Otonom sürüşte yapay zekanın uygulamaları nelerdir?
Akıllı otomobillerin gelişimi çip üreticilerine yeni bir hayat getirdi, ancak aynı zamanda çip endüstrisindeki rekabeti de yoğunlaştırdı.Geçtiğimiz birkaç yılda çip endüstrisindeki birleşme ve satın almalar daha sık hale geldi. Nvidia ani ortaya çıkanlardan biridir. GPU'nun derin öğrenmedeki doğal avantajlarına dayanan NVIDIA, artık otomobil şirketleri ve Tier 1 tedarikçileriyle kapsamlı bir şekilde işbirliği yapmaya başladı. 2019'un başlarında, NVIDIA Drive PX2 platformunu temel alan otonom bir sürüş kontrol platformunun seri üretime başlaması bekleniyor. Buna karşılık, NXP ve Renesas gibi otomotiv endüstrisine derinlemesine dahil olmuş yonga üreticilerinin sesi çok daha düşük görünüyor.
Geleneksel yonga üreticileriyle karşılaştırıldığında Nvidia, ister Drive PX2 platformunda ister bu yılın başlarında CES'te piyasaya sürülen Xavier AI platformunda olsun, AI konseptini vurguluyor. Peki NVIDIA, yapay zeka teknolojisini otonom sürüşe nasıl uygulamayı planlıyor? Tencent Autonun "Kaynak Projesi" Medya Güçlendirme Akademisi'nde, Nvidia'nın otonom Çin sürüşü başkanı Bay Dong Fangliang, Nvidia'nın yapay zeka hesaplama konusundaki çalışmalarını ayrıntılı olarak anlattı.
Dong Fangliang, NVIDIA Otonom Sürüş Çin Başkanı
Otonom sürüş, AI'nın önemli bir uygulama alanıdır. Özünde, aracın sürüşü sırasında üretilen çeşitli verilerin işlenmesine atfedilebilir. Otonom sürüş seviyesi arttıkça, işlenmesi gereken veri miktarı da değişecektir.
Dong Fangliang, L2'den L3'e yeni eklenen işlevlerin hesaplama gücünde en az beş kat artış gerektirdiğini söyledi.Özel gereksinimler L3'ün gerçek uygulama senaryolarına bağlıdır. L3, şerit değişiklikleri dahil belirli özel senaryolar için ise, bilgi işlem gücü talebi daha yüksek olacaktır. L3'ten L4'e kadar olan süreçte, sınırlı sayıda kentsel alan da dahil olmak üzere L4'e yeni sahneler eklenecektir.L4'teki insanlar temelde sürüş sürecine dahil olmadıklarından, aracın güvenlik performansı için çok katı gereklilikler vardır ve bileşenler Başarısızlık oranı çok düşük bir seviyeye indirilir ve hesaplama işleminin kararlılığı ve fazlalığı konusunda oldukça yüksek gereksinimler vardır.
Başka bir deyişle, işlevlerin gerçekleştirilmesini sağlamak için daha güçlü bilgi işlem kaynaklarına güvenmek gerekir, bu nedenle bilgi işlem gücünün 50 kattan fazla artırılması gerekir. Farklı hesaplama gereksinimleri ve farklı algoritmalar, tüm sistemi oluştururken farklı değerlendirmelere neden olur.
Örnek olarak Nvidianın Xavier AI platformunu ele alalım, Xavier L3 ve üstü otonom sürüş uygulamalarını hedefleyecektir. L3 ve üzeri otomatik sürüşte, aracın çevredeki ortamı otomatik olarak tanıması, trafik durumunu yargılaması ve ardından bir sonraki sürüş yolunu planlaması gerekir. Otonom sürüş seviyesi ne kadar yüksekse, aracın kontrol etmesi gereken daha fazla bilgi. Aracın sensörleri tarafından toplanan verilere ek olarak, buluttan gerçek zamanlı bilgiler ve diğer araçlar / yol kenarı ekipmanı ile değiş tokuş edilen veriler de olacaktır.Gerçek zamanlı veriler ne kadar fazlaysa, işlemcinin daha fazla bilgi işlemesi gerekir, bu da gerçek zamanlı gerektirir Daha yüksek.
Bunların arasında "tanıma" karşılaşılan ilk sorundur. Otonom sürüşü gerçekleştirmek için yapılacak ilk şey, çevredeki ortamı net bir şekilde anlamaktır. Dong Fangliang, geleneksel algoritma modelini izlerseniz, yani nesne özelliklerini sürekli olarak hesaplamak için mevcut geometri ve matematiksel formülleri kullanırsanız, iki problem olacağını söyledi:
1. Programlama seviyesi çok yüksek olmalıdır, çünkü mevcut matematiksel teorilerin işlevlerini gerçekleştirmek için algoritmalar kullanılmalıdır.
2. Dünya sürekli değişiyor ve tanımlamak için bir algoritma kullanmak zordur Nesne özelliklerine göre tanıma, algoritmadaki kapsamlı numaralandırmaya eşdeğerdir ve algoritmanın doğruluğunu yeterince yüksek hale getirmek için en az 1000 durum gerekebilir.
