Algoritmos de carros aut\u00f4nomos est\u00e3o se tornando cada vez mais uma realidade. <\/p>\n\n
Esta postagem no blog responder\u00e1 a essas perguntas. Tamb\u00e9m explicar\u00e1 o que os torna t\u00e3o perigosos para pedestres, ciclistas e outros motoristas – e por que devemos nos preocupar com isso.<\/p>\n\n
Primeiro, vamos falar sobre como esses sistemas de IA realmente funcionam. O ponto crucial de qualquer algoritmo de autocondu\u00e7\u00e3o \u00e9 uma rede neural profunda (DNN). As DNNs usam uma rede neural artificial para representar dados em camadas: camada de entrada, camada(s) oculta(s) e camada de sa\u00edda. Eles s\u00e3o not\u00f3rios por terem muitos par\u00e2metros que os tornam dif\u00edceis de treinar. Felizmente, existem muitos tipos diferentes de t\u00e9cnicas de aprendizado que podem ajudar a aliviar esse problema. Por exemplo, podemos usar o pr\u00e9-treinamento e o aprendizado de transfer\u00eancia para tornar o processo de treinamento mais r\u00e1pido e preciso.<\/p>\n\n
H\u00e1 v\u00e1rios tipos diferentes de DNNs: camadas convolucionais, camadas recorrentes (RNN) e camadas feedforward (FF) s\u00e3o amplamente usadas em aplicativos de aprendizado profundo, como algoritmos de carros aut\u00f4nomos. As camadas convolucionais aplicar\u00e3o um kernel ou filtro para extrair recursos de alto n\u00edvel de uma entrada para que cada elemento na sa\u00edda tenha dimens\u00f5es muito semelhantes quando comparado \u00e0 camada anterior. As RNNs aproveitam as depend\u00eancias temporais, o que significa que podem ser usadas em situa\u00e7\u00f5es em que voc\u00ea precisa entender como algo muda ao longo do tempo, como entender a fala ou detectar objetos em imagens\/v\u00eddeos. As camadas de feedforward s\u00e3o melhores para capturar depend\u00eancias espaciais, e \u00e9 por isso que s\u00e3o comumente usadas em tarefas de classifica\u00e7\u00e3o muito precisas.<\/p>\n\n
Para treinar essas DNNs, podemos usar uma das duas t\u00e9cnicas: aprendizado supervisionado ou aprendizado n\u00e3o supervisionado. Com o aprendizado supervisionado, a sa\u00edda desejada para cada entrada \u00e9 fornecida ao modelo durante o treinamento; isso geralmente funciona melhor quando h\u00e1 um r\u00f3tulo dispon\u00edvel que corresponde a cada observa\u00e7\u00e3o. O aprendizado n\u00e3o supervisionado envolve o uso de um conjunto de dados n\u00e3o rotulado e o fornecimento de recursos por si s\u00f3 para que ele possa agrup\u00e1-los com padr\u00f5es por conta pr\u00f3pria. Essa abordagem nos permite classificar objetos sem r\u00f3tulos – o que torna os algoritmos de carros aut\u00f4nomos especialmente \u00fanicos em compara\u00e7\u00e3o com a maioria das outras aplica\u00e7\u00f5es de vis\u00e3o de m\u00e1quina em que os r\u00f3tulos est\u00e3o presentes em quase todos os casos.<\/p>\n\n
O pr\u00f3ximo passo na descri\u00e7\u00e3o de algoritmos de carros aut\u00f4nomos \u00e9 entender o que os torna dif\u00edceis para pedestres, ciclistas e outros motoristas. A resposta a essa pergunta est\u00e1 em como esses sistemas de IA detectam objetos em movimento. Por exemplo, imagine que voc\u00ea \u00e9 um carro aut\u00f4nomo se aproximando de uma faixa de pedestres sem sinal de parada ou sem\u00e1foro. Quando o pedestre aperta o bot\u00e3o no cruzamento, eles ativam um sinal que informa aos carros que eles t\u00eam o direito de passagem. Nosso sistema de IA deve contar com esse sinal de r\u00e1dio sem fio para determinar se deve desacelerar ou parar – caso contr\u00e1rio, pode n\u00e3o ser capaz de reagir r\u00e1pido o suficiente se eles cruzarem sem olhar para os dois lados.<\/p>\n\n
