Gli algoritmi delle auto a guida autonoma stanno diventando sempre pi\u00f9 una realt\u00e0. <\/p>\n\n
Questo post sul blog risponder\u00e0 a queste domande. Spiegher\u00e0 anche cosa li rende cos\u00ec pericolosi per pedoni, ciclisti e altri conducenti e perch\u00e9 dovremmo preoccuparci di questo.<\/p>\n\n
Innanzitutto, parliamo di come funzionano effettivamente questi sistemi di intelligenza artificiale. Il punto cruciale di qualsiasi algoritmo di guida autonoma \u00e8 una rete neurale profonda (DNN). I DNN utilizzano una rete neurale artificiale per rappresentare i dati nei livelli: livello di input, livello nascosto e livello di output. Sono noti per avere molti parametri che li rendono difficili da addestrare. Fortunatamente, ci sono molti diversi tipi di tecniche di apprendimento che possono aiutare ad alleviare questo problema. Ad esempio, possiamo utilizzare la pre-formazione e trasferire l’apprendimento per rendere il processo di formazione pi\u00f9 rapido e accurato.<\/p>\n\n
Esistono diversi tipi di DNN: i livelli convoluzionali, i livelli ricorrenti (RNN) e i livelli feedforward (FF) sono tutti ampiamente utilizzati nelle applicazioni di deep learning come gli algoritmi delle auto a guida autonoma. I livelli convoluzionali applicheranno un kernel o un filtro per estrarre funzionalit\u00e0 di alto livello da un input in modo che ogni elemento nell’output abbia dimensioni molto simili rispetto al livello precedente. Gli RNN sfruttano le dipendenze temporali, il che significa che possono essere utilizzati in situazioni in cui \u00e8 necessario comprendere come qualcosa cambia nel tempo, come la comprensione del parlato o il rilevamento di oggetti in immagini\/video. I livelli feedforward sono pi\u00f9 efficaci nell’acquisizione delle dipendenze spaziali, motivo per cui sono comunemente usati in attivit\u00e0 di classificazione molto precise.<\/p>\n\n
Per addestrare questi DNN, possiamo utilizzare una delle due tecniche: apprendimento supervisionato o apprendimento non supervisionato. Con l’apprendimento supervisionato, l’output desiderato per ogni input viene fornito al modello durante l’addestramento; questo di solito funziona meglio quando \u00e8 disponibile un’etichetta che corrisponde a ciascuna osservazione. L’apprendimento non supervisionato implica l’utilizzo di un set di dati senza etichetta e l’assegnazione di funzionalit\u00e0 da solo in modo che possa raggrupparle insieme a modelli da solo. Questo approccio ci consente di classificare gli oggetti senza etichette, il che rende gli algoritmi delle auto a guida autonoma particolarmente unici rispetto alla maggior parte delle altre applicazioni di visione artificiale in cui le etichette sono presenti in quasi tutti i casi.<\/p>\n\n
Il passo successivo nella descrizione degli algoritmi delle auto a guida autonoma \u00e8 capire cosa li rende difficili per pedoni, ciclisti e altri conducenti. La risposta a questa domanda sta nel modo in cui questi sistemi di intelligenza artificiale rilevano oggetti in movimento. Ad esempio, immagina di essere un’auto a guida autonoma che si avvicina a un passaggio pedonale senza segnale di stop o semaforo. Quando il pedone preme il pulsante all’incrocio, attiver\u00e0 un segnale che dice alle auto che hanno la precedenza. Il nostro sistema di intelligenza artificiale deve fare affidamento su questo segnale radio wireless per determinare se deve rallentare o fermarsi, altrimenti potrebbe non essere in grado di reagire abbastanza rapidamente se si incrociano senza guardare in entrambe le direzioni.<\/p>\n\n
Ci\u00f2 pone diversi problemi: in primo luogo, i segnali RF sono spesso a corto raggio, quindi il loro uso non \u00e8 l’ideale per gli algoritmi delle auto a guida autonoma poich\u00e9 avremmo bisogno di montare sensori aggiuntivi su di essi; avremmo anche bisogno di pi\u00f9 infrastrutture e coordinamento a livello cittadino per farlo funzionare. In secondo luogo, le radio sono spesso alimentate a batteria, quindi possono essere inaffidabili in determinate situazioni, anche se questo \u00e8 un problema anche per i pedoni umani, non solo per i sistemi di intelligenza artificiale. Terzo, se c’\u00e8 un’interferenza o una mancanza di connettivit\u00e0, il nostro sistema di intelligenza artificiale non sapr\u00e0 quando qualcuno sta per attraversare o se dovrebbe fermarsi\/rallentare. Il quarto problema \u00e8 che gli algoritmi delle auto a guida autonoma non hanno accesso a questi tipi di segnali poich\u00e9 la maggior parte non \u00e8 ancora collegata direttamente alle reti wireless locali.<\/p>\n\n
