Uporaba globokega učenja za razvoj sistemov avtonomne vožnje
Avtor: Matevž Rakun
Mentor: izr. prof. dr. Matej Rojc univ. dipl. inž. el.
Stopnja: 1.
Datum: september, 2021
Povzetek
Pričakuje se, da bodo avtonomna vozila imela ključno vlogo v prihodnosti prometa, saj ponujajo potencial za dodatno varnost, večjo produktivnost, večjo dostopnost, boljšo učinkovitost vožnje v prometu in pozitiven vpliv na okolje. Raziskave glede avtonomnih sistemov so v zadnjih letih doživele dramatičen napredek zaradi boljših strojnih platform in znižanje stroškov senzorjev in računalniških tehnologij, kar omogoča razvijanje tehnoloških rešitev za stopnjo popolnoma avtonomnih vozil. Globoko učenje je eno od aktualnih ključnih točk na področju raziskav umetne inteligence. Zadnje čase je na področju avtonomnih vozil tako predstavljenih vse več rešitev, ki temeljijo na globokem učenju, saj dosegajo izjemne rezultate. Klasifikacija avtonomne vožnje:
• 1. Stopnja: voznik še vedno nadzira vozilo, sistem pa že pomaga pri zaviranju ali speljevanju. Tipičen primer je aktivni tempomat, ki ohranja razdaljo.
• 2. Stopnja: vozilo ima združene avtomatske funkcije kot so pospeševanje, zaviranje in upravljanje volana. To omogoča aktivni tempomat, ki sam zavira in speljuje v kombinaciji s samodejnim ohranjanjem voznega pasu. Voznik mora še vedno držati volan in nadzirati vozilo. Na tej stopnji je dandanes že večina proizvajalcev.
• 3. Stopnja: vozilo ima popoln nadzor and vožnjo, voznik pa ima vlogo kopilota, ki mora biti pripravljen prevzeti nadzor nad vozilom v določenih okoliščinah.
• 4. Stopnja: vozniku ni več potrebno spremljati okolja razen v določenih okoliščinah.
• 5. Stopnja: vozilo je popolnoma avtonomno in ljudje so le potniki, ki nimajo vpliva na vožnjo.
Arhitekture nevronskih mrež za avtonomna vozila
CNN je najbolj uporabljena arhitektura nevronskih mrež. CNN arhitektura v zadnjem času dosega izjemne rezultate pri nalogah klasifikacije slik. Ker se mnoge tehnologije avtonomnih vozil opirajo na predstavitev značilk iz slik, jih je mogoče enostavno izvesti na podlagi CNN, kot so odkrivanje ovir, klasifikacija prizorov in prepoznavanje voznega pasu. Avtonomna vožnja je odvisna od informacij zaznavanja konstantno spreminjajočih se okoliščin, zato je pomembno, da dobimo bolj celotno sliko okoliščin s shranjevanjem in sledenjem vseh pomembnih informacij, ki so se zgodile v preteklosti. RNN se zato uporablja, da zajame časovno dinamiko video fragmentov. Velike količine slik pridobljenih med vožnjo povzročijo hitro naraščanje dimenzije podatkov, kar zmanjšuje učinkovitost računanja. AE je tako v glavnem namenjen zmanjševanju števila dimenzij podatkov in za učenje značilnosti. Zadnja leta se DRL pogosto uporablja za reševanje različnih težav pri nadzoru avtonomnih vozil. Pri vzpodbujevalnem učenju (RL) se agent (npr. avtonomno vozilo) pri interakciji z okoljem lahko nauči spreminjati svoja dejanja glede na nagrade ali kazni.
Upravljanje avtonomnega vozila
Zaznavanje je prvi korak za avtonomno vožnjo, kateri vključuje veliko globokega učenja.