Isso apresenta v\u00e1rios problemas: Primeiro, os sinais de RF s\u00e3o geralmente de curto alcance, ent\u00e3o seu uso n\u00e3o \u00e9 ideal para algoritmos de carros aut\u00f4nomos, pois precisar\u00edamos montar sensores adicionais em cima deles; tamb\u00e9m precisar\u00edamos de mais infraestrutura e coordena\u00e7\u00e3o em toda a cidade para faz\u00ea-lo funcionar. Em segundo lugar, os r\u00e1dios geralmente s\u00e3o alimentados por bateria, de modo que podem n\u00e3o ser confi\u00e1veis em certas situa\u00e7\u00f5es – embora isso tamb\u00e9m seja um problema com pedestres humanos, n\u00e3o apenas com sistemas de IA. Terceiro, se houver interfer\u00eancia ou falta de conectividade, nosso sistema de IA n\u00e3o saber\u00e1 quando algu\u00e9m est\u00e1 prestes a cruzar ou se deve parar\/diminuir a velocidade. O quarto problema \u00e9 que os algoritmos de carros aut\u00f4nomos n\u00e3o t\u00eam acesso a esses tipos de sinais, j\u00e1 que a maioria ainda n\u00e3o est\u00e1 conectada diretamente a redes sem fio locais.<\/p>\n\n
Isso significa que os sistemas de IA devem contar com outros tipos de dados de entrada para navegar nas interse\u00e7\u00f5es \u2013 como c\u00e2meras montadas no exterior, c\u00e2meras dentro do carro para detectar passageiros e sensores nas rodas para medir a velocidade. Isso tamb\u00e9m apresenta alguns problemas: por exemplo, se algu\u00e9m acionar um sem\u00e1foro com um carro RC ou outro tipo de controlador, nosso sistema de IA poder\u00e1 ter problemas para detect\u00e1-lo porque n\u00e3o h\u00e1 c\u00e2meras apontadas para esse cruzamento. Os sem\u00e1foros tamb\u00e9m requerem eletricidade para que possam falhar em certas situa\u00e7\u00f5es – e isso \u00e9 especialmente problem\u00e1tico se a bateria do nosso carro aut\u00f4nomo morrer.<\/p>\n\n
Existem muitos outros desafios envolvidos no treinamento de algoritmos de carros aut\u00f4nomos. Por exemplo, o primeiro conjunto de problemas foi principalmente sobre a detec\u00e7\u00e3o de objetos, enquanto os pedestres\/ciclistas n\u00e3o estavam presentes, pois eles se movem muito mais lentamente do que os carros, ent\u00e3o seus vetores de velocidade n\u00e3o seriam t\u00e3o grandes comparados aos carros. No entanto, agora estamos nos aproximando de um ponto de inflex\u00e3o em que as velocidades dos carros aut\u00f4nomos est\u00e3o come\u00e7ando a rivalizar com os human\u00f3ides e \u00e9 a\u00ed que eles se tornam muito mais dif\u00edceis de detectar.<\/p>\n\n
H\u00e1 tamb\u00e9m a quest\u00e3o dos dados de treinamento: se os treinarmos com muitas amostras de uma determinada cidade, eles podem n\u00e3o lidar bem com interse\u00e7\u00f5es em outras cidades. Este \u00e9 um problema especialmente grande para empresas como o Google, que passaram anos viajando por todo o mundo para mapear cada interse\u00e7\u00e3o para que os sistemas de IA pudessem ser implantados em qualquer lugar do mundo. Voc\u00ea pode ler mais sobre este t\u00f3pico aqui ou dar uma olhada nesta s\u00e9rie de v\u00eddeos sobre vis\u00e3o de m\u00e1quina.<\/p>\n\n
Como \u00e9 dif\u00edcil para esses tipos de algoritmos navegar nas interse\u00e7\u00f5es, alguns pesquisadores est\u00e3o desenvolvendo novos m\u00e9todos que dependem do aprendizado por refor\u00e7o em vez do aprendizado supervisionado. Essa t\u00e9cnica envolve treinar um carro aut\u00f4nomo para navegar em cruzamentos adivinhando aleatoriamente o que ele deve fazer ap\u00f3s cada etapa – como se sua velocidade deve ser acelerada ou desacelerada e em que dire\u00e7\u00e3o. Ele tenta um grande n\u00famero de a\u00e7\u00f5es at\u00e9 aprender o caminho certo de A a B, semelhante a como os animais aprendem com seus pais, em vez de serem ensinados explicitamente.<\/p>\n\n
