Így működik a Hyundai mesterséges intelligencián alapuló sebességtartója
A Hyundai csoport SCC-ML néven kifejlesztette a világ első olyan mesterséges intelligenciára épülő részlegesen önvezető technológiáját, amely képes alkalmazkodni a sofőr vezetési szokásaihoz.
A sebességtartó automatika manapság teljesen átlagos vezetéstámogató rendszernek számít. A korai sebességtartó automata lehetővé tette a járművezető számára, hogy rögzítse az autó sebességét, amit az magától fenntartott. Hacsak a vezető kézzel nem változtatott a sebességen, a rendszerek nem tudták maguktól növelni vagy csökkenteni azt.
A sebességtartó azonban azóta egy egyszerű kényelmi eszközből olyan fejletté érett, amely a vezetés biztonságához is hozzájárul: a legmodernebb ADAS (Advanced Driver Assistance System) rendszer SCC néven ismert intelligens sebességtartó automatika arra is képes, hogy nem csak rögzíti a sebességet, de a járművek közötti távolságot is képes önállóan beállítani. Jelenleg ezt a technológiát használják a 2. szintű részleges önvezető vezetési technológia alapjaként.
Az SCC azonban most ismét továbbfejlődött azzal, hogy képességeit a mesterséges intelligenciával növelték. Az SCC-ML (mesterséges tanulásalapú intelligens sebességtartó automatika) a mesterséges intelligencia technológiáját alkalmazva figyeli és elraktározza a járművezető menet közbeni viselkedését, így a sofőr részére egyedi, testreszabott intelligens sebességtartó automatát tud kínálni. A csúcstechnológiát a Hyundai és Kia kiválasztott új modelljeibe fogják beépíteni. Most pedig a Hyundai/Kia Autonóm Kereskedelmi Fejlesztési Csoport tagjai beszélnek az SCC-ML rendszerről.
K. Indulhatnánk az SCC-ML rövid magyarázatával?
Hae-Jin Seo vezető kutató: A meglévő SCC egyszerűen követte az alapértelmezett beállítást a járművek közötti távolság vagy a gyorsulási sebesség szempontjából, vagy jelezte, hogy a vezető manuálisan állítsa be a kívánt szinteket. Még akkor is, amikor a sofőrnek volt ilyen lehetősége, csak néhány szint közül lehetett választani. A járművek közötti távolságnak például csak négy lehetséges beállítása volt. Ennek eredményeként nehéz volt alkalmazkodni a különféle járművezetők által preferált vezetési stílusokhoz, ezért sok járművezető kellemetlennek találta az SCC által támogatott vezetést. A legrosszabb esetben a kellemetlenség annyira nagy volt, hogy egyes járművezetők egyszerűen teljesen letiltották a rendszert. Az SCC-ML a megoldást jelent erre a problémára: gépi tanulással közelítünk a járművezetők által előnyben részesített viselkedésre és így biztosítjuk, hogy az SCC használata során a vezetés nem különbözik olyan nagy mértékben a szokásos vezetési stílustól.
Milyen módon nyújt a mesterséges intelligencia előnyt az SCC-ML számára?
Seo: Nos, a mesterséges intelligencia alatt sokféle technológiát értünk. A Lee Se-Doldal folytatott go versenyéről ismert AlphaGo a mély tanulási technológián alapul. Az SCC-ML egy másik mesterséges technológiát, az úgynevezett gépi tanulási algoritmust használ arra, hogy megtanulja a vezető mintáit. Amikor az algoritmus neurális hálózata összetett és többrétegű, akkor „Mély tanulásnak” hívjuk, de a gépi tanulás az SCC-ML esetében egyrétegű. Megfontoltuk a mély tanulás alkalmazását is, de az idegi hálózat megnövekedett összetettsége olyan kiszámíthatatlan hibákat eredményezhet, amelyek biztonsági veszélyekké válhatnak. Úgy gondoltuk, hogy az egyrétegű neurális hálózat elegendő olyan adatok összegyűjtéséhez, amelyek meg tudják valósítani a vezetési tendenciák fontos jellemzőit, ezért ezt az egyszerűbb gépi tanulási algoritmust választottuk a rendszer számára.
Konkrétan hogyan működnek az SCC-ML funkciói?
Si-Joon Kim igazgató: Az érzékelők, például az előre néző kamera és a radar először összegyűjtik az adatokat különböző a közúti helyzetekből, majd elküldik az adatokat az ADAS központi számítógépéhez, amely lényegében a rendszer agya. A vezérlő számítógép ezután az inputadatokból kielemzi a vezető közúti tendenciáinak megértéséhez szükséges információkat. Ezután ezeket az információkat eltárolja, hogy az SCC aktiválásakor az önvezetés a legjobban hasonlítson a vezető szokásaihoz.
