Подписку на печатную версию журнала «Дороги и транспорт» на 2024 год можно оформить, оплатив счет 

Подписка ДиТ 2024\счет ПФ (1 экз).pdf

 
 

57d3d0a9e386c157136717cc   Telegram-cl-bg  klka-sposobv-yak-vdnoviti-listuvannya-na-odnoklasnikah_461

 

 
 
  •  
  •  
  •  
  •  
  •  
  •  

img01

Ваш надежный информационный партнер

Тел.: 8(495) 648-29-54; 8 (968) 498-38-85

 dortransport@mail.ru

Мнение эксперта. Применение нейронных сетей в технологии беспилотного транспорта

« Назад

Автор статьи

Куличков Андрей Сергеевич 

Эксперт по беспилотным системам

Москва, Россия 

andre-Kulichkov@mail.ru 

Автономный транспорт, некогда являвшийся футуристической концепцией, теперь реализуется благодаря конвергенции нейронных сетей и передовых технологий. Нейронные сети, вдохновленные функциями человеческого мозга, играют ключевую роль в этом преобразующем движении, позволяя распознавать паттерны и принимать решения в сложных условиях. 

В этой статье предпринята попытка прояснить роль нейронных сетей в продолжающейся эволюции автономного транспорта. Углубляясь в тонкости их применения — от обнаружения объектов до планирования траектории.

Актуальность этой темы подчеркивается быстрым распространением пилотных программ в городах по всему миру и глубокими социальными последствиями, которые принесут эти транспортные средства.

 

Основные компоненты и функции нейронных сетей в автономном транспорте

Нейронные сети, отражающие архитектуру человеческого мозга, являются основой автономного транспорта, интерпретируя обширные данные для автономного принятия решений [1]. Изначально они имели входной уровень, принимающий данные от бортовых датчиков, таких как ЛИДАР и камеры (рис. 1). Скрытые слои, состоящие из взаимосвязанных узлов, анализируют эти данные, выявляя нюансы, достигая решения в выходном слое, который определяет решения транспортного средства [3].

  Изображение WhatsApp 2023-09-06 в 05.43.53

 

1 - Камера над задним номерным знаком; 2 - Ультразвуковые датчики в переднем и заднем бамперах; 3 - Камера в стойках дверей; 4 - Три камеры на лобовом стекле; 5 - Камеры на передних крыльях; 6 - Радар за передним бампером.

Рисунок 1 - Расположение камер в системе (на примере Tesla)

 

Одной из наиболее важных задач, решаемых этими нейронными сетями, является обнаружение и классификация объектов. Будь то пешеход или транспортное средство, внезапно остановившееся в пробке, сверточные нейронные сети (CNN) тщательно изучают визуальные данные, быстро распознавая и классифицируя эти объекты. Эта возможность работы в режиме реального времени не только обеспечивает безопасность, но и облегчает плавную навигацию.

На рисунке 2 представлен процесс обработки данных ЛИДАРА [6].

 

Изображение WhatsApp 2023-09-06 в 05.43.54

Рисунок 2 - Процесс обработки данных ЛИДАРА

 

Глубокие нейронные сети сегментируют визуальные данные с точностью до пикселя, выделяя полосы движения и различая пригодные для движения участки местности, предлагая всесторонний портрет окружающей среды [4].

Не менее важны и возможности прогнозирования. Нейронные структуры предвидят такие события, как траектория движения велосипедиста или намерение автомобиля сменить полосу движения, обогащая процесс принятия транспортных решений вероятностными прогнозами. Наконец, преобразование информации в действия — будь то рулевое управление или торможение — достигается за счет интеграции нейронных выходов с алгоритмами управления автомобилем, гарантируя, что решения отражают намеченную траекторию, оптимизируя безопасность и комфорт [5].

 

Данные и обучение в области автономного транспорта

В области автономного транспорта данные выступают в качестве основы, определяющей работоспособность нейронных сетей [2]. Транспортные средства с их набором датчиков собирают разнообразную информацию об окружающей среде - от визуальных снимков до карт глубины и измерений скорости. (рис. 3). 

