Kas yra mašininis matymas ir kokia ji svarbi savarankiškai važiuojantiems automobiliams?

Key Takeaways

• Savarankiškai važiuojantys automobiliai remiasi mašininio matymo technologija, kad matytų ir suprastų aplinką, o tai leidžia aptikti objektus, atpažinti ženklus ir naršyti keliu.
• Savaeigių automobilių mašinų matymas susideda iš kamerų sistemos, krašto skaičiavimo ir AI algoritmų, kurios kartu renka vaizdinę informaciją, apdoroja ją realiuoju laiku ir nustato modelius bei objektų.
• Mašinų matymas yra labai svarbus norint pasiekti visišką savarankiškumą savarankiškai vairuojamuose automobiliuose, nes ji leidžia klasifikuoti objektus, aptikti juostas ir signalus, identifikuoti ženklus ir atpažinti eismą. Autonominių transporto priemonių ateitis slypi AI, pažangių kompiuterių ir kamerų technologijų pažangoje.

Savaeigiai automobiliai visada traukė dėmesį. Nors galbūt dar neturime visiškai autonominių automobilių, turime pažangių automobilių Pagalbos vairuotojui sistemos (ADAS), galinčios automatiškai valdyti, keisti eismo juostą, pastatyti automobilį ir eismo kontrolė.

Savaeigiame automobilyje ADAS naudojama daug jutiklių, o mašininis matymas yra pagrindinis būdas aptikti, identifikuoti ir apskaičiuoti atstumą iki objektų ir bendrą aplinką. Be mašinos matymo savaime važiuojantys automobiliai su pastovaus greičio palaikymo kontrole ir autopilotu yra labai mažai tikėtini.

Kas yra mašininis matymas?

Mašinų matymas yra technologija, leidžianti mašinoms matyti ir atpažinti objektus juos supančioje aplinkoje. Tai kompiuterinio matymo pogrupis, kuriame pagrindinis dėmesys skiriamas pramoniniam į regėjimą orientuoto objekto aptikimo taikymui autonominėse mašinose, tokiose kaip robotai ir transporto priemonės.

Mašinų vizija šiandien naudoja AI gilaus mokymosi algoritmus, tokius kaip konvoliuciniai neuroniniai tinklai (CNN) sukurti patikimus ir gerai apibendrintus modelius, kurie gali tiksliai identifikuoti įvairius objektus sąlygos. Tai leidžia įgyvendinti mašininę viziją atliekant įvairias užduotis, kurioms reikia didesnio patikimumo gamybos, žemės ūkio, robotikos ir automobilių srityse.

Kaip mašininis matymas veikia savaeigiuose automobiliuose?

Mašinų matymas savarankiškai vairuojamuose automobiliuose paprastai gali būti padalytas į tris dalis: kamerų sistemą, apdorojimą (kraštų skaičiavimą) ir AI. Ši technologija leidžia autonominei transporto priemonei matyti, mąstyti ir atpažinti ženklus bei kliūtis vairuojant. Aptarkime kiekvieną dalį nuodugniai, kad suprastume, kaip šios technologijos susieja tarpusavyje, kad susidarytų savaime važiuojančio automobilio mašinos vizija.

Kameros sistema

Mašininis matymas remiasi kamerų sistemomis, kad rinktų vaizdinę informaciją apie aplinką. Savaeigiuose automobiliuose aplink automobilį sumontuotos kelios kameros, kad būtų galima surinkti kuo daugiau vaizdinės informacijos.

Mašininio matymo kamerose naudojami du pagrindiniai jutikliai: papildomi metalo oksido puslaidininkiai (CMOS) ir įkrauti įrenginiai (CCD). Savarankiškai važiuojantiems automobiliams CMOS dažnai teikiama pirmenybė dėl greito nuskaitymo greičio, galingo laivo elektronika ir lygiagrečios apdorojimo galimybės, todėl jis yra greitesnis jutiklis, nors ir linkęs į triukšmą arba artefaktus. Tokie sprendimai, kaip skirtingi apšvietimo režimai, skaitmeninis naktinis matymas ir filtrai, gali padėti CMOS jutikliui esant prastam nei idealiam apšvietimui.

Savarankiškai važiuojantiems automobiliams kameros įrengiamos tam tikru atstumu viena nuo kitos, kad sukurtų stereoskopinį vaizdą. Stereoskopinis matymas – tai galimybė sujungti du ar daugiau vizualinių įvesties elementų, sukuriant objektų ir aplinkos gylio ar trimačio pojūtį. Tai savo ruožtu leidžia automobiliams trikampiuoti ir apskaičiuoti apytikslį atstumą tarp objekto ir automobilio.

Kadangi žmonės turi dvi akis, mums taip pat naudingas stereoskopinis regėjimas. Galite išbandyti patys; užmerkite vieną akį ir iš savo stalo pasirinkite nedidelį objektą. Padėkite ranką ant objekto pusės ir įsitikinkite, kad objekto galas yra bent dviejų colių atstumu. Pabandykite kelioms sekundėms pristabdyti ir pažiūrėkite, kaip esate įsitikinęs savo apytiksliu įvertinimu. Dabar pabandykite atmerkti abi akis ir pažiūrėkite, kaip jūsų gylio pojūtis yra daug geresnis.

