Algorytmy głębokiego uczenia będą mogły szybciej reagować na niebezpieczeństwa podczas jazdy samochodów AV. To efekt współpracy Europejskiej Organizacji Badań Jądrowych (CERN) oraz firmy Zenseact.
Pojazdy AV nadal na trzecim poziomie autonomizacji
Projekt badawczy dotyczący metod i procesów uczenia głębokiego po trzech latach dobiegł ku końcowi. Naukowcy z CERN oraz Zenseact zbadali i ulepszyli szybkość oraz dokładność systemów opartych o uczenie maszynowe, które pozwalają na reagowanie samochodów autonomicznych w odpowiedni dla sytuacji sposób.
Samochody autonomiczne znane są od lat, jednak jeszcze nie osiągnęły wystarczającego poziomu, aby móc poruszać się po drogach. Mercedes niedawno rozpoczął testy swojego pojazdu AV, który jednak plasuje się (dopiero) na trzecim z pięciu poziomów autonomizacji.
Poziom trzeci dotyczy warunkowej automatyzacji, która pozwala kierowcy na puszczenie kierownicy w niektórych sytuacjach, jednak człowiek cały czas musi być przygotowany na przejęcie roli kierowcy. Dopiero piąty poziom zapewnia jazdę w pełnej automatyzacji, a sam pojazd może być nawet pozbawiony osoby „za kółkiem”. Jednak czy to może być bezpieczne?
Szybka i dokładna reakcja głębokiego uczenia kluczem do sukcesu
Oczywiście, za prowadzenie pojazdu autonomicznego finalnie odpowiedzialne ma być uczenie maszynowe oraz jego zdolność do przewidywania nagłych sytuacji, które wymagają natychmiastowych reakcji. Stąd pomysł na badanie CERNu i Zenseact.
Badanie przeprowadzone na technologii ML, która to używana jest do przeprowadzania analizy zderzeń cząstek wewnątrz detektorów Wielkiego Zderzacza Hadronów. Została ona oparta na podstawie komputerowej wizji, która to ma za zadanie przeprowadzić szybką, ale również dokładną analizę sytuacji i otoczenia, w których mógłby znaleźć się pojazd AV.
Badanie wykorzystywało także chipy FPGA, będące programowalnymi urządzeniami, które są po prostu pustymi układami, które można „nauczyć” dosłownie wszystko. Ten rodzaj sprzętu jest w stanie przetwarzać zadane algorytmy decyzyjne i może zrobić to w czasie mikrosekund, co wykazano w przeprowadzonym badaniu.
Prace zostały zrealizowane w trybie open source, a wyniki mogą znacząco wesprzeć w opracowywaniu technologii dotyczących pojazdów autonomicznych.