Zaznavanje zbira informacije iz senzorjev in raziskuje pomembna spoznanja iz okolja. Izdeluje kontekstno razumevanje okolja, kot so odkrivanje, sledenje in segmentacijo ovir, prometnih znakov/označb in prosto vozna območja. Na podlagi izvedenih senzorjev, nalogo zaznavanja okolja je mogoče rešiti z uporabo LIDAR-jev, kamere, radarji ali fuzija med temi tremi vrste naprav. Zaznavanje lahko ločimo na naslednje naloge: zaznavanje voznega pasa, prepoznava prometnih znakov in semaforjev, in zaznavanje ovir. Vsi senzorji imajo svoje prednosti in slabosti, zato se pri avtonomnih vozilih uporablja kombinacija podatkov z različnih senzorjev, da lahko avtonomno vozilo zanesljiveje razume okolje. Uporabljamo dva glavna načina fuzije: zgodnja fuzija – združevanje podatkov direktno iz senzorjev in pozna fuzija – združevanje informacij iz obdelanih podatkov. Sočasna lokalizacija in mapiranje je tehnika, ki omogoča predvideti koordinate orientacijskih točk in koordinate našega vozila. LiDAR zazna zidove objektov in pločnike in sestavi zemljevid, v katerem algoritem prepozna orientacijske točke, jih pozicionira in doda na zemljevid. SLAM algoritem deluje na osnovi Kalmanovega filtra, filtra delcev ali informacijskega filtra. Načrtovanje so možgani avtonomnega vozila. Planiranje se deli na: globalno načrtovanje (pot od točke A do točke B), vedenjsko načrtovanje (predvidevanje kako se bodo druga vozila in ovire obnašale), in lokalno načrtovanje (izogibanje ovir in vozil, ustvarjanje poti). Krmiljenje je sledenje načrtovani poti z generiranjem kota zavijanja volana in vrednosti pospeškov. Načrtovanje in krmiljenje uporabljata globoko vzpodbujevalno učenje in enovite pristope. Simulacijsko okolje nam omogoča, da sistem izpostavimo velikemu številu različnih scenarijev na katerih se lahko sistem uči in testira. Pri simulatorjih je pomembno, da znajo čimbolje predstavljati razmere realnega sveta (npr. vremenski pogoji), karakteristike vozil (npr. trenje pnevmatik) in senzorjev (npr. ločljivost in doseg).
Zaznavanje zbira informacije iz senzorjev in raziskuje pomembna spoznanja iz okolja. Izdeluje kontekstno razumevanje okolja, kot so odkrivanje, sledenje in segmentacijo ovir, prometnih znakov/označb in prosto vozna območja. Na podlagi izvedenih senzorjev, nalogo zaznavanja okolja je mogoče rešiti z uporabo LIDAR-jev, kamere, radarji ali fuzija med temi tremi vrste naprav. Zaznavanje lahko ločimo na naslednje naloge: zaznavanje voznega pasa, prepoznava prometnih znakov in semaforjev, in zaznavanje ovir. Vsi senzorji imajo svoje prednosti in slabosti, zato se pri avtonomnih vozilih uporablja kombinacija podatkov z različnih senzorjev, da lahko avtonomno vozilo zanesljiveje razume okolje. Uporabljamo dva glavna načina fuzije: zgodnja fuzija – združevanje podatkov direktno iz senzorjev in pozna fuzija – združevanje informacij iz obdelanih podatkov. Sočasna lokalizacija in mapiranje je tehnika, ki omogoča predvideti koordinate orientacijskih točk in koordinate našega vozila. LiDAR zazna zidove objektov in pločnike in sestavi zemljevid, v katerem algoritem prepozna orientacijske točke, jih pozicionira in doda na zemljevid. SLAM algoritem deluje na osnovi Kalmanovega filtra, filtra delcev ali informacijskega filtra. Načrtovanje so možgani avtonomnega vozila. Planiranje se deli na: globalno načrtovanje (pot od točke A do točke B), vedenjsko načrtovanje (predvidevanje kako se bodo druga vozila in ovire obnašale), in lokalno načrtovanje (izogibanje ovir in vozil, ustvarjanje poti). Krmiljenje je sledenje načrtovani poti z generiranjem kota zavijanja volana in vrednosti pospeškov. Načrtovanje in krmiljenje uporabljata globoko vzpodbujevalno učenje in enovite pristope. Simulacijsko okolje nam omogoča, da sistem izpostavimo velikemu številu različnih scenarijev na katerih se lahko sistem uči in testira. Pri simulatorjih je pomembno, da znajo čimbolje predstavljati razmere realnega sveta (npr. vremenski pogoji), karakteristike vozil (npr. trenje pnevmatik) in senzorjev (npr. ločljivost in doseg).
Diskusija in rezultati
