Algorithmen für selbstfahrende Autos werden immer mehr Realität.
Aber wie funktionieren sie?
Was ist die Insider-Geschichte über selbstfahrende Autoalgorithmen?
Dieser Blogbeitrag wird diese Fragen beantworten. Es wird auch erklären, was sie für Fußgänger, Radfahrer und andere Autofahrer so gefährlich macht – und warum wir uns darüber Sorgen machen sollten.
Lassen Sie uns zunächst darüber sprechen, wie diese KI-Systeme tatsächlich funktionieren. Der Kern jedes selbstfahrenden Algorithmus ist ein tiefes neuronales Netzwerk (DNN). DNNs verwenden ein künstliches neuronales Netzwerk, um Daten in Schichten darzustellen: Eingabeschicht, versteckte Schicht(en) und Ausgabeschicht. Sie sind berüchtigt dafür, dass sie viele Parameter haben, die es schwierig machen, sie zu trainieren. Glücklicherweise gibt es viele verschiedene Arten von Lerntechniken, die helfen können, dieses Problem zu lindern. Zum Beispiel können wir Pre-Training und Transfer-Learning nutzen, um den Trainingsprozess schneller und genauer zu gestalten.
Es gibt eine Reihe verschiedener Arten von DNNs: Faltungsschichten, rekurrente Schichten (RNN) und Feedforward-Schichten (FF) werden alle häufig in Deep-Learning-Anwendungen wie Algorithmen für selbstfahrende Autos verwendet. Faltungsebenen wenden einen Kernel oder Filter an, um High-Level-Features aus einer Eingabe zu extrahieren, sodass jedes Element in der Ausgabe im Vergleich zur vorherigen Ebene sehr ähnliche Abmessungen hat. RNNs machen sich zeitliche Abhängigkeiten zunutze, was bedeutet, dass sie in Situationen verwendet werden können, in denen Sie verstehen müssen, wie sich etwas im Laufe der Zeit ändert – wie zum Beispiel das Verstehen von Sprache oder das Erkennen von Objekten in Bildern/Videos. Feedforward-Layer können räumliche Abhängigkeiten besser erfassen, weshalb sie häufig in sehr präzisen Klassifizierungsaufgaben verwendet werden.
Um diese DNNs zu trainieren, können wir eine von zwei Techniken verwenden: überwachtes Lernen oder unüberwachtes Lernen. Beim überwachten Lernen wird dem Modell während des Trainings die gewünschte Ausgabe für jede Eingabe gegeben; Dies funktioniert normalerweise am besten, wenn ein Label verfügbar ist, das jeder Beobachtung entspricht. Beim unüberwachten Lernen wird ein nicht gekennzeichneter Datensatz verwendet und ihm selbst Funktionen zugewiesen, damit er sie selbst mit Mustern gruppieren kann. Dieser Ansatz ermöglicht es uns, Objekte ohne Beschriftungen zu klassifizieren – was Algorithmen für selbstfahrende Autos im Vergleich zu den meisten anderen Bildverarbeitungsanwendungen, bei denen Beschriftungen in fast allen Fällen vorhanden sind, besonders einzigartig macht.
Der nächste Schritt bei der Beschreibung selbstfahrender Autoalgorithmen besteht darin, zu verstehen, was sie für Fußgänger, Radfahrer und andere Autofahrer schwierig macht. Die Antwort auf diese Frage liegt darin, wie diese KI-Systeme sich bewegende Objekte erkennen. Stellen Sie sich zum Beispiel vor, Sie sind ein autonomes Auto, das sich einem Zebrastreifen ohne Stoppschild oder Ampel nähert. Wenn der Fußgänger an der Kreuzung den Knopf drückt, aktiviert er ein Signal, das den Autos sagt, dass sie Vorfahrt haben. Unser KI-System muss sich auf dieses drahtlose Funksignal verlassen, um zu entscheiden, ob es langsamer werden oder anhalten soll – andernfalls kann es möglicherweise nicht schnell genug reagieren, wenn sie überqueren, ohne in beide Richtungen zu schauen.
