Algorithmen f\u00fcr selbstfahrende Autos werden immer mehr Realit\u00e4t. <\/p>\n\n
Dieser Blogbeitrag wird diese Fragen beantworten. Es wird auch erkl\u00e4ren, was sie f\u00fcr Fu\u00dfg\u00e4nger, Radfahrer und andere Autofahrer so gef\u00e4hrlich macht \u2013 und warum wir uns dar\u00fcber Sorgen machen sollten.<\/p>\n\n
Lassen Sie uns zun\u00e4chst dar\u00fcber sprechen, wie diese KI-Systeme tats\u00e4chlich funktionieren. Der Kern jedes selbstfahrenden Algorithmus ist ein tiefes neuronales Netzwerk (DNN). DNNs verwenden ein k\u00fcnstliches neuronales Netzwerk, um Daten in Schichten darzustellen: Eingabeschicht, versteckte Schicht(en) und Ausgabeschicht. Sie sind ber\u00fcchtigt daf\u00fcr, dass sie viele Parameter haben, die es schwierig machen, sie zu trainieren. Gl\u00fccklicherweise gibt es viele verschiedene Arten von Lerntechniken, die helfen k\u00f6nnen, dieses Problem zu lindern. Zum Beispiel k\u00f6nnen wir Pre-Training und Transfer-Learning nutzen, um den Trainingsprozess schneller und genauer zu gestalten.<\/p>\n\n
Es gibt eine Reihe verschiedener Arten von DNNs: Faltungsschichten, rekurrente Schichten (RNN) und Feedforward-Schichten (FF) werden alle h\u00e4ufig in Deep-Learning-Anwendungen wie Algorithmen f\u00fcr 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 \u00e4hnliche Abmessungen hat. RNNs machen sich zeitliche Abh\u00e4ngigkeiten zunutze, was bedeutet, dass sie in Situationen verwendet werden k\u00f6nnen, in denen Sie verstehen m\u00fcssen, wie sich etwas im Laufe der Zeit \u00e4ndert \u2013 wie zum Beispiel das Verstehen von Sprache oder das Erkennen von Objekten in Bildern\/Videos. Feedforward-Layer k\u00f6nnen r\u00e4umliche Abh\u00e4ngigkeiten besser erfassen, weshalb sie h\u00e4ufig in sehr pr\u00e4zisen Klassifizierungsaufgaben verwendet werden.<\/p>\n\n
Um diese DNNs zu trainieren, k\u00f6nnen wir eine von zwei Techniken verwenden: \u00fcberwachtes Lernen oder un\u00fcberwachtes Lernen. Beim \u00fcberwachten Lernen wird dem Modell w\u00e4hrend des Trainings die gew\u00fcnschte Ausgabe f\u00fcr jede Eingabe gegeben; Dies funktioniert normalerweise am besten, wenn ein Label verf\u00fcgbar ist, das jeder Beobachtung entspricht. Beim un\u00fcberwachten Lernen wird ein nicht gekennzeichneter Datensatz verwendet und ihm selbst Funktionen zugewiesen, damit er sie selbst mit Mustern gruppieren kann. Dieser Ansatz erm\u00f6glicht es uns, Objekte ohne Beschriftungen zu klassifizieren \u2013 was Algorithmen f\u00fcr selbstfahrende Autos im Vergleich zu den meisten anderen Bildverarbeitungsanwendungen, bei denen Beschriftungen in fast allen F\u00e4llen vorhanden sind, besonders einzigartig macht.<\/p>\n\n
Der n\u00e4chste Schritt bei der Beschreibung selbstfahrender Autoalgorithmen besteht darin, zu verstehen, was sie f\u00fcr Fu\u00dfg\u00e4nger, 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 n\u00e4hert. Wenn der Fu\u00dfg\u00e4nger an der Kreuzung den Knopf dr\u00fcckt, 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 \u2013 andernfalls kann es m\u00f6glicherweise nicht schnell genug reagieren, wenn sie \u00fcberqueren, ohne in beide Richtungen zu schauen.<\/p>\n\n
Dies wirft mehrere Probleme auf: Erstens haben HF-Signale oft eine kurze Reichweite, sodass ihre Verwendung f\u00fcr selbstfahrende Autoalgorithmen nicht ideal ist, da wir zus\u00e4tzliche Sensoren dar\u00fcber montieren m\u00fcssten; Wir br\u00e4uchten auch mehr Infrastruktur und eine stadtweite Koordination, damit es funktioniert. Zweitens sind die Funkger\u00e4te oft batteriebetrieben, sodass sie in bestimmten Situationen unzuverl\u00e4ssig sein k\u00f6nnen \u2013 obwohl dies auch bei menschlichen Fu\u00dfg\u00e4ngern und nicht nur bei KI-Systemen ein Problem ist. Drittens: Bei St\u00f6rungen oder fehlender Konnektivit\u00e4t wei\u00df unser KI-System nicht, wann jemand \u00fcberqueren 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.<\/p>\n\n
