През последното десетилетие или по-малко всеки производител на автомобили, когото срещнахте, беше развълнуван от перспективите безпилотните автомобили да наводнят пазара. Въпреки че няколко големи автомобилни производители пуснаха „не съвсем автономни“ превозни средства, които могат да се движат сами по магистралата (разбира се, под постоянно наблюдение от водачите), автономната технология не се е случила, както смятат експертите.
През 2019 г. в световен мащаб имаше около 31 милиона автономни превозни средства (известно ниво на автономност) в операциите. Предвижда се този брой да нарасне до 54 милиона до 2024 г. Тенденциите показват, че пазарът може да нарасне с 60% въпреки спада от 3% през 2020 г.
Въпреки че има много причини, поради които самоуправляващите се автомобили могат да бъдат пуснати много по-късно от очакваното, една от основните причини е липсата на качествени данни за обучение по отношение на обем, разнообразие и валидиране. Но защо данните за обучението са важни за развитието на автономни превозни средства?
Значение на данните за обучение за автономни превозни средства
Автономни превозни средства са в по-голяма степен управлявани и зависими от данни от всяко друго приложение на AI. Качеството на системите за автономно превозно средство зависи до голяма степен от вида, обема и разнообразието на използваните данни за обучение.
За да се гарантира, че автономните превозни средства могат да се движат с ограничено или никакво човешко взаимодействие, те трябва да разбират, разпознават и взаимодействат със стимули в реално време, присъстващи по улиците. За да се случи това, няколко невронни мрежи трябва да взаимодействат и да обработват събраните данни от сензори, за да предоставят безопасна навигация.
Как да осигурим данни за обучение за автономни превозни средства?
Надеждна AV система се обучава за всеки възможен сценарий, който превозното средство може да срещне в реално време. Той трябва да бъде подготвен да разпознава обекти и да взема предвид променливите на околната среда, за да произведе точно поведение на превозното средство. Но събирането на такива големи обеми от набори от данни за прецизно справяне с всеки краен случай е предизвикателство.
За правилното обучение на AV системата се използват техники за анотации на видео и изображения за идентифициране и описание на обекти в изображение. Данните за обучение се събират с помощта на снимки, генерирани от камера, идентифицирайки изображенията чрез категоризиране и точно етикетиране.
Анотираните изображения помагат на системите за машинно обучение и компютрите да се научат как да изпълняват необходимите задачи. Предоставят се контекстуални неща като сигнали, пътни знаци, пешеходци, метеорологични условия, разстояние между превозни средства, дълбочина и друга подходяща информация.
Няколко първокласни компании предоставят набори от данни за обучение в различни изображения и видео анотация формати, които разработчиците могат да използват за разработване на AI модели.
Откъде идват данните за обучението?
Автономните превозни средства използват различни сензори и устройства, за да събират, разпознават и интерпретират информацията около тяхната среда. Необходими са различни данни и анотации за разработване на високопроизводителни AV системи, захранвани от изкуствен интелект.
Някои от използваните инструменти са:
Камера:
Камерите на превозното средство записват 3D и 2D изображения и видеоклипове
радар:
Радарът предоставя важни данни на превозното средство относно проследяване на обекти, откриване и предвиждане на движение. Той също така помага за изграждането на богато на данни представяне на динамичната среда.
LiDaR (откриване на светлина и обхват):
За точното интерпретиране на 2D изображения в 3D пространство е жизненоважно да използвате LiDAR. LiDAR помага при измерване на дълбочина и разстояние и отчитане на близост с помощта на лазер.
Обърнете внимание, докато събирате данни за обучение на автономни превозни средства
Обучението на самоуправляващо се превозно средство не е еднократна задача. Изисква непрекъснато усъвършенстване. Напълно автономното превозно средство може да бъде по-безопасна алтернатива на автомобилите без шофьор, които се нуждаят от човешка помощ. Но за това системата трябва да бъде обучена на големи количества разнообразни и висококачествени данни за обучение.