\u00c9 claro que os algoritmos de aprendizado por refor\u00e7o ainda dependem de sensores colocados ao redor do carro, como c\u00e2meras que detectam pedestres\/bicicletas. Uma vantagem \u00e9 que eles podem melhorar no manuseio de interse\u00e7\u00f5es ao longo do tempo, pois podemos melhorar nossa estimativa inicial a cada tentativa consecutiva. Outro benef\u00edcio \u00e9 que esses sistemas n\u00e3o exigem infraestrutura cara, como sem\u00e1foros e transmissores de r\u00e1dio, embora ainda precisem detectar pessoas sem eles.<\/p>\n\n
\u00c9 por isso que alguns pesquisadores de carros aut\u00f4nomos est\u00e3o come\u00e7ando a usar humanos como fonte adicional de dados de sinal sempre que poss\u00edvel. Com treinamento suficiente, eles podem fornecer aos nossos sistemas de IA informa\u00e7\u00f5es confi\u00e1veis sobre os pr\u00f3ximos cruzamentos – e quanto mais dados eles receberem, melhor ser\u00e1 sua tomada de decis\u00e3o. Isso tamb\u00e9m pode ser \u00fatil para outras tarefas, como ajudar nossos companheiros rob\u00f4s a navegar por \u00e1reas lotadas ou at\u00e9 encontrar objetos escondidos em casas, j\u00e1 que os rob\u00f4s geralmente dependem de c\u00e2meras\/sensores em vez da vis\u00e3o humana.<\/p>\n\n
\u00c9 claro que esse m\u00e9todo tem suas fraquezas \u2013 por exemplo, os humanos n\u00e3o s\u00e3o infal\u00edveis e nem todos n\u00f3s temos a mesma experi\u00eancia em navegar pelas cidades, al\u00e9m de sempre haver espa\u00e7o para erros quando se trata de enviar instru\u00e7\u00f5es para carros aut\u00f4nomos. N\u00e3o est\u00e1 claro o qu\u00e3o bem nossos algoritmos de aprendizado de m\u00e1quina funcionar\u00e3o em diferentes ambientes, especialmente porque a tomada de decis\u00e3o humana tende a ser influenciada pela pr\u00f3pria paisagem urbana, o que significa que \u00e9 dif\u00edcil generalizar entre locais. \u00c9 por isso que muitos especialistas ainda recomendam o aprendizado supervisionado at\u00e9 que desenvolvamos modelos mais avan\u00e7ados que possam lidar com esses problemas.<\/p>\n\n
Embora haja menos acidentes de carro aut\u00f4nomos a cada ano, eles geralmente acontecem em cruzamentos onde os pesquisadores tiveram dificuldade em treinar sistemas de IA, pois os dados est\u00e3o incompletos ou simplesmente indispon\u00edveis para determinadas regi\u00f5es\/pa\u00edses \u2013 como \u00e1reas rurais. Se voc\u00ea quiser aprender sobre desafios adicionais associados ao desenvolvimento de ve\u00edculos aut\u00f4nomos, clique aqui ou confira esta s\u00e9rie de artigos sobre aprendizado por refor\u00e7o profundo.<\/p>\n\n
Simplificando, o carro usa uma s\u00e9rie de algoritmos para processar grandes quantidades de dados de seu ambiente. Para entender o que isso significa, \u00e9 importante entender o que \u00e9 um algoritmo. Na computa\u00e7\u00e3o, um algoritmo \u00e9 um conjunto de procedimentos ou regras passo a passo que definem como as informa\u00e7\u00f5es ser\u00e3o processadas e tratadas. Carros aut\u00f4nomos usam esses algoritmos para processar certas coisas sobre seus arredores e fazer previs\u00f5es com base neles – por exemplo, a velocidade com que os objetos est\u00e3o se movendo em rela\u00e7\u00e3o uns aos outros. Muitos tipos de algoritmos podem ser encontrados em um carro aut\u00f4nomo: detec\u00e7\u00e3o e classifica\u00e7\u00e3o de objetos, planejamento e previs\u00e3o de movimento, localiza\u00e7\u00e3o e mapeamento (SLAM), etc. Esses c\u00e1lculos s\u00e3o feitos por muitos tipos diferentes de sensores, incluindo c\u00e2meras e scanners a laser.<\/p>\n\n