Изображение WhatsApp 2023-09-06 в 05.43.523

Рисунок 3 - Компоненты сбора информации

 

Эти обширные данные, полученные на различных участках местности и в различных условиях, отражают сложности вождения в реальном мире. Тем не менее, необработанные данные требуют уточнения. Благодаря снижению шума и объединению данных создается целостное представление среды. Кроме того, чтобы расширить набор обучающих данных и повысить адаптивность сети, методы увеличения объема данных тонко модифицируют существующие наборы данных для создания новых, разнообразных обучающих выборок.

Организация обучения - это сложный процесс (рис. 4). 

Изображение WhatsApp 2023-09-06 в 05.43.32

Рисунок 4 - Виды обучения ИИ

 

Обучение этих сетей сочетает в себе множество подходов. В то время как обучение под наблюдением, основанное на установленных стандартах, является обычным делом, непредсказуемая среда вождения также требует обучения без присмотра и с подкреплением. Последний корректирует нейронные стратегии на основе обратной связи при принятии решения. Технология Transfer learning, которая настраивает предварительно обученные сети для выполнения конкретных задач вождения, обеспечивает как широкое понимание, так и экспертные знания в конкретной задаче.

Тщательная оценка после обучения обеспечивает надежность модели, предотвращая переобучение и подтверждая ее применимость в реальных условиях. Имитационные тесты еще больше подготавливают сеть к дорожным испытаниям. 

Однако история не заканчивается первоначальным обучением. Поскольку транспортные средства передвигаются по разнообразной местности и сталкиваются с новыми ситуациями, механизмы непрерывного обучения позволяют совершенствовать их на ходу, гарантируя, что система постоянно адаптируется к меняющимся условиям дорожного движения (рис. 5).

 

Изображение WhatsApp 2023-09-06 в 05.43.32

Рисунок 5 - Полный цикл обучения ИИ

 

Таким образом, симбиоз сбора данных, их уточнения и индивидуальных методов обучения расширяет возможности нейронных сетей в автономном транспорте, обеспечивая их способность справляться с непредсказуемостью и нюансами навигации в реальном мире.

 

Заключение

Автономный транспорт, поддерживаемый продвинутыми нейронными сетями, знаменует собой ключевую технологическую конвергенцию. В этом исследовании изучались компоненты, управление данными в области мобильности и логистики. Хотя преимущества, такие как повышенная безопасность и эффективность, очевидны, дальнейший путь сопряжен с техническими, этическими и социальными препятствиями. Слияние нейронных сетей с автономными системами прогнозирует многомерную эволюцию, влияющую на вычислительные сферы, социальные нормы и городской дизайн. Успех зависит от сотрудничества, прозрачности и соблюдения этических норм. В конечном счете, эта интеграция знаменует собой эпоху преобразований, когда машины гармонично встраиваются в структуру нашего общества, предвещая беспрецедентный потенциал и перемены.

 

Список литературы

  1. Чен К., Чжао Дж. Обзор самых современных технологий для автономных транспортных средств. Журнал "Компьютерная инженерия и прикладные программы", 2017. 6(2), 58-72.
  2. Гудфеллоу И., Бенжио Ю., Курвиль А. Глубокое обучение. Издательство Массачусетского технологического института, 2016
  3. Левинсон Дж. Введение в автономных роботов. Независимое издательство. 2013
  4. Трун С. К роботизированным автомобилям. Коммуникации ACM, 2010. 53(4), 99-106.
  5. Чжао Ф., Хан Дж., Неджати А. Эволюция нейронных сетей в автономных транспортных средствах: вызовы и будущие тенденции. Журнал интеллектуальных транспортных систем, 2017. 21(4), 304-317.
«Глаза» беспилотных автомобилей: LiDAR и компьютерное зрение. Хабр. 2023. [Электронный ресурс] - Режим доступа: https://habr.com/ru/companies/first/articles/728224/

Комментарии


Комментариев пока нет

Пожалуйста, авторизуйтесь, чтобы оставить комментарий.
Также Вы можете войти через:
При входе и регистрации вы принимаете пользовательское соглашение
Пожалуйста, авторизуйтесь, чтобы оставить комментарий.

Авторизация
Введите Ваш логин или e-mail:

Пароль :
запомнить