РОЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В АВТОНОМНЫХ ТРАНСПОРТНЫХ СРЕДСТВАХ

15 июля 2020 Anton Hristozov

Автономные транспортные средства уже становятся реальностью в некоторых отраслях. Вот лишь некоторые примеры – сельское хозяйство, транспорт и армия. Близится день, когда мы увидим беспилотные автомобили в повседневной жизни обычного потребителя. Многие операции, которые должны выполнять автомобили, основаны на информации от датчиков и некоторых алгоритмах искусственного интеллекта. Транспортным средствам необходимо собирать данные, планировать свою траекторию и следовать по ней. Эти задачи, особенно последние две, требуют нетрадиционных подходов к программированию и полагаются на методы машинного обучения, которые являются частью искусственного интеллекта.

Автономные транспортные средства сталкиваются с множеством проблем, которые по–прежнему создают серьезные трудности и требуют сложных подходов. Заменить когнитивные и моторные функции человека непросто, и работа над этим будет продолжаться долгие годы. Чтобы мы могли добиться надёжного и безопасного беспилотного вождения, ИИ должен решить различные задачи.

Цель этой статьи – проиллюстрировать приложения с искусственным интеллектом, которые делают автономные машины реальностью, путем представления их задач и способов их реализации. Также исследуется природа ИИ по сравнению с традиционным программным обеспечением, а конкретные проблемы разработки, тестирования и развертывания технологий ИИ на поприще автономных транспортных средств более подробно рассматриваются далее.

1. Анализ ИИ в автономном транспортном средстве

Сегмент автономных транспортных средств – самый быстрорастущий сегмент в автомобильной промышленности. Искусственный интеллект действительно является наиболее важным и сложным компонентом беспилотных автомобилей. Типичный беспилотный автомобиль показан на рисунке 1.

Рисунок 1 – Беспилотный автомобиль (Lentin, 2017)

Количество датчиков данных реального времени и потребность в интеллектуальной обработке данных может быть огромной. Искусственный интеллект используется в бортовом компьютере, а также в нескольких электронных блоках управления (ЭБУ) современного автомобиля.

Поскольку ИИ используется во многих областях, в том числе в робототехнике, он естественным образом подходит для технологий, обещающих добиться автономности. Будущее таких технологий состоит в том, что технологии искусственного интеллекта и восприятия окружающего мира обеспечат более безопасное и детерминированное поведение, что приведет к таким преимуществам, как топливная эффективность, комфорт и удобство.

Есть множество трудностей при разработке систем искусственного интеллекта для такого сложного объекта, как беспилотный автомобиль. ИИ должен взаимодействовать с множеством датчиков и использовать полученные с них данные в режиме реального времени. Многие алгоритмы искусственного интеллекта требуют больших вычислительных ресурсов и поэтому их трудно использовать с процессорами, имеющими ограничения по памяти и скорости. Современные автомобили являются примером систем реального времени, которые должны давать детерминированные результаты во временном промежутке. Это связано с безопасностью дорожного движения. Подобные сложные распределенные системы требуют большого количества внутренних коммуникаций, которые подвержены задержкам, что может помешать принятию решений ИИ. Кроме того, существует проблема с энергопотреблением запущенного в автомобиле программного обеспечения. Более интенсивные алгоритмы ИИ потребляют больше энергии, что является проблемой, особенно для электромобилей, которые зависят только от заряда батареи.

ИИ используется для решения нескольких важных задач в беспилотном автомобиле. Одна из основных задач – планирование маршрута, автомобильная навигационная система. Еще одна большая проблема для ИИ – это взаимодействие с системой сенсоров и интерпретация данных, поступающих от них.

Сейчас ясно, что предоставление полной замены человека за рулем – крайне непростая задача. Это является главной причиной, по которой многие производители начали разбивать данную проблему на более мелкие части и решать каждую в отдельности, тем самым делая более мелкие шаги для достижения полной беспилотности. В отрасли всегда есть стартапы, прорывные компании, которые пытаются решить проблему беспилотного вождения и обещали в прошлом, что к 2020 году у них будут полностью готовые автомобили на дорогах. Теперь понятно, что реальность намного больше и сложнее, и многие трудности возникают из–за некоторых проблем, традиционно присущих системам искусственного интеллекта.

По мере развития и совершенствования ИИ мы будем приближаться к безопасному и автономному транспорту, а до тех пор нам придется потратить много часов на его разработку, тестирование и внедрение. Всё будет зависеть от того, насколько уверены потребители в «беспилотнике», сможет ли это повлиять на рынок автомобилей в целом. Существует спрос, но технологии ещё не до конца готовы. Реализация может быть быстрее или медленнее в зависимости от нормативных требований и этапов, начиная с более простых и детерминированных вариантов использования, таких как вождение в известной среде. Используемые алгоритмы можно значительно упростить, если транспортное средство эксплуатируется только в определенных условиях, представляющих меньшее количество неизвестных переменных.