Dies wirft mehrere Probleme auf: Erstens haben HF-Signale oft eine kurze Reichweite, sodass ihre Verwendung für selbstfahrende Autoalgorithmen nicht ideal ist, da wir zusätzliche Sensoren darüber montieren müssten; Wir bräuchten auch mehr Infrastruktur und eine stadtweite Koordination, damit es funktioniert. Zweitens sind die Funkgeräte oft batteriebetrieben, sodass sie in bestimmten Situationen unzuverlässig sein können – obwohl dies auch bei menschlichen Fußgängern und nicht nur bei KI-Systemen ein Problem ist. Drittens: Bei Störungen oder fehlender Konnektivität weiß unser KI-System nicht, wann jemand überqueren wird oder ob es anhalten/verlangsamen sollte. Das vierte Problem besteht darin, dass selbstfahrende Autoalgorithmen keinen Zugriff auf diese Art von Signalen haben, da die meisten noch nicht direkt mit lokalen drahtlosen Netzwerken verbunden sind.
Dies bedeutet, dass KI-Systeme auf andere Arten von Eingabedaten angewiesen sind, um Kreuzungen zu navigieren – wie zum Beispiel außen angebrachte Kameras, Kameras im Inneren des Autos, um Passagiere zu erkennen, und Sensoren an den Rädern, um die Geschwindigkeit zu messen. Dies wirft auch einige Probleme auf: Wenn beispielsweise jemand mit einem RC-Auto oder einem anderen Controller eine Ampel auslöst, könnte unser KI-System Probleme haben, dies zu erkennen, da keine Kameras auf diese Kreuzung gerichtet sind. Außerdem benötigen Ampeln Strom, sodass sie in bestimmten Situationen ausfallen können – und dies ist besonders problematisch, wenn die Batterie unseres selbstfahrenden Autos leer ist.
Es gibt jedoch viele andere Herausforderungen, die mit dem Training selbstfahrender Autoalgorithmen verbunden sind. Zum Beispiel betrafen die ersten Probleme hauptsächlich die Objekterkennung, während Fußgänger/Radfahrer nicht anwesend waren, da sie sich viel langsamer fortbewegen als Autos, sodass ihre Geschwindigkeitsvektoren im Vergleich zu Autos nicht so groß waren. Wir nähern uns jedoch jetzt einem Wendepunkt, an dem die Geschwindigkeiten selbstfahrender Autos anfangen, mit Humanoiden zu konkurrieren, und dort werden sie viel schwieriger zu erkennen.
Es gibt auch das Problem der Trainingsdaten: Wenn wir sie mit zu vielen Stichproben aus einer bestimmten Stadt trainieren, kommen sie möglicherweise nicht gut mit Kreuzungen in anderen Städten zurecht. Dies ist ein besonders großes Problem für Unternehmen wie Google, die jahrelang um die ganze Welt gereist sind, um jede einzelne Kreuzung zu kartieren, damit KI-Systeme schließlich überall auf der Welt eingesetzt werden können. Lesen Sie hier mehr zu diesem Thema oder schauen Sie sich diese Videoserie zum Thema Machine Vision an.
Da es für diese Art von Algorithmen schwierig ist, an Kreuzungen zu navigieren, entwickeln einige Forscher neue Methoden, die auf Reinforcement Learning anstelle von überwachtem Lernen basieren. Diese Technik beinhaltet das Training eines selbstfahrenden Autos, um Kreuzungen zu navigieren, indem zufällig erraten wird, was es nach jedem Schritt tun soll – beispielsweise ob seine Geschwindigkeit beschleunigt oder verzögert werden soll und in welche Richtung. Es probiert eine große Anzahl von Aktionen aus, bis es den richtigen Weg von A nach B lernt, ähnlich wie Tiere von ihren Eltern lernen, anstatt explizit unterrichtet zu werden.
Natürlich basieren Reinforcement-Learning-Algorithmen immer noch auf Sensoren, die um das Auto herum platziert sind, wie beispielsweise Kameras, die Fußgänger/Fahrräder erkennen. Ein Vorteil besteht darin, dass sie im Laufe der Zeit besser mit Kreuzungen umgehen können, da wir unsere anfänglichen Schätzungen mit jedem aufeinanderfolgenden Versuch verbessern können. Ein weiterer Vorteil ist, dass diese Systeme keine teure Infrastruktur wie Ampeln und Funksender benötigen – obwohl sie trotzdem in der Lage sein müssen, Personen ohne sie zu erkennen.