Dies bedeutet, dass KI-Systeme auf andere Arten von Eingabedaten angewiesen sind, um Kreuzungen zu navigieren \u2013 wie zum Beispiel au\u00dfen angebrachte Kameras, Kameras im Inneren des Autos, um Passagiere zu erkennen, und Sensoren an den R\u00e4dern, um die Geschwindigkeit zu messen. Dies wirft auch einige Probleme auf: Wenn beispielsweise jemand mit einem RC-Auto oder einem anderen Controller eine Ampel ausl\u00f6st, k\u00f6nnte unser KI-System Probleme haben, dies zu erkennen, da keine Kameras auf diese Kreuzung gerichtet sind. Au\u00dferdem ben\u00f6tigen Ampeln Strom, sodass sie in bestimmten Situationen ausfallen k\u00f6nnen \u2013 und dies ist besonders problematisch, wenn die Batterie unseres selbstfahrenden Autos leer ist.<\/p>\n\n
Es gibt jedoch viele andere Herausforderungen, die mit dem Training selbstfahrender Autoalgorithmen verbunden sind. Zum Beispiel betrafen die ersten Probleme haupts\u00e4chlich die Objekterkennung, w\u00e4hrend Fu\u00dfg\u00e4nger\/Radfahrer nicht anwesend waren, da sie sich viel langsamer fortbewegen als Autos, sodass ihre Geschwindigkeitsvektoren im Vergleich zu Autos nicht so gro\u00df waren. Wir n\u00e4hern uns jedoch jetzt einem Wendepunkt, an dem die Geschwindigkeiten selbstfahrender Autos anfangen, mit Humanoiden zu konkurrieren, und dort werden sie viel schwieriger zu erkennen.<\/p>\n\n
Es gibt auch das Problem der Trainingsdaten: Wenn wir sie mit zu vielen Stichproben aus einer bestimmten Stadt trainieren, kommen sie m\u00f6glicherweise nicht gut mit Kreuzungen in anderen St\u00e4dten zurecht. Dies ist ein besonders gro\u00dfes Problem f\u00fcr Unternehmen wie Google, die jahrelang um die ganze Welt gereist sind, um jede einzelne Kreuzung zu kartieren, damit KI-Systeme schlie\u00dflich \u00fcberall auf der Welt eingesetzt werden k\u00f6nnen. Lesen Sie hier mehr zu diesem Thema oder schauen Sie sich diese Videoserie zum Thema Machine Vision an.<\/p>\n\n
Da es f\u00fcr diese Art von Algorithmen schwierig ist, an Kreuzungen zu navigieren, entwickeln einige Forscher neue Methoden, die auf Reinforcement Learning anstelle von \u00fcberwachtem Lernen basieren. Diese Technik beinhaltet das Training eines selbstfahrenden Autos, um Kreuzungen zu navigieren, indem zuf\u00e4llig erraten wird, was es nach jedem Schritt tun soll \u2013 beispielsweise ob seine Geschwindigkeit beschleunigt oder verz\u00f6gert werden soll und in welche Richtung. Es probiert eine gro\u00dfe Anzahl von Aktionen aus, bis es den richtigen Weg von A nach B lernt, \u00e4hnlich wie Tiere von ihren Eltern lernen, anstatt explizit unterrichtet zu werden.<\/p>\n\n
Nat\u00fcrlich basieren Reinforcement-Learning-Algorithmen immer noch auf Sensoren, die um das Auto herum platziert sind, wie beispielsweise Kameras, die Fu\u00dfg\u00e4nger\/Fahrr\u00e4der erkennen. Ein Vorteil besteht darin, dass sie im Laufe der Zeit besser mit Kreuzungen umgehen k\u00f6nnen, da wir unsere anf\u00e4nglichen Sch\u00e4tzungen mit jedem aufeinanderfolgenden Versuch verbessern k\u00f6nnen. Ein weiterer Vorteil ist, dass diese Systeme keine teure Infrastruktur wie Ampeln und Funksender ben\u00f6tigen \u2013 obwohl sie trotzdem in der Lage sein m\u00fcssen, Personen ohne sie zu erkennen.<\/p>\n\n
Aus diesem Grund verwenden einige Forscher f\u00fcr selbstfahrende Autos, wann immer m\u00f6glich, den Menschen als zus\u00e4tzliche Quelle f\u00fcr Signaldaten. Mit ausreichend Training k\u00f6nnen sie unseren KI-Systemen verl\u00e4ssliche Informationen \u00fcber bevorstehende Kreuzungen liefern \u2013 und je mehr Daten sie erhalten, desto besser werden ihre Entscheidungen. Dies k\u00f6nnte auch f\u00fcr andere Aufgaben n\u00fctzlich sein, z. B. um unseren Robotergef\u00e4hrten bei der Navigation durch \u00fcberf\u00fcllte Bereiche zu helfen oder sogar versteckte Objekte in H\u00e4usern zu finden, da Roboter normalerweise auf Kameras\/Sensoren und nicht auf das menschliche Sehverm\u00f6gen angewiesen sind.<\/p>\n\n