Carros aut\u00f4nomos usam uma variedade de sensores diferentes para rastrear seu ambiente. Algumas das principais tecnologias de sensores usadas em carros aut\u00f4nomos s\u00e3o radar, Lidar e imagens \u00f3pticas. O radar emite ondas de r\u00e1dio para detectar objetos refletindo-os nas superf\u00edcies – \u00e9 bom para ver objetos s\u00f3lidos\/grandes que podem ser dif\u00edceis usando apenas dados \u00f3pticos. Lidar \u00e9 a abrevia\u00e7\u00e3o de Light Detection and Ranging – ele usa luz laser em vez de ondas de r\u00e1dio para detectar superf\u00edcies como marca\u00e7\u00f5es de estradas e pistas que podem ser dif\u00edceis de ver \u00e0 noite ou na chuva\/neve. A imagem \u00f3ptica \u00e9 exatamente o que parece: as c\u00e2meras do carro captam imagens que incluem coisas como sinais de tr\u00e2nsito, postes de sinaliza\u00e7\u00e3o, pedestres etc. Radar, Lidar e imagens \u00f3pticas s\u00e3o importantes para aumentar a consci\u00eancia do carro sobre seu ambiente.<\/p>\n\n
Carros aut\u00f4nomos devem fazer v\u00e1rias coisas ao mesmo tempo para poder operar com seguran\u00e7a por conta pr\u00f3pria. Primeiro eles precisam sentir o ambiente ao seu redor usando dados de seus diferentes sensores – ent\u00e3o eles precisam processar esses dados em informa\u00e7\u00f5es que podem ser usadas para determinar quais a\u00e7\u00f5es precisam ser tomadas em seguida. Para fazer isso, os carros aut\u00f4nomos usam algoritmos que funcionam como um conjunto de procedimentos ou regras que o carro segue para fazer previs\u00f5es com base em pistas ambientais. As tecnologias usadas em carros aut\u00f4nomos est\u00e3o sendo constantemente aprimoradas com cada modelo mais novo sendo lan\u00e7ado nas estradas – mas mesmo que essas m\u00e1quinas continuem a melhorar, elas ainda t\u00eam um longo caminho a percorrer antes de se tornarem populares.<\/p>\n\n
Quem s\u00e3o as pessoas por tr\u00e1s desses algoritmos? Carros aut\u00f4nomos s\u00e3o pe\u00e7as complexas de maquin\u00e1rio com muitos processos diferentes acontecendo dentro deles o tempo todo – e \u00e9 por isso que s\u00e3o necess\u00e1rias equipes de profissionais dedicados para faz\u00ea-los funcionar corretamente. Existem in\u00fameras carreiras no mundo dos carros aut\u00f4nomos, mas algumas das mais comuns incluem engenheiros de vis\u00e3o computacional, engenheiros de rob\u00f3tica e desenvolvedores de software. Cada um desempenha um papel fundamental no desenvolvimento ou aperfei\u00e7oamento de novos modelos que podem ser usados para diversos fins. N\u00e3o s\u00f3 isso, mas cada inova\u00e7\u00e3o traz oportunidades para outros que querem se envolver com seu processo de produ\u00e7\u00e3o. A linha de fundo? Com o tempo e a pesquisa sendo investidos em carros aut\u00f4nomos por empresas de todo o mundo, \u00e9 apenas uma quest\u00e3o de tempo at\u00e9 que essas m\u00e1quinas sejam aperfei\u00e7oadas e implementadas na sociedade.<\/p>\n\n
Quais s\u00e3o alguns outros fatos sobre carros aut\u00f4nomos? Se voc\u00ea estiver interessado em fazer parte dessa ind\u00fastria ou apenas quiser saber mais sobre a tecnologia que faz com que esses ve\u00edculos funcionem corretamente, visite o curso a seguir hoje.<\/p>\n\n