Ci\u00f2 significa che i sistemi di intelligenza artificiale devono fare affidamento su altri tipi di dati di input per navigare negli incroci, come telecamere montate all’esterno, telecamere all’interno dell’auto per rilevare i passeggeri e sensori sulle ruote per misurare la velocit\u00e0. Anche questo pone alcuni problemi: ad esempio, se qualcuno attiva un semaforo con un’auto RC o un altro tipo di controller, il nostro sistema di intelligenza artificiale potrebbe avere problemi a rilevarlo perch\u00e9 non ci sono telecamere puntate a quell’incrocio. I semafori richiedono anche elettricit\u00e0, quindi possono guastarsi in determinate situazioni, e questo \u00e8 particolarmente problematico se la batteria della nostra auto a guida autonoma si scarica.<\/p>\n\n
Tuttavia, ci sono molte altre sfide coinvolte nell’allenamento degli algoritmi di auto a guida autonoma. Ad esempio, la prima serie di problemi riguardava principalmente il rilevamento di oggetti mentre i pedoni\/ciclisti non erano presenti poich\u00e9 si muovono molto pi\u00f9 lentamente delle auto, quindi i loro vettori di velocit\u00e0 non sarebbero cos\u00ec grandi rispetto alle auto. Tuttavia, ci stiamo avvicinando a un punto critico in cui le velocit\u00e0 delle auto a guida autonoma stanno iniziando a competere con gli umanoidi ed \u00e8 qui che diventano molto pi\u00f9 difficili da rilevare.<\/p>\n\n
C’\u00e8 anche il problema dei dati di addestramento: se li addestriamo con troppi campioni di una determinata citt\u00e0, potrebbero non gestire bene gli incroci in altre citt\u00e0. Questo \u00e8 un problema particolarmente grave per aziende come Google, che hanno trascorso anni viaggiando in tutto il mondo per mappare ogni singolo incrocio in modo che i sistemi di intelligenza artificiale possano essere implementati ovunque nel mondo. Puoi leggere di pi\u00f9 su questo argomento qui o dare un’occhiata a questa serie di video sulla visione artificiale.<\/p>\n\n
Poich\u00e9 \u00e8 difficile per questi tipi di algoritmi navigare nelle intersezioni, alcuni ricercatori stanno sviluppando nuovi metodi che si basano sull’apprendimento per rinforzo anzich\u00e9 sull’apprendimento supervisionato. Questa tecnica consiste nell’addestrare un’auto a guida autonoma per navigare negli incroci indovinando casualmente cosa dovrebbe fare dopo ogni passaggio, ad esempio se la sua velocit\u00e0 dovrebbe essere accelerata o decelerata e in quale direzione. Prova un gran numero di azioni fino a quando non impara la strada giusta da A a B, in modo simile a come gli animali imparano dai loro genitori piuttosto che essere istruiti esplicitamente.<\/p>\n\n
Naturalmente, gli algoritmi di apprendimento per rinforzo si basano ancora su sensori posizionati intorno all’auto come telecamere che rilevano pedoni\/biciclette. Un vantaggio \u00e8 che possono migliorare nel gestire gli incroci nel tempo poich\u00e9 possiamo migliorare la nostra ipotesi iniziale ad ogni tentativo consecutivo. Un altro vantaggio \u00e8 che questi sistemi non richiedono infrastrutture costose come semafori e trasmettitori radio, sebbene debbano comunque essere in grado di rilevare le persone che ne sono sprovviste.<\/p>\n\n
Ecco perch\u00e9 alcuni ricercatori di auto a guida autonoma stanno iniziando a utilizzare gli esseri umani come fonte aggiuntiva di dati di segnale ogni volta che \u00e8 possibile. Con una formazione sufficiente, possono fornire ai nostri sistemi di intelligenza artificiale informazioni affidabili sugli incroci imminenti e pi\u00f9 dati ricevono, migliore sar\u00e0 il loro processo decisionale. Questo potrebbe essere utile anche per altre attivit\u00e0, come aiutare i nostri compagni robot a navigare in aree affollate o persino trovare oggetti nascosti nelle case poich\u00e9 i robot di solito si basano su telecamere\/sensori piuttosto che sulla vista umana.<\/p>\n\n
Naturalmente, questo metodo ha i suoi punti deboli: ad esempio, gli esseri umani non sono infallibili e non tutti noi abbiamo la stessa quantit\u00e0 di esperienza nella navigazione nelle citt\u00e0, inoltre c’\u00e8 sempre spazio per errori quando si tratta di inviare istruzioni alle auto a guida autonoma. Non \u00e8 chiaro quanto bene funzioneranno i nostri algoritmi di apprendimento automatico in ambienti diversi, soprattutto perch\u00e9 il processo decisionale umano tende a essere influenzato dal paesaggio urbano stesso, il che significa che \u00e8 difficile generalizzare tra le localit\u00e0. Ecco perch\u00e9 per ora molti esperti raccomandano ancora l’apprendimento supervisionato fino a quando non sviluppiamo modelli pi\u00f9 avanzati in grado di gestire questi problemi.<\/p>\n\n