Обем и разнообразие
По-добра и по-надеждна система може да бъде разработена, когато обучите своя машинно обучение модел върху големи количества различни набори от данни. Необходима е въведена стратегия за данни, която може точно да идентифицира кога даден набор от данни е достатъчен и кога е необходим опит в реалния свят.
Някои аспекти на шофирането идват само от реалния опит. Например, едно автономно превозно средство трябва да предвиди отклонения от реалния свят, като например завиване без сигнализация или среща с пешеходец, пресичащ пътя.
Макар и с високо качество анотация на данни помага до голяма степен, също така се препоръчва да се придобият данни по отношение на обем и разнообразие по време на курса на обучение и опит.
Висока точност в анотацията
Вашите модели за машинно обучение и дълбоко обучение трябва да бъдат обучени на чисти и точни данни. Автономен шофиране на автомобили стават все по-надеждни и регистрират високи нива на точност, но все още трябва да преминат от 95% точност на 99%. За да направят това, те трябва да възприемат по-добре пътя и да разберат необичайните правила на човешкото поведение.
Използването на техники за анотиране на качествени данни може да помогне за подобряване на точността на модела за машинно обучение.
- Започнете с идентифициране на пропуски и несъответствия в информационния поток и актуализирайте изискванията за етикетиране на данните.
- Разработете стратегии за справяне с ръбови сценарии в реалния свят.
- Редовно подобрявайте модела и показателите за качество, за да отразявате най-новите цели за обучение.
- Винаги си партнирайте с надежден и опитен партньор за обучение на данни, който използва най-новото етикетиране и техники за анотиране и най-добри практики.
Възможни случаи на употреба
Откриване и проследяване на обекти
Няколко техники за анотиране се използват за анотиране на обекти като пешеходци, автомобили, пътни сигнали и други в изображение. Той помага на автономните превозни средства да откриват и проследяват нещата с по-голяма точност.
Откриване на регистрационен номер
Анализиране на семафор
Отново, използвайки техниката на ограничителната кутия, сигналите и табелите лесно се идентифицират и анотират.
Система за проследяване на пешеходците
Проследяването на пешеходци се извършва чрез проследяване и анотиране на движението на пешеходеца във всеки видеокадър, така че автономното превозно средство да може точно да определи движението на пешеходеца.
Разграничаване на лентите
Разграничаването на лентите играе решаваща роля в развитието на системите за автономно превозно средство. В автономните превозни средства линиите се изчертават върху платна, улици и тротоари, като се използва анотация на полилинии, за да се даде възможност за точно разграничаване на лентите.
ADAS системи
Усъвършенстваните системи за подпомагане на водача помагат на автономните превозни средства да откриват пътни знаци, пешеходци, други автомобили, помощ при паркиране и предупреждение за сблъсък. За активиране компютърно зрение in ADAS, всички изображения на пътни знаци трябва да бъдат анотирани ефективно, за да се разпознават обекти и сценарии и да се предприемат навременни действия.
Система за наблюдение на водача / Наблюдение в кабината
Наблюдението в кабината също помага да се гарантира безопасността на пътниците в автомобила и другите. Камера, поставена в кабината, събира жизненоважна информация за водача, като сънливост, поглед в очите, разсейване, емоции и др. Тези изображения в кабината са точно пояснени и използвани за обучение на моделите за машинно обучение.
Shaip е водеща компания за анотиране на данни, която играе решаваща роля в предоставянето на бизнес с висококачествени данни за обучение за захранване на системи за автономни превозни средства. Нашите етикетиране на изображения и точност на анотациите са помогнали за изграждането на водещи AI продукти в различни индустриални сегменти, като здравеопазване, търговия на дребно и автомобилостроене.
Ние предоставяме големи количества разнообразни набори от данни за обучение за всички ваши модели за машинно обучение и дълбоко обучение на конкурентни цени.
Пригответе се да трансформирате вашите AI проекти с надежден и опитен доставчик на данни за обучение.
