في العقد الماضي أو أقل ، كان كل صانع سيارات قابلته متحمسًا بشأن احتمالات إغراق السوق بالسيارات ذاتية القيادة. في حين أن عددًا قليلاً من صانعي السيارات الرئيسيين قد أطلقوا مركبات "غير مستقلة تمامًا" يمكنها قيادة نفسها على الطريق السريع (مع مراقبة مستمرة من السائقين بالطبع) ، فإن التكنولوجيا المستقلة لم تحدث كما يعتقد الخبراء.
في عام 2019 ، على مستوى العالم ، كان هناك حوالي 31 مليون المركبات المستقلة (مستوى معين من الاستقلالية) في العمليات. ومن المتوقع أن يرتفع هذا الرقم إلى 54 مليون بحلول عام 2024. وتشير الاتجاهات إلى أن السوق يمكن أن ينمو بنسبة 60٪ على الرغم من انخفاضه بنسبة 3٪ في عام 2020.
في حين أن هناك العديد من الأسباب لإمكانية إطلاق السيارات ذاتية القيادة في وقت متأخر كثيرًا عما هو متوقع ، فإن أحد الأسباب الرئيسية هو نقص بيانات التدريب عالية الجودة من حيث الحجم والتنوع والتحقق من الصحة. ولكن لماذا تعتبر بيانات التدريب مهمة لتطوير المركبات المستقلة؟
أهمية بيانات التدريب للمركبات ذاتية القيادة
المركبات ذاتية القيادة تعتمد على البيانات وتعتمد على البيانات أكثر من أي تطبيق آخر للذكاء الاصطناعي. تعتمد جودة أنظمة المركبات المستقلة إلى حد كبير على نوع وحجم وتنوع بيانات التدريب المستخدمة.
لضمان قدرة المركبات الذاتية على القيادة بتفاعل بشري محدود أو بدون تفاعل بشري ، يجب أن تفهم وتتعرف وتتفاعل مع المحفزات في الوقت الفعلي الموجودة في الشوارع. لكي يحدث هذا ، عدة الشبكات العصبية يجب أن تتفاعل ومعالجة البيانات التي تم جمعها من أجهزة الاستشعار لتوفير التنقل الآمن.
كيفية الحصول على بيانات التدريب للمركبات ذاتية القيادة؟
يتم تدريب نظام AV موثوق على كل سيناريو محتمل قد تواجهه السيارة في الوقت الفعلي. يجب أن يكون مستعدًا للتعرف على الأشياء والعوامل في المتغيرات البيئية لإنتاج سلوك دقيق للمركبة. لكن جمع مثل هذه الكميات الكبيرة من مجموعات البيانات لمعالجة كل حالة متطرفة بدقة يمثل تحديًا.
لتدريب نظام AV بشكل صحيح ، يتم استخدام تقنيات التعليقات التوضيحية للفيديو والصورة لتحديد الكائنات الموجودة في الصورة ووصفها. يتم جمع بيانات التدريب باستخدام الصور التي تم إنشاؤها بواسطة الكاميرا ، وتحديد الصور من خلال تصنيفها وتصنيفها بدقة.
تساعد الصور المشروحة أنظمة التعلم الآلي وأجهزة الكمبيوتر على تعلم كيفية أداء المهام المطلوبة. يتم توفير أشياء سياقية مثل الإشارات وعلامات الطريق والمشاة وظروف الطقس والمسافة بين المركبات والعمق وغيرها من المعلومات ذات الصلة.
تقدم العديد من الشركات المتميزة مجموعات بيانات تدريبية في صورة و شرح الفيديو يمكن للمطورين استخدامها لتطوير نماذج الذكاء الاصطناعي.
من أين تأتي بيانات التدريب؟
تستخدم المركبات ذاتية القيادة مجموعة متنوعة من أجهزة الاستشعار والأجهزة لجمع المعلومات المحيطة ببيئتها والتعرف عليها وتفسيرها. هناك حاجة إلى بيانات وشروح مختلفة لتطوير أنظمة AV عالية الأداء مدعومة بالذكاء الاصطناعي.
بعض الأدوات المستخدمة هي:
الة تصوير:
تسجل الكاميرات الموجودة على السيارة صورًا ومقاطع فيديو ثلاثية الأبعاد وثنائية الأبعاد
الرادار:
يوفر الرادار بيانات مهمة للمركبة فيما يتعلق بتتبع الأجسام والكشف عنها وتنبؤ بالحركة. كما أنه يساعد في بناء تمثيل غني بالبيانات للبيئة الديناميكية.
LiDaR (كشف الضوء وتحديد المدى):
لتفسير الصور ثنائية الأبعاد بدقة في مساحة ثلاثية الأبعاد ، من الضروري استخدام LiDAR. يساعد LiDAR في قياس العمق والمسافة واستشعار القرب باستخدام الليزر.
أشر إلى الملاحظة أثناء جمع بيانات التدريب على المركبات المستقلة
إن تدريب مركبة ذاتية القيادة ليس مهمة لمرة واحدة. يتطلب التحسين المستمر. يمكن أن تكون السيارة المستقلة بالكامل بديلاً أكثر أمانًا للسيارات ذاتية القيادة التي تحتاج إلى مساعدة بشرية. ولكن لهذا ، يجب تدريب النظام على كميات كبيرة من متنوعة و بيانات تدريب عالية الجودة.