Edge kompiuteris

Kol savarankiškai važiuojančio automobilio kamerų sistema renka duomenis, borto kompiuteris (kraštų procesorius) apdoros visas įvestis realiuoju laiku, kad atnaujintų sistemą apie aplinkos būklę nedelsiant. Nors įprastos mašininio matymo užduotys gali sutaupyti pinigų naudojant debesų kompiuteriją, jų tiesiog per daug rizika, kad savarankiškai važiuojantys automobiliai bus prijungti prie debesies, net jei tai yra proceso perdavimas pagal mašininio matymo reikalavimus.

Kraštinio kompiuterio naudojimas įvesties duomenims apdoroti pašalina delsos problemas ir užtikrina, kad duomenys būtų gaunami, apdorojami ir perduodami realiuoju laiku. „Edge“ kompiuteriai, skirti savarankiškai važiuojantiems automobiliams, naudoja specializuotus kompiuterius, kuriuose integruoti dirbtinio intelekto grafikos procesoriai, tokie kaip NVIDIA „Tensor Core“ ir „CUDA Cores“.

AI algoritmai

Algoritmai visada buvo esminė mašinos matymo dalis. Algoritmas leidžia kompiuteriui identifikuoti visus modelius, formas ir spalvas, kuriuos suteikia fotoaparato sistema. Dirbtinio intelekto naudojimas, palyginti su tradiciniais mašininio matymo algoritmais, labai padidina savarankiškai važiuojančio automobilio galimybes patikimai identifikuoti objektus, gatvių ženklus, kelio ženklinimą ir šviesoforus. Daugelis dirbtinio intelekto algoritmų naudojami mokant savarankiškai važiuojančius automobilius. Tarp populiariausių yra:

• YOLO (jūs žiūrite tik vieną kartą): Realaus laiko objektų aptikimo algoritmas, kuris identifikuoja ir seka objektus automobilio matymo lauke.
• SIFT (Scale-Icar'sant funkcijos transformacija): Naudojamas ypatybėms išgauti, padeda automobiliui atpažinti išskirtinius orientyrus ir objektus jo aplinkoje.
• Orientuotų gradientų histograma (HOG): Naudojamas objektams atpažinti, daugiausia dėmesio skiriama vietinių raštų ir gradientų ištraukimui iš vaizdų.
• TextonBoost: Algoritmas, padedantis atpažinti objektus, analizuojant tekstūras aplinkoje.
• AdaBoost: Duomenims klasifikuoti naudojama „AdaBoost“ sujungia kelis silpnus klasifikatorius, kad priimtų tvirtus sprendimus dėl transporto priemonės kelyje esančių objektų ir kliūčių.

Mašininio matymo svarba savarankiškai vairuojamuose automobiliuose

Mašininis matymas yra pagrindinis būdas savarankiškai važiuojančiam automobiliui pajusti ir suprasti aplinką. Be mašinos matymo labai tikėtina, kad savarankiškai važiuojantys automobiliai bus nustumti atgal į 1 lygį. transporto priemonės autonomijos skalė ir niekada nepasieks visiškos autonomijos.

Naudodami mašininį matymą, savarankiškai važiuojantys automobiliai dabar gali klasifikuoti objektus, aptikti juostas ir signalus, identifikuoti ženklus ir atpažinti eismą.

Nors daugelis savarankiškai vairuojančių transporto priemonių dabar naudoja įvairius jutiklius, tokius kaip LIDAR, RADAR ir SONAR, visi jie labai priklauso nuo mašininis matymas, kad pamatytų aplinką, identifikuotų objektus ir suprastų ženklų bei šviesoforų reikšmę kelias. Visi šie papildomi jutikliai skirti tik pagerinti mašinos regėjimą ir žmonių, gyvūnų bei nuosavybės saugumą.

Be to, mašininis matymas gali veikti savarankiškai, nenaudojant kitų jutiklių, kad suteiktų autopiloto galimybes. Tiesą sakant, naujausi „Tesla“ savarankiškai važiuojantys automobiliai atsisakė RADAR ir dabar savo „Autopilot“ sistemoje pasikliauja tik mašinos matymu.

Nors tai nereiškia, kad būtų diskredituotas kitų jutiklių technologijų naudingumas, tai rodo mašininio matymo svarbą ir galią savarankiškai vairuojamuose automobiliuose.

Mašinų vizijos ateitis autonominėse transporto priemonėse

Mašininis matymas yra savarankiškų automobilių pagrindas. Mašininio matymo dėka automobiliai gali matyti ir suvokti aplinką lygiai taip pat, kaip žmonės. Nors iššūkių išlieka, mašininio matymo privalumų saugos ir navigacijos požiūriu negalima nuvertinti. Kalbant apie autonominių transporto priemonių ateitį, bet kokia tolesnė AI, krašto skaičiavimo ir (arba) kameros pažanga technologija neabejotinai padarys savarankiškai vairuojančius automobilius įgudesnius, o tai greičiausiai perkels juos į aukštesnį lygį automatizavimas.