Aus diesem Grund verwenden einige Forscher für selbstfahrende Autos, wann immer möglich, den Menschen als zusätzliche Quelle für Signaldaten. Mit ausreichend Training können sie unseren KI-Systemen verlässliche Informationen über bevorstehende Kreuzungen liefern – und je mehr Daten sie erhalten, desto besser werden ihre Entscheidungen. Dies könnte auch für andere Aufgaben nützlich sein, z. B. um unseren Robotergefährten bei der Navigation durch überfüllte Bereiche zu helfen oder sogar versteckte Objekte in Häusern zu finden, da Roboter normalerweise auf Kameras/Sensoren und nicht auf das menschliche Sehvermögen angewiesen sind.
Natürlich hat diese Methode ihre Schwächen – zum Beispiel sind Menschen nicht unfehlbar und nicht alle von uns haben die gleiche Erfahrung in der Navigation durch Städte und es gibt immer Raum für Fehler, wenn es darum geht, Anweisungen an selbstfahrende Autos zu senden. Es ist unklar, wie gut unsere maschinellen Lernalgorithmen in verschiedenen Umgebungen funktionieren werden, insbesondere weil die menschliche Entscheidungsfindung tendenziell vom Stadtbild selbst beeinflusst wird, was bedeutet, dass es schwierig ist, zwischen Standorten zu verallgemeinern. Aus diesem Grund empfehlen viele Experten vorerst immer noch das überwachte Lernen, bis wir fortschrittlichere Modelle entwickeln, die diese Probleme bewältigen können.
Auch wenn es jedes Jahr weniger Autounfälle mit Selbstfahrern gibt, passieren sie im Allgemeinen an Kreuzungen, an denen Forscher Schwierigkeiten hatten, KI-Systeme zu trainieren, da die Daten für bestimmte Regionen/Länder wie ländliche Gebiete entweder unvollständig oder einfach nicht verfügbar sind. Wenn Sie mehr über zusätzliche Herausforderungen bei der Entwicklung autonomer Fahrzeuge erfahren möchten, klicken Sie hier oder lesen Sie diese Artikelserie zum Deep Reinforcement Learning.
Selbstfahrende Autos werden in der Tech-Welt immer beliebter. Die Algorithmen dieser Maschinen sind komplex, aber wenn Sie sie verstehen, können Sie verstehen, was dazu beiträgt, dass sie richtig funktionieren.
Wie funktionieren selbstfahrende Autos?
Vereinfacht gesagt verarbeitet das Auto eine Reihe von Algorithmen, um große Datenmengen aus seiner Umgebung zu verarbeiten. Um zu verstehen, was dies bedeutet, ist es wichtig zu verstehen, was ein Algorithmus ist. In der Informatik ist ein Algorithmus eine Reihe von Schritt-für-Schritt-Verfahren oder Regeln, die definieren, wie Informationen verarbeitet und gehandhabt werden. Selbstfahrende Autos verarbeiten mit diesen Algorithmen bestimmte Dinge über ihre Umgebung und treffen darauf basierende Vorhersagen – zum Beispiel die Geschwindigkeit, mit der sich Objekte relativ zueinander bewegen. In einem selbstfahrenden Auto sind viele Arten von Algorithmen zu finden: Objekterkennung und -klassifizierung, Bewegungsplanung und -vorhersage, Lokalisierung und Kartierung (SLAM) usw. Diese Berechnungen werden von vielen verschiedenen Arten von Sensoren durchgeführt, einschließlich Kameras und Laserscannern.
Selbstfahrende Autos verwenden eine Vielzahl verschiedener Sensoren, um ihre Umgebung zu verfolgen. Einige der wichtigsten Sensortechnologien, die in selbstfahrenden Autos verwendet werden, sind Radar, Lidar und optische Bildgebung. Radar sendet Funkwellen aus, um Objekte zu erkennen, indem es sie von Oberflächen reflektiert – es ist gut, um feste/große Objekte zu sehen, die nur mit optischen Daten schwierig sein können. Lidar ist die Abkürzung für Light Detection and Ranging – es verwendet Laserlicht anstelle von Funkwellen, um Oberflächen wie Straßenmarkierungen und Fahrspuren zu erkennen, die nachts oder bei Regen/Schnee schwer zu erkennen sind. Optische Bildgebung ist genau das, wonach es sich anhört: Die Kameras des Autos nehmen Bilder auf, die Dinge wie Ampeln, Wegweiser, Fußgänger usw. enthalten. Radar, Lidar und optische Bildgebung sind alle wichtig, um das Umweltbewusstsein des Autos zu verbessern.