الحجم والتنوع
يمكن تطوير نظام أفضل وأكثر موثوقية عندما تقوم بتدريب آلة التعلم نموذج على كميات كبيرة من مجموعات البيانات المتنوعة. توجد إستراتيجية بيانات يمكن أن تحدد بدقة متى تكون مجموعة البيانات كافية ومتى تكون الخبرة الواقعية مطلوبة.
تأتي بعض جوانب القيادة فقط من تجربة العالم الحقيقي. على سبيل المثال ، يجب أن تتوقع السيارة المستقلة سيناريوهات منحرفة في العالم الحقيقي مثل الانعطاف دون إرسال إشارات أو مواجهة مشاة مشاة.
بينما بجودة عالية شرح البيانات يساعد إلى حد كبير ، يوصى أيضًا بالحصول على البيانات من حيث الحجم والتنوع أثناء التدريب والخبرة.
دقة عالية في التعليقات التوضيحية
يجب تدريب نماذج التعلم الآلي والتعلم العميق على بيانات نظيفة ودقيقة. واثق من نفسه قيادة السيارات أصبحوا أكثر موثوقية ويسجلون مستويات عالية من الدقة ، لكنهم ما زالوا بحاجة إلى الانتقال من دقة 95٪ إلى 99٪. للقيام بذلك ، يتعين عليهم إدراك الطريق بشكل أفضل وفهم القواعد غير العادية للسلوك البشري.
يمكن أن يساعد استخدام تقنيات التعليقات التوضيحية للبيانات عالية الجودة في تحسين دقة نموذج التعلم الآلي.
- ابدأ بتحديد الفجوات والتفاوتات في تدفق المعلومات وحافظ على تحديث متطلبات وسم البيانات.
- طوِّر استراتيجيات للتعامل مع سيناريوهات الحالة المتطورة في العالم الحقيقي.
- قم بانتظام بتحسين النموذج ومعايير الجودة لتعكس أحدث أهداف التدريب.
- قم دائمًا بالشراكة مع شريك تدريب موثوق به وذو خبرة يستخدم أحدث العلامات و تقنيات التعليق التوضيحي وأفضل الممارسات.
حالات الاستخدام المحتملة
كشف وتعقب الأشياء
يتم استخدام العديد من تقنيات التعليقات التوضيحية للتعليق على أشياء مثل المشاة والسيارات وإشارات الطريق والمزيد في صورة ما. يساعد المركبات المستقلة على اكتشاف الأشياء وتتبعها بدقة أكبر.
كشف رقم اللوحة
بمساعدة تقنية التعليق التوضيحي لصورة الصندوق المحيط ، يمكن بسهولة تحديد موقع لوحات الأرقام واستخراجها من صور المركبات.تحليل سيمافور
مرة أخرى ، باستخدام تقنية الصندوق المحيط ، يسهل التعرف على الإشارات واللافتات والتعليق عليها.
نظام تتبع المشاة
يتم تتبع المشاة من خلال تتبع حركة المشاة والتعليق عليها في كل إطار فيديو بحيث يمكن للمركبة المستقلة تحديد حركة المشاة بدقة.
تمايز الممرات
يلعب تمايز المسار دورًا مهمًا في تطوير نظام المركبات المستقلة. في المركبات ذاتية القيادة ، يتم رسم الخطوط فوق الممرات والشوارع والأرصفة باستخدام التعليقات التوضيحية متعددة الخطوط لتمكين التمايز الدقيق للمسار.
أنظمة ADAS
تساعد أنظمة مساعدة السائق المتقدمة المركبات الذاتية على اكتشاف إشارات الطرق والمشاة والسيارات الأخرى والمساعدة في ركن السيارة والتحذير من الاصطدام. للتمكين رؤية الكمبيوتر in أداس، يجب وضع تعليقات توضيحية على جميع صور لافتات الطرق بشكل فعال للتعرف على الأشياء والسيناريوهات واتخاذ الإجراءات في الوقت المناسب.
نظام مراقبة السائق / المراقبة داخل المقصورة
تساعد المراقبة داخل المقصورة أيضًا على ضمان سلامة ركاب السيارة وغيرهم. تجمع الكاميرا الموضوعة داخل المقصورة معلومات حيوية عن السائق مثل النعاس ونظرة العين والإلهاء والعاطفة وغير ذلك. يتم شرح هذه الصور داخل المقصورة بدقة واستخدامها لتدريب نماذج التعلم الآلي.
بمساعدة تقنية التعليق التوضيحي لصورة الصندوق المحيط ، يمكن بسهولة تحديد موقع لوحات الأرقام واستخراجها من صور المركبات.Shaip هي شركة رائدة في تقديم التعليقات التوضيحية للبيانات ، وتلعب دورًا حاسمًا في تزويد الشركات ببيانات تدريب عالية الجودة لتشغيل أنظمة المركبات المستقلة. لنا دقة تسمية الصور والتعليقات التوضيحية ساعدت في بناء منتجات رائدة في مجال الذكاء الاصطناعي في مختلف قطاعات الصناعة ، مثل الرعاية الصحية وتجارة التجزئة والسيارات.
نحن نقدم كميات كبيرة من مجموعات البيانات التدريبية المتنوعة لجميع نماذج التعلم الآلي والتعلم العميق بأسعار تنافسية.
استعد لتحويل مشاريع الذكاء الاصطناعي الخاصة بك من خلال مزود بيانات تدريب موثوق به وذو خبرة.
