Dalam dekad yang lalu atau kurang, setiap pembuat kereta yang anda temui teruja tentang prospek kereta pandu sendiri membanjiri pasaran. Walaupun beberapa pembuat kereta utama telah melancarkan kenderaan 'tidak-agak-autonomi' yang boleh memandu sendiri ke lebuh raya (dengan pengawasan berterusan daripada pemandu, sudah tentu), teknologi autonomi tidak berlaku seperti yang dipercayai oleh pakar.
Pada tahun 2019, secara global, terdapat kira-kira 31 juta kenderaan autonomi (sesetengah tahap autonomi) dalam operasi. Jumlah ini diunjurkan meningkat kepada 54 juta menjelang tahun 2024. Trend menunjukkan bahawa pasaran boleh berkembang sebanyak 60% walaupun terdapat penurunan sebanyak 3% pada tahun 2020.
Walaupun terdapat banyak sebab mengapa kereta pandu sendiri boleh dilancarkan lebih lewat daripada jangkaan, satu sebab utama ialah kekurangan data latihan yang berkualiti dari segi volum, kepelbagaian dan pengesahan. Tetapi mengapa data latihan penting untuk pembangunan kenderaan autonomi?
Kepentingan Data Latihan untuk Kenderaan Autonomi
Kenderaan autonomi lebih dipacu data dan bergantung kepada data daripada mana-mana aplikasi AI yang lain. Kualiti sistem kenderaan autonomi bergantung pada jenis, isipadu dan kepelbagaian data latihan yang digunakan.
Untuk memastikan kenderaan autonomi boleh memandu dengan interaksi manusia yang terhad atau tanpa, mereka mesti memahami, mengenali dan berinteraksi dengan rangsangan masa nyata yang terdapat di jalanan. Untuk ini berlaku, beberapa rangkaian saraf perlu berinteraksi dan memproses data yang dikumpul daripada penderia untuk menyampaikan navigasi yang selamat.
Bagaimana Mendapatkan Data Latihan untuk Kenderaan Autonomi?
Sistem AV yang boleh dipercayai dilatih pada setiap kemungkinan senario yang mungkin dihadapi oleh kenderaan dalam masa nyata. Ia mesti bersedia untuk mengenali objek dan faktor dalam pembolehubah persekitaran untuk menghasilkan tingkah laku kenderaan yang tepat. Tetapi mengumpul volum besar set data untuk menangani setiap kes tepi dengan tepat adalah satu cabaran.
Untuk melatih sistem AV dengan betul, teknik anotasi video dan imej digunakan untuk mengenal pasti dan menerangkan objek dalam imej. Data latihan dikumpul menggunakan foto janaan kamera, mengenal pasti imej dengan mengkategorikan dan melabelkannya dengan tepat.
Imej beranotasi membantu sistem pembelajaran mesin dan komputer mempelajari cara melaksanakan tugas yang diperlukan. Perkara kontekstual seperti isyarat, papan tanda jalan, pejalan kaki, keadaan cuaca, jarak antara kenderaan, kedalaman dan maklumat lain yang berkaitan disediakan.
Beberapa syarikat terkemuka menyediakan set data latihan dalam imej yang berbeza dan anotasi video format yang boleh digunakan oleh pembangun untuk membangunkan model AI.
Dari mana datangnya Data Latihan?
Kenderaan autonomi menggunakan pelbagai penderia dan peranti untuk mengumpulkan, mengenali dan mentafsir maklumat di sekeliling persekitaran mereka. Pelbagai data dan anotasi diperlukan untuk membangunkan sistem AV berprestasi tinggi yang dikuasakan oleh kecerdasan buatan.
Antara alatan yang digunakan ialah:
Kamera:
Kamera yang terdapat pada kenderaan merekodkan imej dan video 3D dan 2D
Radar:
Radar menyediakan data penting kepada kenderaan berkenaan penjejakan objek, pengesanan dan ramalan gerakan. Ia juga membantu membina perwakilan yang kaya dengan data bagi persekitaran dinamik.
LiDaR (Pengesanan dan Jarak Cahaya):
Untuk mentafsir imej 2D dengan tepat dalam ruang 3D, adalah penting untuk menggunakan LiDAR. LiDAR membantu dalam mengukur kedalaman dan jarak serta penderiaan kedekatan menggunakan Laser.
Perhatian Semasa Mengumpul Data Latihan Kenderaan Autonomi
Melatih kenderaan pandu sendiri bukanlah tugas sekali sahaja. Ia memerlukan penambahbaikan yang berterusan. Kenderaan autonomi sepenuhnya boleh menjadi alternatif yang lebih selamat kepada kereta tanpa pemandu yang memerlukan bantuan manusia. Tetapi untuk ini, sistem ini perlu dilatih dalam kuantiti yang banyak pelbagai dan data latihan berkualiti tinggi.
