Автономные транспортные средства воспринимают свое окружение, перемещаются и паркуются без участия человека, и эта технология быстро развивается. Недавно Alphabet Inc. (материнская компания Google) продемонстрировала, что ее беспилотные автомобили проехали более 5 миллионов миль по дорогам общего пользования. Тем не менее, существуют очень ощутимые опасения по поводу безопасности и осуществимости.
Показательный пример: беспилотный автомобиль Uber привел к смерти женщины-пешехода в Темпе, штат Аризона, в марте 2018 года.
В то время как инженеры могут программировать правила для определения реакции транспортного средства на дорожную ситуацию, прогнозировать каждую возможную ситуацию сложно, отнимает много времени и не осуществимо в денежном выражении. Таким образом, возникает интересная проблема: как мы можем помешать автономным транспортным средствам принимать неверные решения?
Искусственный интеллект в автономных транспортных средствах
Автономные транспортные средства оснащены интеллектуальными системами, которые генерируют тонны данных. Эти системы включают в себя системы машинного зрения на основе камер, блоки обнаружения на основе радаров, систему оценки состояния водителя и блоки управления двигателем (ЭБУ) с сенсорным синтезом.
Кроме того, ожидается, что искусственный интеллект станет крупнейшей и наиболее быстрорастущей технологией на автомобильном рынке. Однако… бывают случаи, когда модели машинного обучения (ML) неадекватны. (ML — это подмножество ИИ!)
Решения
- Выберите встроенную избыточность, которая является бесплатной. Таким образом, если один датчик выходит из строя, другой датчик все еще может собирать данные и принимать решения в системе.
- Мы можем разрабатывать гибридные системы, включающие в себя компоненты машинного обучения и компонентов, не связанных с машинным обучением (Человеческий вклад имеет большое значение и всегда будет частью общей картины!)
- Мы можем использовать знания экспертной области, когда люди могут вводить экспертную предвзятость, которая ограничивает эти системы несколькими параметрами.
- У нас также могут быть алгоритмы экспертного проектирования с использованием procedural.ai!
На самом деле, по словам исследователя Лекса Фридмана, предсказание будущего поведения — распространенная и хорошо изученная проблема ИИ.
Давайте посмотрим на эту проблему с точки зрения создания лучших обучающих данных для автономных транспортных средств. procedural.ai стимулирует воображаемые и реальные явления, позволяя пользователю учитывать ориентиры, погоду, транспортный поток и т. д. с точки зрения модели ИИ. Наш ИИ использует естественное описание для преобразования слов в 3D-сцены, которые можно использовать в качестве виртуальных испытательных стендов для тестирования, обучения и проверки моделей машинного обучения, что в конечном итоге помогает автономным транспортным средствам принимать неверные решения.
Ссылки:
Спасибо Drago Anguelov за решения, изложенные в этой статье. Вы можете посмотреть его выступление здесь.
Читайте другие наши статьи:
Искусственный интеллект представляет угрозу для человечества?