Nat\u00fcrlich hat diese Methode ihre Schw\u00e4chen \u2013 zum Beispiel sind Menschen nicht unfehlbar und nicht alle von uns haben die gleiche Erfahrung in der Navigation durch St\u00e4dte und es gibt immer Raum f\u00fcr 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 \u00fcberwachte Lernen, bis wir fortschrittlichere Modelle entwickeln, die diese Probleme bew\u00e4ltigen k\u00f6nnen.<\/p>\n\n
Auch wenn es jedes Jahr weniger Autounf\u00e4lle mit Selbstfahrern gibt, passieren sie im Allgemeinen an Kreuzungen, an denen Forscher Schwierigkeiten hatten, KI-Systeme zu trainieren, da die Daten f\u00fcr bestimmte Regionen\/L\u00e4nder wie l\u00e4ndliche Gebiete entweder unvollst\u00e4ndig oder einfach nicht verf\u00fcgbar sind. Wenn Sie mehr \u00fcber zus\u00e4tzliche Herausforderungen bei der Entwicklung autonomer Fahrzeuge erfahren m\u00f6chten, klicken Sie hier oder lesen Sie diese Artikelserie zum Deep Reinforcement Learning.<\/p>\n\n
Vereinfacht gesagt verarbeitet das Auto eine Reihe von Algorithmen, um gro\u00dfe 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-f\u00fcr-Schritt-Verfahren oder Regeln, die definieren, wie Informationen verarbeitet und gehandhabt werden. Selbstfahrende Autos verarbeiten mit diesen Algorithmen bestimmte Dinge \u00fcber ihre Umgebung und treffen darauf basierende Vorhersagen \u2013 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 durchgef\u00fchrt, einschlie\u00dflich Kameras und Laserscannern.<\/p>\n\n
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 Oberfl\u00e4chen reflektiert – es ist gut, um feste\/gro\u00dfe Objekte zu sehen, die nur mit optischen Daten schwierig sein k\u00f6nnen. Lidar ist die Abk\u00fcrzung f\u00fcr Light Detection and Ranging \u2013 es verwendet Laserlicht anstelle von Funkwellen, um Oberfl\u00e4chen wie Stra\u00dfenmarkierungen und Fahrspuren zu erkennen, die nachts oder bei Regen\/Schnee schwer zu erkennen sind. Optische Bildgebung ist genau das, wonach es sich anh\u00f6rt: Die Kameras des Autos nehmen Bilder auf, die Dinge wie Ampeln, Wegweiser, Fu\u00dfg\u00e4nger usw. enthalten. Radar, Lidar und optische Bildgebung sind alle wichtig, um das Umweltbewusstsein des Autos zu verbessern.<\/p>\n\n
Selbstfahrende Autos m\u00fcssen mehrere Dinge gleichzeitig tun, um selbstst\u00e4ndig sicher fahren zu k\u00f6nnen. Zuerst m\u00fcssen sie die Umgebung um sie herum mit den Daten ihrer verschiedenen Sensoren erfassen \u2013 dann m\u00fcssen sie diese Daten zu Informationen verarbeiten, die verwendet werden k\u00f6nnen, um zu bestimmen, welche Ma\u00dfnahmen als n\u00e4chstes ergriffen werden m\u00fcssen. 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 Stra\u00dfe kommt, st\u00e4ndig verbessert – aber obwohl diese Maschinen immer besser werden, ist es noch ein langer Weg, bis sie zum Mainstream werden.<\/p>\n\n
Wer sind die Menschen hinter diesen Algorithmen? Selbstfahrende Autos sind komplexe Maschinenteile, in denen st\u00e4ndig viele verschiedene Prozesse ablaufen \u2013 deshalb braucht es Teams von engagierten Fachleuten, damit sie richtig funktionieren. Es gibt unz\u00e4hlige Karrieren in der Welt der selbstfahrenden Autos, aber einige der h\u00e4ufigsten sind Computer Vision-Ingenieure, Robotik-Ingenieure und Software-Entwickler. Jedes einzelne spielt eine wichtige Rolle bei der Entwicklung oder Verbesserung neuer Modelle, die f\u00fcr verschiedene Zwecke verwendet werden k\u00f6nnen. Dar\u00fcber hinaus bietet jede neue Innovation Chancen f\u00fcr andere, die sich in ihren Produktionsprozess einbringen m\u00f6chten. 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 eingef\u00fchrt werden.<\/p>\n\n
Was sind weitere Fakten \u00fcber selbstfahrende Autos? Wenn Sie daran interessiert sind, selbst Teil dieser Branche zu werden, oder einfach nur mehr \u00fcber die Technologie erfahren m\u00f6chten, die f\u00fcr die ordnungsgem\u00e4\u00dfe Funktion dieser Fahrzeuge erforderlich ist, besuchen Sie noch heute den folgenden Kurs.<\/p>\n\n