Selbstfahrende Autos müssen mehrere Dinge gleichzeitig tun, um selbstständig sicher fahren zu können. Zuerst müssen sie die Umgebung um sie herum mit den Daten ihrer verschiedenen Sensoren erfassen – dann müssen sie diese Daten zu Informationen verarbeiten, die verwendet werden können, um zu bestimmen, welche Maßnahmen als nächstes ergriffen werden müssen. Um dies zu erreichen, verwenden selbstfahrende Autos Algorithmen, die als eine Reihe von Verfahren oder Regeln fungieren, denen das Auto folgt, um Vorhersagen basierend auf Umgebungshinweisen zu treffen. Die Technologien, die in selbstfahrenden Autos verwendet werden, werden mit jedem neueren Modell, das auf die Straße kommt, ständig verbessert – aber obwohl diese Maschinen immer besser werden, ist es noch ein langer Weg, bis sie zum Mainstream werden.
Wer sind die Menschen hinter diesen Algorithmen? Selbstfahrende Autos sind komplexe Maschinenteile, in denen ständig viele verschiedene Prozesse ablaufen – deshalb braucht es Teams von engagierten Fachleuten, damit sie richtig funktionieren. Es gibt unzählige Karrieren in der Welt der selbstfahrenden Autos, aber einige der häufigsten sind Computer Vision-Ingenieure, Robotik-Ingenieure und Software-Entwickler. Jedes einzelne spielt eine wichtige Rolle bei der Entwicklung oder Verbesserung neuer Modelle, die für verschiedene Zwecke verwendet werden können. Darüber hinaus bietet jede neue Innovation Chancen für andere, die sich in ihren Produktionsprozess einbringen möchten. Das Endergebnis? Da Unternehmen auf der ganzen Welt Zeit und Forschung in selbstfahrende Autos investieren, ist es nur eine Frage der Zeit, bis diese Maschinen perfektioniert und in die Gesellschaft eingeführt werden.
Was sind weitere Fakten über selbstfahrende Autos? Wenn Sie daran interessiert sind, selbst Teil dieser Branche zu werden, oder einfach nur mehr über die Technologie erfahren möchten, die für die ordnungsgemäße Funktion dieser Fahrzeuge erforderlich ist, besuchen Sie noch heute den folgenden Kurs.
Was ist ein Algorithmus?
Ein Algorithmus ist ein bestimmter Satz von Regeln, die befolgt werden, um eine Aufgabe zu erfüllen. Im Fall von selbstfahrenden Autos ist dies ein Algorithmus, der dem Auto sagt, was es tun soll, um sich zu bewegen und Hindernissen auszuweichen, während es gleichzeitig versucht, Ampeln zu folgen. Selbstfahrende Autos erhalten von Sensoren Informationen über die Umgebung, die die Algorithmen verarbeiten und bestimmen, wie es am besten vorgeht. Diese Technologie ist vielversprechend, denn wenn sie perfektioniert wäre, wäre sie für alle im Straßenverkehr sicherer, da diese Maschinen perfekte Reaktionszeiten haben werden anstelle der menschlichen Reaktionszeiten, die aufgrund verschiedener psychologischer Faktoren nachweislich langsamer sind. Diese Algorithmen sind sehr vielversprechend, da sie das Transportwesen, wie wir es kennen, potenziell verändern könnten und Unfälle und Todesfälle drastisch reduzieren könnten, indem sie das Autofahren viel sicherer machen. Das Problem ist jedoch, dass die Forschung zu dieser Technologie noch sehr neu ist, was bedeutet, dass die Zukunft noch unklar ist. Bei der Implementierung dieser Algorithmen müssen viele Faktoren berücksichtigt werden, wie beispielsweise die Wetterbedingungen und die allgemeine Fahrkultur in verschiedenen Ländern.