2. Приложения искусственного интеллекта в транспортных средствах

2.1. Обработка данных датчиков

Существует множество датчиков, передающих данные центральному компьютеру автомобиля во время работы. Датчики предоставляют информацию о дороге, других транспортных средствах на дороге, а также о любых других препятствиях, которые можно заметить так же, как их может воспринимать человек. Некоторые из этих датчиков могут обеспечивать лучшее восприятие, чем среднестатистический человек, но для этого нужны интеллектуальные алгоритмы, способные анализировать потоки данных, генерируемые в реальном времени.

Одна из основных задач – обнаружение и идентификация объектов впереди и вокруг транспортного средства (Sagar and Nanjundeswaraswamy, 2019). Искусственные нейронные сети (ИНС) – это алгоритмы, обычно используемые для данной задачи. Другой термин для этой области – глубокое обучение, потому что нейронная сеть содержит много слоев, содержащих множество узлов. Глубокая нейронная сеть показана на рисунке 2, хотя на практике количество узлов и слоев может быть намного больше.

Рисунок 2 – Схема глубокой нейронной сети (Бичлер, 2019)

Анализ входящего видеоизображения использует алгоритмы машинного обучения и нейронные сети для классификации объектов на картинке. Поскольку имеются несколько датчиков различного типа, имеет смысл иметь специальные аппаратные и программные модули для каждого такого датчика. Такой подход позволяет параллельно обрабатывать данные и, следовательно, быстрее принимать решения. Каждый сенсорный блок может использовать свой отдельный алгоритм искусственного интеллекта, а затем передавать свои результаты другим блокам или центральному компьютеру.

2.2. Планирование пути

Планирование маршрута важно для оптимизации траектории движения транспортного средства и улучшения структуры движения в целом. Это может помочь сократить задержки и избежать заторов на дорогах. Планирование – очень подходящая задача для алгоритмов искусственного интеллекта. Это динамическая задача, которая может учитывать множество факторов и может решить проблему оптимизации при построении пути. Дается следующее определение планирования пути: «планирование пути для беспилотного автомобиля позволяет беспилотным транспортным средствам находить самые безопасные, наиболее удобные и экономически выгодные маршруты из точки A в точку B, используя предыдущий опыт вождения, который помогает ИИ принимать гораздо более точные решения в будущем.

2.3. Выполнение пути

После того, как путь спланирован, транспортное средство может ориентироваться в дорожных условиях, обнаруживая объекты, пешеходов, велосипеды и светофоры, чтобы добраться до пункта назначения. Алгоритмы обнаружения объектов находятся в центре внимания сообщества разработчиков искусственного интеллекта, поскольку они делают возможным имитацию человеческого поведения. Проблемы возникают, когда в игру вступают различные дорожные и погодные условия. Многие аварии с тестируемыми беспилотными автомобилями произошли из–за того, что среда моделирования существенно отличается от реальных условий, и программное обеспечение в автономной технике может непредсказуемо реагировать при получении новых неизвестных данных.

2.4. Мониторинг состояния автомобиля

Самый лучший вид обслуживания автомобиля – профилактика. Его можно определить следующим образом: профилактическое обслуживание включает мониторинг и прогнозирующее моделирование для определения состояния машины и прогнозирования того, что может выйти из строя и когда это произойдет. Подобные алгоритмы пытаются предсказать будущие проблемы, а не существующие. Такое профилактическое обслуживание может сэкономить много времени и денег. Как контролируемое, так и неконтролируемое обучение можно использовать для профилактики неисправностей. Алгоритмы могут использовать внутренние и внешние данные для принятия решения о профилактическом обслуживании. Алгоритмы машинного обучения, используемые для этой задачи, представляют собой алгоритмы классификации, такие как логистическая регрессия, вспомогательные векторные машины и алгоритм случайного леса.

2.5. Сбор данных о страховании

Журналы с данными транспортного средства могут содержать информацию о поведении её водителя, и ее можно использовать при анализе дорожно–транспортных происшествий. Эти данные могут быть использованы для обработки претензий страховых компаний. Все это может способствовать снижению цен на страхование, поскольку безопасность будет более предсказуема и гарантирована. В случае полностью автоматизированных автомобилей ответственность переходит с человека, который больше не является водителем, на производителя. В полуавтономном транспортном средстве у нас, скорее всего, будет частичная ответственность водителя. Доказательство таких происшествий будет все больше и больше полагаться на интеллектуальные данные, полученные системой искусственного интеллекта автомобиля. Данные со всех датчиков генерируют огромное количество информации. Сохранение всех данных в любой момент может оказаться непрактичным, но сохранение только релевантных данных считается правильным балансом между получением свидетельств, которые можно использовать для последующего анализа определенного дорожного события, и количеством занимаемого места на хранилищах. Этот подход аналогичен тому, как информация черного ящика самолёта сохраняется и анализируется после сбоя.