ИИ помог с вождением

Платформа Delphi Centralized Sensing Localization Planning (CSLP) создана на базе предустановленных обобщенных правил, описывающих основные безопасные действия автомобиля, и использует искусственный интеллект (ИИ) для выбора оптимального пути. Это означает, что инструкции или набор правил, которым должен следовать автомобиль, закладываются в алгоритм. Таким образом мы получаем транспортное средство, способное принимать решения с помощью искусственного интеллекта.

Однако правила существуют не для всех ситуаций, по крайней мере в настоящий момент. По одной простой причине — пока что ни одному из игроков просто-напросто не удалось провести всех испытаний. Собственно, в том числе поэтому множество беспилотных автомобилей постоянно испытываются по всему миру — они собирают данные. Затем эти данные используются для каталогизации огромного количества возможных ситуаций, с которыми может столкнуться автомобиль, а следовательно, и способов безопасного реагирования.

То, как автомобиль реагирует на ситуацию, зависит от того, что он «видит» и «слышит» с помощью своих датчиков. Существует три типа датчиков: радары, видеодатчики (камеры) и лидары. Некоторые компании используют только один тип датчиков, но платформа Delphi CSLP полагается на все три типа. 

Анализируя сигналы от всех датчиков, система автономного вождения Delphi обеспечивает высокую достоверность информации об окружающей обстановке. Почему мы используем датчики всех типов? Потому что у каждого датчика есть своя сильная сторона:

радар не подвержен воздействию погодных условий;

лидар обеспечивает высокую точность измерения расстояний, и  

видеодатчик обеспечивает точное распознавание объекта.

Комбинация всех трех датчиков позволяет системе получать всеобъемлющее представление о том, что окружает автомобиль, увеличивая уровень безопасности и надежности. 

Искусственный интеллект используется в основном для обработки визуальной информации, тогда как методы машинного обучения применяются для классификации и распознавания объектов. Что такое машинное обучение? Эта концепция исходит из идеи, что компьютер может обучаться без дополнительного программирования точных инструкций, предписывающих реакцию на ситуацию.

Алгоритмы должны быть «натренированы» на распознавание обстановки, окружающей автомобиль. Машинное обучение работает на основе так называемой нейронной сети. Исходя из названия, ее функционирование аналогично работе мозга человека. Она «живет» в автомобиле и классифицирует объекты в режиме реального времени. Так автомобиль может «следовать» определенным правилам. Это очень сложная задача. И это одна из причин, по которой гибридный подход, комбинирующий ИИ и машинное обучение, помогает беспилотным автомобилям принимать решения подобно тому, как это делает человек. В определенных случаях, например при включении красного сигнала светофора или остановке другого автомобиля на пути следования, важно обеспечить торможение вплоть до полной остановки. Но в других ситуациях, например когда пластиковый пакет пролетает над дорогой, хотелось бы, чтобы автомобиль определил, что это не препятствие и можно безопасно продолжить движение.  

В случае со сценариями, для которых (еще) не предписаны правила, ИИ принимает решения на основе входящей информации.  

«Нейронная сеть знает, что предпринять, только если обучена этим действиям, — объясняет Глен Де Вос (Glen De Vos), технический директор компании Delphi. — Однако невозможно учесть все сценарии, с которыми может столкнуться автомобиль. Вы не всегда можете правильно спрогнозировать, как именно нейронная сеть «заполнит пробелы» и, соответственно, отреагирует на ситуацию, с которой не сталкивалась ранее. В тех случаях, когда автомобиль неспособен что-то распознать, правила, заложенные в нейронную сеть, потребуют от него совершить безопасную остановку. Так что, используя комбинацию правил нейронной сети и искусственного интеллекта, мы сможем охватить практически все возможные ситуации».