Wie funktionieren selbstfahrende Autoalgorithmen?
Diese Algorithmen sind sehr vielversprechend, da sie das Transportwesen, wie wir es kennen, potenziell verändern könnten und Unfälle und Todesfälle drastisch reduzieren könnten, indem sie das Autofahren viel sicherer machen. Das Problem ist jedoch, dass die Forschung zu dieser Technologie noch sehr neu ist, was bedeutet, dass die Zukunft noch unklar ist. Bei der Implementierung dieser Algorithmen müssen viele Faktoren berücksichtigt werden, wie beispielsweise die Wetterbedingungen und die allgemeine Fahrkultur in verschiedenen Ländern.
Warum sind sie wichtig bei der Entwicklung selbstfahrender Autos?
fahrende Autos erhalten von Sensoren über die Umgebung Informationen, die die Algorithmen verarbeiten und bestimmen, wie es am besten vorgeht.
Wie wird sich das in Zukunft auf unsere Welt auswirken?
Wenn diese Maschinen perfektioniert würden, wäre es für alle im Straßenverkehr sicherer, da diese Maschinen perfekte Reaktionszeiten haben werden, anstatt menschliche Reaktionszeiten, die aufgrund verschiedener psychologischer Faktoren nachweislich langsamer sind. Diese Algorithmen sind vielversprechend, da sie das Verkehrswesen potenziell verändern und Unfälle und Todesfälle drastisch reduzieren könnten, indem sie das Autofahren viel sicherer machen.
Die Zukunft des Transportwesens und wie es die Dinge für uns alle verändern könnte?
Die Forschung zu dieser Technologie ist noch sehr jung, was bedeutet, dass ihre Zukunft noch unklar ist. Bei der Implementierung dieser Algorithmen müssen viele Faktoren berücksichtigt werden, wie beispielsweise die Wetterbedingungen und die allgemeine Fahrkultur in verschiedenen Ländern.
Die besten Kurse über selbstfahrende Autos
- Spezialisierung auf selbstfahrende Autos
- Tech Out für selbstfahrende Autos
- Deep Learning-Spezialisierung
- Master of Computer Vision
- Maschinelles Lernen
Was sind die Vorteile eines selbstfahrenden Autos gegenüber einem normalen Auto?
Selbstfahrende Autos wären in allen Facetten des Fahrens sicherer und effizienter als ein normales Auto. Die Art und Weise, wie die Autos selbst fahren würden, würde sie viel sicherer machen und Unfälle vermeiden. Sie könnten auch bei starkem Verkehr besser fahren. Darüber hinaus könnten sie Parkplätze finden, wenn es sonst niemand kann, was sie bei der Suche nach Plätzen in Städten äußerst nützlich macht. Insgesamt sind selbstfahrende Autos im Allgemeinen viel sicherer und effizienter als normale Autos und bieten Vorteile, die in einem normalen Auto nicht zu finden sind.
Was sind die Nachteile eines selbstfahrenden Autos gegenüber einem normalen Auto?
Selbstfahrende Autos wären viel teurer als normale Autos, und der Preis ist es für viele Menschen möglicherweise nicht wert. Dies gilt insbesondere dann, wenn es keine Infrastruktur gibt, um diese Fahrzeuge auf den Straßen zu unterstützen. Darüber hinaus könnten sie sich aufgrund ihrer komplexen Natur als schwierig erweisen, sie kontinuierlich zu warten. Insgesamt können selbstfahrende Autos Vorteile bieten, aber diese neuen Technologien haben mehrere Nachteile, die derzeit nicht ignoriert werden können.
Wer entwickelt selbstfahrende Autoalgorithmen und was tun sie, um sie zu verbessern?
Das Who der selbstfahrenden Algorithmen ist ein heißes Thema. Viele Unternehmen konkurrieren um den Spitzenplatz, darunter Google, Tesla, Uber und Apple. Jedes Unternehmen hat seine eigenen Stärken und Schwächen. Google beispielsweise verfügt über einen riesigen Datenpool, mit dem es seine Algorithmen verbessern kann. Tesla ist es gelungen, eine sehr fortschrittliche Hardware-Suite zu entwickeln, die in seinen Autos verwendet wird. Uber ist gut darin, Daten zu kartieren und zu verfolgen. Apple ist in diesem Bereich noch relativ unbekannt, aber es wird angenommen, dass sie an etwas Großem arbeiten.
