211service.com
Kā nākotnes automašīnas paredzēs jūsu braukšanas manevrus, pirms tos izveidosit
Šajās dienās iegādājieties jaunu automašīnu, un pastāv iespēja, ka tā tiks aprīkota ar virkni vadītāja palīdzības tehnoloģiju. Tie var atbilst priekšā braucošās automašīnas ātrumam, droši pārvaldīt joslu maiņu un pat iedarbināt bremzes, lai novērstu sadursmi. Tāpēc interesants jautājums ir par to, cik daudz labākas šīs drošības sistēmas var kļūt, pirms notiek neizbēgamais un automašīna pilnībā pārņem vadību.
Šodien mēs saņemam daļēju atbildi, pateicoties Eša Džeina darbam Kornela universitātē un dažiem draugiem, kuri ir izstrādājuši sistēmu, kas var paredzēt cilvēka vadītāja nākamo manevru apmēram trīs sekundes pirms viņš to veic. Viņi saka, ka šo informāciju pēc tam var izmantot, lai identificētu un novērstu iespējamos negadījumus.
Teorētiski pieeja ir vienkārša. Džeins un co norāda, ka visaptverošas zināšanas par braukšanas vidi gan automašīnā, gan ārpus tās var izmantot, lai diezgan labi uzminētu vadītāja tūlītējos nodomus. Piemēram, autovadītāji pirms joslu maiņas parasti pārbauda blakus esošās joslas. Tādējādi vadītāja galvas kustību uzraudzība palīdz prognozēt, vai vadītājs tuvāko sekunžu laikā plāno mainīt joslu.
Tāpat GPS un ielu kartes informācija parāda, kad automašīna tuvojas krustojumam, kur ir iespēja pagriezties pa kreisi vai pa labi. Arī ātrums ir svarīgs rādītājs, jo vadītāji parasti samazina ātrumu pirms pagrieziena.
Bet šie dati ir atšķirīgi. Galvas kustības dati pilnībā atšķiras no ātruma datiem vai kartes datiem. Grūtības ir apvienot un analizēt šīs informācijas plūsmas tā, lai būtu iespējams izdarīt labas prognozes.
Risinājums, ko Džeina un viņa biedri ir izdomājuši, ir kopā analizēt šīs straumes, izmantojot progresīvus mākslīgā intelekta algoritmus, kas iemācās pamanīt brīdinājuma pazīmes, ka tuvojas manevrs.
Viņu darba pirmā daļa bija iegūt datus, kas nepieciešami, lai apmācītu viņu mašīnu. Džeins un kolēģi aprīkoja automašīnu ar vienu kameru, lai uzraudzītu vadītāju, un otru, lai uzraudzītu ceļa galvu. Viņi arī izmantoja GPS datus kopā ar ielu kartēm un ātruma reģistrētāju, lai sekotu līdzi transportlīdzekļa ātrumam.
Pēc tam viņi apkopoja datus no 10 dažādiem autovadītājiem, kuri divu mēnešu laikā nobrauca vairāk nekā 1000 jūdzes no šosejas un pilsētas. Viņi anotēja datus ar roku, lai norādītu, kādi manevri notiek. Kopumā viņi identificēja 700 notikumus: aptuveni 300 joslu maiņas, 130 pagriezienus un gandrīz 300 nejauši izvēlētus taisnas braukšanas gadījumus.
Viņi izmantoja šos datus, lai apmācītu vairākas dažādas skaitļu griešanas mašīnas, lai noteiktu apstākļus, kādos vadītājs pagriežas pa kreisi vai pa labi, maina joslu pa kreisi vai pa labi vai vienkārši turpina braukt taisnā līnijā.
Rezultāti rada interesantu lasīšanu. Vislabākās veiktspējas algoritms lielāko daļu laika spēja pareizi noteikt turpmāko manevru — aptuveni 90 procenti no prognozēm bija pareizas. Un vidēji tas spēja izteikt savu prognozi 3,5 sekundes pirms manevrs faktiski notika.
Protams, priekšā vēl daudz darba. Viena no iespējamām problēmām ir noteikt, cik labi algoritms darbojas visbīstamākajos braukšanas apstākļos, jo īpaši naktī vai ja ir slikta redzamība sniega vai lietus vētru dēļ vai kad saule ir zemu debesīs.
Šādos apstākļos negadījumu iespējamība ir lielāka, tāpēc prognozēšanas algoritms varētu sniegt vislielāko labumu. Taču nav skaidrs, kā sistēma darbojas šādos apstākļos.
Cits jautājums ir, ko darīt ar šo informāciju, kad tā ir apkopota. Kā to var izmantot, lai novērstu negadījumus? Atkal nav skaidrs, kā automašīnu ražotāji var izmantot datus.
Tomēr jaunā pieeja varētu vēstīt par interesantu izmaiņu pieejā autovadītāju drošībai. Precīza vadītāja manevru prognozēšana tuvākajā nākotnē noteikti palīdzēs padarīt automašīnas drošākas. Ja vien, protams, pašpiedziņas automašīnu tehnoloģija nepadara cilvēkus — un tehnoloģiju, lai paredzētu, ko viņi darīs nākotnē — lieku ātrāk, nekā kāds gaida.
Atsauce: http://arxiv.org/abs/1601.00740 : Brain4Cars: Automašīna, kas zina, pirms dari, izmantojot Sensory-Fusion Deep Learning Architecture