Derin öğrenme algoritmalarının tanınmadaki avantajı, yüksek verimliliklerinde yatmaktadır. Geleneksel algoritmalardaki kapsamlı çalışma, aslında algoritma eğitimine aktarılır.Algoritmayı eğitmek için yeterli etkili veri olduğu ve eğitilen ağ yeterince iyi olduğu sürece, daha iyi tanıma sonuçları elde edilebilir. Elbette bu, derin öğrenme algoritmalarının teknik seviyedeki avantajıdır, ancak derin öğrenmenin geleneksel algoritmaların uygulanmasından daha basit olacağı anlamına gelmez. Algoritma eğitimini örnek alırsak, çok zaman alan bir süreç olan algoritmayı eğitmek için büyük miktarda etkili veri toplamak gerekmektedir.
Yukarıdaki resim, fotoğrafların sinir ağını tanıma prensibidir. Dong Fangliangın açıklamasına göre, sinir ağının katman sayısı arttığında, köşelerin küçük özellik noktalarını kavramak için sığ ağ alanını kullanırken, derin ağ, sığ ağ tarafından yakalanan özellik değerlerini ve ardından katman katman birleştirecektir. Özellikleri özetlemek gerekirse, "nispeten basit bir açıklama, on yaprak kağıt olduğu ve her kağıt yaprağının bir parça çizdiği ve on yaprak üst üste binmesinin tam bir görüntü olduğu şeklindedir."
Tanıma, otonom sürüşün ilk adımıdır ve ikinci ve daha zor adım tahmin etmektir. Araç, çevredeki ortamı algılarken, yolu planlayabilmek için, etraftaki nesnelerin hangilerinin statik ve hangilerinin dinamik olduğunu belirlemesi ve ardından hangilerinin sürüşü etkileyeceğini belirlemesi gerekir. Tahminin kendisi, sürüş stratejilerine yardımcı olan ve karar verebilen kısa vadeli, orta vadeli ve uzun vadeli tahminleri içerir.
Bu nedenle, otonom sürüş için yüksek hassasiyetli haritalar gereklidir. Yüksek hassasiyetli bir harita bir sensör türü olarak kabul edilebilir.Koordinat bilgileri dahil olmak üzere yoldaki tüm statik nesneler, aracın yoldaki kesin konumunu bilmesi için yüksek hassasiyetli haritada saklanır. Ancak doğru konumlandırmadan sonra bir sonraki konumlandırma ve yol planlaması adımı gerçekleştirilebilir.
Bu süreçte, mevcut durumda başa çıkması zor olan iki yaygın trafik senaryosu vardır.
Birincisi, birçok yerde net bir şerit çizgisi veya hiç şerit çizgisi olmamasıdır. Otonom araçların sürüş temeli şerit çizgisinde yatıyor. Sürüş sürecinde insanlar şerit çizgisi olmadığında diğer araçlara ve etrafındaki yollara olan mesafeye göre sürüş yolunu otomatik olarak belirleyecektir.Otomatik sürüşte otomatik sürüşün "beyni" bu yeteneğe sahip olmalıdır. Şu anda seri üretimde olan yarı otonom sürüş dahil olmak üzere otonom sürüş teknolojisinin gelişiminin ilk aşamalarında, insan sürücülere şerit hatlarına ulaşılamadığında devralmaları hatırlatılacak. Bununla birlikte, bazı şirketler algoritma düzeyinde bu durumu zaten iyileştirmiştir.Yingwei'nin algılama ağında, şerit çizgileri için özel bir Lanenet ağı da vardır, bu ağ şerit çizgisi belirgin olmadığında otomatik olarak işaretleyebilir ve ardından sürülebilir yolu hesaplayabilir.
İkincisi, gerçek zamanlı dinamik bilgidir. Otonom sürüş için en sık sorulan sorulardan biri, aracın yol kenarından koşan çocuğu zamanında tanıyıp frenlemeyi tamamlayıp tamamlayamayacağıdır. Buradaki zorluk, dinamik bilginin öngörülemezliğinde yatmaktadır. Dong Fangliang, nispeten iyi bir çözümün, canlı bedenleri (insanlar ve hayvanlar) tanımlamak için araçlar için özellik noktaları kullanmak olduğunu söyledi. Bunun avantajı, aracın özellik noktasını tanıyabilmesi durumunda, aracın karar vermesine yardımcı olmak için bir sonraki hareket yönünü özellik noktasının hareket eğilimine göre değerlendirebilmesidir. Elbette, öngörülemeyen dinamik bilgiler için, mümkün olduğu kadar çok tahmin çalışması yapmak çok büyük bir hesaplama sürecidir.Gerçek zamanlı gereksinimler ne kadar yüksekse, o kadar karmaşıktır ve algoritmalar ve işleme yetenekleri için gereksinimler o kadar yüksek olur.
Otomatik sürüşün gerçekleştirilmesi, tamamlamaya yardımcı olmak için güçlü bir bilgi işlem platformu gerektirir ve bu, donanım seviyesinde daha fazla iyileştirme ve derin öğrenme algoritmalarının optimizasyonunu gerektirir.
