reklama
reklama
reklama
reklama
reklama
© Pixabay Przemysł elektroniczny | 23 sierpnia 2019

W Polsce powstaje symulator uczenia autonomicznych samochodów

Wysoki poziom bezpieczeństwa, jaki zapewniają inteligentne auta, nie jest wyłącznie zasługą programistów odpowiedzialnych za stworzenie systemów rozpoznawania i analizy obrazu. Równie istotną rolę w procesie tworzenia oprogramowania dla pojazdów tego typu pełnią algorytmy uczenia maszynowego.

Naukowcy tworzą specjalne programy, za pośrednictwem których uczą samochody poruszania się, zanim w ogóle wyjadą na drogi. Jeden z symulatorów do uczenia autonomicznych samochodów powstaje w Polsce.
– Robimy symulator jazdy do nauki dla samochodów autonomicznych, w którym nie uczymy człowieka jeździć samochodem – uczymy autonomiczne samochody. Szkolenie samochodów autonomicznych jest kosztowne, trwa bardzo długo i przede wszystkim może być niebezpieczne dla innych uczestników ruchu drogowego. Dlatego nasz pomysł jest taki, żeby część tego procesu przenieść do świata wirtualnego. To znaczy jest to taki program, wewnątrz którego inny program uczy się po prostu jazdy samochodem – mówi agencji informacyjnej Newseria Innowacje Adam Rzepka, prezes zarządu Intelicar. Jednym z największych graczy na rynku sztucznej inteligencji jest Google. Korporacja przez lata zdobywała doświadczenie w dziedzinie uczenia maszynowego, doskonaląc swoje algorytmy wyszukujące, a teraz za pośrednictwem spółki-córki DeepMind chce wejść na rynek motoryzacyjny. Inżynierowie DeepMind zaangażowali się w prace nad oprogramowaniem, które usprawni funkcjonowanie autonomicznych pojazdów od Waymo. Zespoły programistów z obu firm opracowały nowe narzędzia szkoleniowe wykorzystujące algorytmy uczenia maszynowego. Oprogramowanie uruchamiane jest na kilku symulatorach, a następnie każda wersja przechodzi niezależny proces szkolenia oraz testów. Kiedy te zakończą się, wdraża się najlepsze poprawki i ujednolica oprogramowanie. Następnie cały proces powtarza się wielokrotnie, aby otrzymać algorytm popełniający statystycznie najmniej błędów. – Standardowo samochód autonomiczny pobiera informacje o świecie za pomocą sensora, w komputerze pokładowym generuje decyzję i aplikuje ją w systemie sterowania. Podmieniamy zewnętrzny świat, sensory i sterowanie na ich wirtualne odpowiedniki. W ten sposób oprogramowanie jest dokładnie takie samo, jak w samochodzie, a potem może być wgrane do docelowego samochodu. Nauka nie ma ograniczeń czasowych. Samochód musi się dostosowywać do nowych przepisów, nowego kraju, nowych zwyczajów kierowców. Kiedy zdarza się jakiś wypadek, którego nikt wcześniej nie przewidział, trzeba po raz kolejny przetrenować to samo zdarzenie w tysiącach wariantów – tłumaczy ekspert.
Według analityków z firmy MarketsandMarkets wartość globalnego rynku uczenia maszynowego w 2016 roku przekroczyła miliard dolarów. Przewiduje się, że do 2022 roku wzrośnie ona do 8,8 mld dol. przy średniorocznym tempie wzrostu na poziomie przeszło 44 proc.
Z nieco innej strony do procesu szkolenia podeszli naukowcy z MIT Media Lab. Badacze od kilku lat prowadzą masowy internetowy eksperyment Moral Machine. W tym teście jednokrotnego wyboru każdy chętny może partycypować w procesie doskonalenia samochodowej sztucznej inteligencji. W ramach Moral Machine uczestnikom prezentuje się kilka problemów moralnych, z którymi mogą się w przyszłości zmagać systemy autonomiczne. Badacze mają za zadanie wskazać, których uczestników ruchu drogowego powinno uśmiercić inteligentne auto, gdyby tuż przed przejściem dla pieszych doszło do awarii hamulców. Projekt ma na celu stworzenie cyfrowego odpowiednika ludzkiej moralności dla pojazdów autonomicznych. Inżynierowie z Intelicar postanowili z kolei usprawnić sam proces tworzenia narzędzi do nauczania sztucznej inteligencji. Firma opracowała algorytm częściowo automatyzujący tworzenie systemów uczenia maszynowego na potrzeby rynku motoryzacyjnego. Dzięki niemu firma może dostarczać symulatory wyspecjalizowane do pracy w ściśle określonych warunkach. – Mamy technologię, dzięki której możemy bardzo szybko odwzorowywać realne miasta w wirtualnym świecie na podstawie danych geograficznych, zapełniać je ruchem drogowym. Dzięki temu klient nie musi ręcznie, żmudnie przygotowywać scenariuszy tych symulacji i to prowadzi do jeszcze większego przyspieszenia procesu – zauważa Adam Rzepka. Źródło: Newseria Innowacje
reklama
reklama
reklama
Załaduj więcej newsów
November 19 2019 17:01 V14.7.13-2