwiększa zdolność autonomicznego samochodu do niezawodnej identyfikacji obiektów, znaków drogowych, oznakowania poziomego i sygnalizacji świetlnej. Do szkolenia autonomicznych samochodów wykorzystuje się wiele algorytmów AI. Do najpopularniejszych należą:
- YOLO (You Only Look Once): Algorytm wykrywania obiektów w czasie rzeczywistym, który identyfikuje i śledzi obiekty w polu widzenia pojazdu.
- SIFT (Scale-Icar'sant Feature Transform): Służy do wyodrębniania cech, pomaga samochodowi rozpoznawać punkty orientacyjne i charakterystyczne obiekty w otoczeniu.
- Wykres gradientów skierowanych (HOG): Służy do rozpoznawania obiektów i koncentruje się na wyodrębnianiu lokalnych wzorców i gradientów z obrazów.
- TextonBoost: Algorytm pomagający identyfikować obiekty poprzez analizę tekstur otoczenia.
- AdaBoost: AdaBoost służy do klasyfikacji danych i łączy wiele słabych klasyfikatorów, aby podejmować trafne decyzje dotyczące obiektów i przeszkód na drodze samochodu.
Znaczenie wizji maszynowej w samochodach autonomicznych
Wizja maszynowa to podstawowy sposób, w jaki samochód autonomiczny rozpoznaje i rozumie otoczenie. Bez wizji maszynowej samochody autonomiczne prawdopodobnie zostaną zdegradowane do poziomu 1 w skali autonomii i mogą nigdy nie osiągnąć pełnej autonomii.
Dzięki systemom wizyjnym samochody autonomiczne potrafią teraz klasyfikować obiekty, wykrywać pasy ruchu i sygnalizację, identyfikować znaki drogowe i rozpoznawać ruch uliczny.
Chociaż wiele samochodów autonomicznych korzysta obecnie z różnych czujników, takich jak LIDAR, RADAR i SONAR, wszystkie one w dużym stopniu opierają się na wizji maszynowej, aby obserwować otoczenie, identyfikować obiekty i rozumieć znaczenie znaków drogowych i sygnalizacji świetlnej. Wszystkie te dodatkowe czujniki służą wyłącznie poprawie wizji maszynowej i zwiększeniu bezpieczeństwa ludzi, zwierząt i mienia.
Jednak system widzenia maszynowego może działać niezależnie, bez pomocy innych czujników, zapewniając zautomatyzowane sterowanie. W rzeczywistości najnowsze samochody autonomiczne Tesli zrezygnowały z systemu radarowego i obecnie opierają się wyłącznie na systemie widzenia maszynowego w systemie Autopilot.
Choć niekoniecznie podważa to użyteczność innych technologii czujników, to jednak pokazuje znaczenie i siłę wizji maszynowej w samochodach autonomicznych. Sprawdź Najważniejsze zaawansowane systemy wspomagania kierowcy w samochodach.
często zadawane pytania
P1. Czym jest technologia widzenia maszynowego w samochodach autonomicznych?
Technologia widzenia maszynowego to oparty na sprzęcie i oprogramowaniu system służący do analizy i interpretacji obrazów i filmów, który umożliwia autonomicznym samochodom rozpoznawanie otoczenia i podejmowanie decyzji podczas jazdy.
P2. Jak technologia widzenia maszynowego działa w samochodach?
Pojazd jest wyposażony w liczne kamery i czujniki, które rejestrują obrazy i nagrania wideo otoczenia. Dane te są przetwarzane za pomocą zaawansowanego oprogramowania w celu analizy obrazów i rozpoznawania różnych obiektów i punktów orientacyjnych na drodze.
P3. Jakie znaczenie ma technologia widzenia maszynowego w autonomicznej jeździe?
Technologia widzenia maszynowego jest niezbędna dla autonomicznej jazdy, umożliwiając rozpoznawanie znaków drogowych, innych pojazdów i przeszkód na drodze. Te informacje w czasie rzeczywistym stanowią podstawę zautomatyzowanego podejmowania decyzji, w tym kierowania pojazdem i unikania wypadków.
P4. Jakie wyzwania stoją przed technologią widzenia maszynowego?
Technologia widzenia maszynowego stoi przed wieloma wyzwaniami, m.in. takimi czynnikami jak niekorzystne warunki pogodowe (mgła i deszcz), trudności z rozpoznawaniem obiektów w całkowitej ciemności, a także kwestiami ochrony danych i prywatności.
P5. Jakich przyszłych zmian można się spodziewać w tej dziedzinie?
Oczekuje się, że technologia wizji maszynowej będzie się nadal rozwijać, wraz z coraz lepszymi zastosowaniami sztucznej inteligencji oraz udoskonalonymi możliwościami wykrywania i rozpoznawania obrazu. Możliwe jest również rozszerzenie zastosowania tej technologii na obszary wykraczające poza motoryzację. Sprawdź Jak działa tempomat w pojazdach?
Przyszłość wizji maszynowej w samochodach autonomicznych
Wizja maszynowa stanowi fundament samochodów autonomicznych. Dzięki niej samochody widzą i postrzegają otoczenie tak samo jak ludzie. Choć wyzwania wciąż istnieją, korzyści płynące z wizji maszynowej w zakresie bezpieczeństwa i nawigacji są nie do przecenienia. Jeśli chodzi o przyszłość pojazdów autonomicznych, dalszy postęp w dziedzinie sztucznej inteligencji, przetwarzania brzegowego i/lub technologii kamer sprawi, że samochody autonomiczne staną się bardziej wydajne, prawdopodobnie przenosząc je na wyższy poziom automatyzacji. Możesz już teraz sprawdzić Hakerzy zajmujący się ładowarkami samochodów elektrycznych: czy należy się tym martwić?