Jumlah dan Kepelbagaian
Sistem yang lebih baik dan lebih dipercayai boleh dibangunkan apabila anda melatih anda pembelajaran mesin model pada kuantiti besar set data yang pelbagai. Strategi data disediakan yang boleh mengenal pasti dengan tepat apabila set data mencukupi dan apabila pengalaman dunia sebenar diperlukan.
Aspek tertentu pemanduan datang hanya daripada pengalaman dunia sebenar. Sebagai contoh, kenderaan autonomi harus menjangkakan senario dunia sebenar yang menyimpang seperti membelok tanpa memberi isyarat atau bertemu dengan pejalan kaki yang berjalan kaki.
Manakala berkualiti tinggi anotasi data membantu pada tahap yang besar, ia juga disyorkan untuk memperoleh data dari segi jumlah dan kepelbagaian semasa menjalani latihan dan pengalaman.
Ketepatan Tinggi dalam Anotasi
Pembelajaran mesin dan model pembelajaran mendalam anda mesti dilatih mengenai data yang bersih dan tepat. Berautonomi memandu kereta menjadi lebih dipercayai dan mencatatkan tahap ketepatan yang tinggi, tetapi mereka masih perlu beralih daripada ketepatan 95% kepada 99%. Untuk melakukan itu, mereka perlu memahami jalan raya dengan lebih baik dan memahami peraturan luar biasa tingkah laku manusia.
Menggunakan teknik anotasi data yang berkualiti boleh membantu meningkatkan ketepatan model pembelajaran mesin.
- Mulakan dengan mengenal pasti jurang dan jurang dalam aliran maklumat dan pastikan keperluan pelabelan data dikemas kini.
- Membangunkan strategi untuk menangani senario kes kelebihan dunia sebenar.
- Perbaiki model dan penanda aras kualiti secara kerap untuk mencerminkan matlamat latihan terkini.
- Sentiasa bekerjasama dengan rakan kongsi latihan data yang boleh dipercayai dan berpengalaman yang menggunakan pelabelan dan terkini teknik anotasi dan amalan terbaik.
Kemungkinan Kes Penggunaan
Pengesanan & Penjejakan Objek
Beberapa teknik anotasi digunakan untuk menganotasi objek seperti pejalan kaki, kereta, isyarat jalan dan banyak lagi dalam imej. Ia membantu kenderaan autonomi mengesan dan menjejaki sesuatu dengan lebih ketepatan.
Pengesanan Plat Nombor
Dengan bantuan teknik anotasi imej kotak sempadan, plat nombor mudah ditemui dan diekstrak daripada imej kenderaan.Menganalisis Semaphore
Sekali lagi, menggunakan teknik kotak sempadan, isyarat dan papan tanda mudah dikenal pasti dan diberi penjelasan.
Sistem Penjejakan Pejalan Kaki
Penjejakan pejalan kaki dilakukan dengan menjejaki dan menganotasi pergerakan pejalan kaki dalam setiap bingkai video supaya kenderaan autonomi dapat menentukan dengan tepat pergerakan pejalan kaki.
Pembezaan Lorong
Pembezaan lorong memainkan peranan penting dalam pembangunan sistem kenderaan autonomi. Dalam kenderaan autonomi, garisan dilukis di atas lorong, jalan dan kaki lima menggunakan anotasi garis poli untuk membolehkan pembezaan lorong yang tepat.
Sistem ADAS
Sistem Bantuan Pemandu Lanjutan membantu kenderaan autonomi mengesan tanda jalan, pejalan kaki, kereta lain, bantuan tempat letak kereta dan amaran perlanggaran. Untuk membolehkan penglihatan komputer in ADAS, semua imej papan tanda jalan mesti diberi anotasi dengan berkesan untuk mengecam objek dan senario serta mengambil tindakan tepat pada masanya.
Sistem Pemantauan Pemandu / Pemantauan Dalam Kabin
Pemantauan dalam kabin juga membantu memastikan keselamatan penumpang kenderaan dan lain-lain. Kamera yang diletakkan di dalam kabin mengumpul maklumat penting pemandu seperti mengantuk, pandangan mata, gangguan, emosi dan banyak lagi. Imej dalam kabin ini diberi penjelasan dengan tepat dan digunakan untuk melatih model pembelajaran mesin.
Dengan bantuan teknik anotasi imej kotak sempadan, plat nombor mudah ditemui dan diekstrak daripada imej kenderaan.Shaip ialah syarikat anotasi data terulung, memainkan peranan penting dalam menyediakan perniagaan dengan data latihan berkualiti tinggi untuk menjana sistem kenderaan autonomi. kami pelabelan imej dan ketepatan anotasi telah membantu membina produk AI terkemuka dalam pelbagai segmen industri, seperti penjagaan kesihatan, runcit dan automotif.
Kami menyediakan sejumlah besar set data latihan yang pelbagai untuk semua pembelajaran mesin dan model pembelajaran mendalam anda pada harga yang kompetitif.
Bersedia untuk mengubah projek AI anda dengan pembekal data latihan yang boleh dipercayai dan berpengalaman.