Was diese Unternehmen tun, um ihre Algorithmen zu verbessern, ist unterschiedlich. Einige Unternehmen konzentrieren sich darauf, die künstliche Intelligenz hinter den Algorithmen zu verbessern. Andere versuchen, die Sensoren und Kameras zu verbessern, die in den Algorithmen verwendet werden. Die meisten Unternehmen versuchen auch, das Mapping und Tracking von Daten zu verbessern. Allen gemeinsam ist vor allem, dass sie Algorithmen für selbstfahrende Autos entwickeln, die die Zukunft des Verkehrs darstellen.
Die Zukunft selbstfahrender Autos und wie sie unser Leben zum Besseren verändern werden
Die Revolution der selbstfahrenden Autos kommt und wird unser Leben zum Besseren verändern. Stellen Sie sich vor, Sie müssen sich nie wieder Sorgen machen, sich zu verirren oder zu spät zur Arbeit zu kommen. Mit selbstfahrenden Autos können Sie sich entspannen und die Fahrt genießen, während Ihr Auto die ganze Arbeit erledigt.
Selbstfahrende Autos werden nicht nur unser Leben erleichtern, sondern auch unsere Straßen sicherer machen. Laut einer Studie des MIT könnten selbstfahrende Autos die Zahl der Verkehrstoten um bis zu 90 % reduzieren. Das sind viele Leben gerettet!
Also, was ist der Halt? Warum gibt es nicht schon überall selbstfahrende Autos? Die Antwort ist einfach: Regulierung. Die Technologie ist vorhanden, aber Regierungen auf der ganzen Welt versuchen immer noch herauszufinden, wie die Nutzung dieser Autos reguliert und umgesetzt werden kann.
Um die Dinge zu beschleunigen, bitten wir Google, mit Regierungen auf der ganzen Welt zusammenzuarbeiten, um einen einheitlichen Rechtsrahmen für die Regulierung selbstfahrender Autos zu schaffen. Auf diese Weise können sie, anstatt jedes Land das Rad neu zu erfinden, einfach auf diesen Rahmen als Grundlage für ihre Gesetze zurückgreifen. Wir möchten auch, dass diese Regierungsbehörden die Bemühungen von Google in diesem Bereich öffentlich unterstützen.
Der Unterschied zwischen einem selbstfahrenden Auto und einem Auto mit Fahrerassistenz
Fahrerassistierte Autos sind Autos, die über Funktionen verfügen, die dem Fahrer bei bestimmten Aufgaben wie dem Einparken oder dem Halten der Fahrspur helfen. Ein selbstfahrendes Auto hingegen ist ein Auto, das ohne Hilfe des Fahrers selbst fahren kann. Ein weiterer Unterschied besteht darin, dass ein selbstfahrendes Auto ohne menschliche Eingaben navigieren kann, während ein fahrergestütztes Auto zumindest eine gewisse Interaktion des Fahrers benötigt.
Selbstfahrende Autos sind kein Witz und sie haben eine lange Zeit in der Entwicklung gedauert. Wir alle wissen, wie teuer es ist, Fahrer einzustellen, ihre Fahrzeuge aufzutanken und sich um sie zu kümmern, wenn sie krank oder verletzt sind. Da sich die Technologie für selbstfahrende Autos in den letzten Jahren weiterentwickelt hat, sehen wir, dass immer mehr fahrerlose Fahrzeugmodelle für Verbraucher auf den Markt kommen, die diesen Luxus wünschen, ohne den höchsten Preis zu zahlen. Bleibt die Frage: Was bedeutet das für den zukünftigen Verkehr? Glauben Sie, dass diese autonomen Fahrzeuge jede Situation gut genug meistern können, um keine Unfälle zu verursachen? Denken Sie an Ihre eigenen Erfahrungen mit menschlichen Fahrern zurück – es gab wahrscheinlich viele Male, in denen Sie jemand abgeschnitten oder einen unsicheren Spurwechsel in Ihrer Nähe vorgenommen hat!
Interessieren Sie sich für ein selbstfahrendes Auto? Kontaktiere uns!