Anche se ogni anno si verificano meno incidenti con la guida autonoma, in genere si verificano negli incroci in cui i ricercatori hanno avuto difficolt\u00e0 ad addestrare i sistemi di intelligenza artificiale poich\u00e9 i dati sono incompleti o semplicemente non disponibili per alcune regioni\/paesi, come le aree rurali. Se desideri conoscere ulteriori sfide associate allo sviluppo di veicoli autonomi, fai clic qui o dai un’occhiata a questa serie di articoli sull’apprendimento per rinforzo profondo.<\/p>\n\n
In parole povere, l’auto utilizza una serie di algoritmi per elaborare grandi quantit\u00e0 di dati dal suo ambiente. Per capire cosa significa, \u00e8 importante capire cos’\u00e8 un algoritmo. In informatica, un algoritmo \u00e8 un insieme di procedure o regole dettagliate che definiscono il modo in cui le informazioni verranno elaborate e gestite. Le auto a guida autonoma utilizzano questi algoritmi per elaborare determinate cose sull’ambiente circostante e fare previsioni basate su di esse, ad esempio la velocit\u00e0 con cui gli oggetti si muovono l’uno rispetto all’altro. Molti tipi di algoritmi possono essere trovati in un’auto a guida autonoma: rilevamento e classificazione di oggetti, pianificazione e previsione del movimento, localizzazione e mappatura (SLAM), ecc. Questi calcoli vengono eseguiti da molti diversi tipi di sensori, comprese fotocamere e scanner laser.<\/p>\n\n
Le auto a guida autonoma utilizzano una variet\u00e0 di sensori diversi per tracciare il loro ambiente. Alcune delle tecnologie chiave dei sensori utilizzate nelle auto a guida autonoma sono radar, Lidar e imaging ottico. Il radar emette onde radio per rilevare gli oggetti riflettendoli sulle superfici: \u00e8 utile per vedere oggetti solidi\/grandi che potrebbero essere difficili utilizzando solo i dati ottici. Lidar \u00e8 l’abbreviazione di Light Detection and Ranging: utilizza la luce laser invece delle onde radio per rilevare superfici come la segnaletica orizzontale e le corsie che possono essere difficili da vedere di notte o sotto pioggia\/neve. L’imaging ottico \u00e8 proprio quello che sembra: le telecamere dell’auto raccolgono immagini che includono cose come segnali stradali, segnali stradali, pedoni, ecc. Radar, Lidar e imaging ottico sono tutti importanti per aumentare la consapevolezza dell’auto nei confronti dell’ambiente.<\/p>\n\n
Le auto a guida autonoma devono fare pi\u00f9 cose contemporaneamente per poter operare in sicurezza da sole. Per prima cosa devono percepire l’ambiente che li circonda utilizzando i dati dei loro diversi sensori, quindi devono elaborare quei dati in informazioni che possono essere utilizzate per determinare quali azioni devono essere intraprese successivamente. Per fare ci\u00f2, le auto a guida autonoma utilizzano algoritmi che funzionano come un insieme di procedure o regole che l’auto segue per fare previsioni basate su segnali ambientali. Le tecnologie utilizzate nelle auto a guida autonoma vengono costantemente migliorate con ogni nuovo modello che arriva sulle strade, ma anche se queste macchine continuano a migliorare, hanno ancora molta strada da fare prima di diventare mainstream.<\/p>\n\n
Chi sono le persone dietro questi algoritmi? Le auto a guida autonoma sono macchinari complessi con molti processi diversi in corso al loro interno in ogni momento, motivo per cui sono necessari team di professionisti dedicati per farli funzionare correttamente. Ci sono innumerevoli carriere nel mondo delle auto a guida autonoma, ma alcune delle pi\u00f9 comuni includono ingegneri della visione artificiale, ingegneri della robotica e sviluppatori di software. Ognuno gioca un ruolo fondamentale nello sviluppo o nel miglioramento di nuovi modelli che possono essere utilizzati per vari scopi. Non solo, ma ogni nuova innovazione crea opportunit\u00e0 per gli altri che vogliono essere coinvolti nel suo processo produttivo. La linea di fondo? Con il tempo e la ricerca investiti nelle auto a guida autonoma da aziende di tutto il mondo, \u00e8 solo questione di tempo prima che queste macchine vengano perfezionate e implementate nella societ\u00e0.<\/p>\n\n
Quali sono alcuni altri fatti sulle auto a guida autonoma? Se sei interessato a far parte di questo settore o vuoi semplicemente saperne di pi\u00f9 sulla tecnologia che serve per far funzionare correttamente questi veicoli, visita il corso seguente oggi.<\/p>\n\n