Megtudhatnánk egy kicsit többet a vezérlő számítógépről?
Kim: Ez gyakorlatilag a rendszer agya. Ismételten, megkapja az inputadatokat az érzékelőktől, de az egyidejűleg összegyűjtött adatok még eltérő formában érkeznek a különböző szenzoroktól. A különféle adatok egyetlen hasznos adatbázisba történő összevonásához szükséges feldolgozás valójában meglehetősen nehéz. Itt a „Szenzor Fúzió” technológiát alkalmazzák a probléma megoldására. Ennek segítségével a számítógép egy interfészbe tudja rendezni és feldolgozni a különféle érzékelők adatait. Az SCC-ML a feldolgozott információkat használja a vezetési minták eldöntésére és azok közúton történő végrehajtására.
Hányféle vezetési mintát tud az SCC-ML rögzíteni?
Seo: Több mint 10 000. Ez magában foglalja a közrejátszó összes variációt, amelyeket a legmagasabb szinten három kategóriába lehet osztani: járművek közötti távolság, gyorsulás (milyen lendülettel gyorsul az autó) és reakcióidő (a vezető milyen gyorsan reagál a környezetére). Felteheti azt a kérdést, hogyan lehet több mint 10 000 kombinációt kapni ebből a három kategóriából, de a változók alacsonyabb szinten sokszorozódnak. A fejlesztés korai szakaszában több száz járművezető adatait gyűjtöttük össze és elemzésük kimutatta, hogy a vezetési tendenciák különböző sebességi szinteken változtak. Például egy olyan vezető, aki alacsonyabb lendülettel gyorsul fel, nem feltétlenül mutatja ugyanazokat a tendenciákat nagyobb sebességnél. Ugyanígy volt egy sofőr, aki kis távolságot tartott a járművek között alacsony sebességű városi vezetés közben, de nagyon nagy távolságokat nagy sebesség mellett. Ez csak néhány példa a változókra, amelyek hozzájárultak az SCC-ML kialakításához.
Kim: A rendszert továbbfejlesztjük annak érdekében, hogy figyelembe vegyük a még változatosabb közúti helyzeteket is. Például egy háromsávos, egyirányú úton, ha a sofőr a második sávban tartózkodik, és az első és a harmadik sávban nagy teherautók vannak, akkor dönthet úgy, hogy nem halad át a kamionok között. Vagy megtehetjük azt is, hogy a teherautók mellett alacsonyabb sebességgel haladjanak el. Elképzelhetetlenül sok olyan helyzet van, amelyet be lehet építeni a rendszerbe. Minden ilyen fejlesztési erőfeszítés célja az emberihez hasonló autonóm vezetés megalkotása.
Hogyan tanulja meg a rendszer a vezetési mintákat?
Kim: A minták kezdeti megértéséhez szükséges idő változó, de az átlag körülbelül egy óra. Ezt követően a rendszer rendszeresen frissíti a további felhalmozott adatokat. A múltbeli adatok ekkor ugyan elveszítik relatív jelentőségüket, de nem teljesen tűnnek el az adatbázisból. Mivel az érzékelők a legfrissebb adatokat őrzik meg, amelyek feltehetően a legjobban tükrözik a járművezető tendenciáit, az adatbázist alapvetően úgy állítják be, hogy az ilyen adatok előnyt élveznek.
Lehetséges-e, hogy a mesterséges intelligencia olyan mintát is létrehoz, amelyet nem tartalmaz a meglévő adatbázis?
Kim: Sokat gondolkodtunk ezen a koncepció kidolgozásakor. Tízezer mintának elégnek kell lennie arra, hogy megfeleljen szinte minden járművezető szokásainak, de ez talán nem eléggé átfogó. Tehát kezdetben azon dolgoztunk, hogy új mintákat adjunk hozzá, amelyeket jellemzően különböznek a létezőktől.
Végső soron viszont az SCC-ML nemcsak kényelmi, hanem biztonsági rendszer is. Ha új, nem tesztelt mintát alkalmaznak a rendszerre, akkor fennállt annak a lehetősége, hogy a minta biztonsági kockázatot jelenthet. Tehát elhagytuk ezt a képességet. Ha a vezető közúti magatartása nagyon különbözik a biztonságos vezetési gyakorlattól, akkor a rendszer az ahhoz legközelebbi mintához igazítja, amely még biztonságos. hiszen a szabálytalan vezetési magatartások biztonsági kockázatot jelenthetnek.
Fontolóra vesszük, hogy még biztonságosabb mintákat adjunk a rendszerhez hozzá és a felhőalapú alkalmazáson keresztül frissítsük azt. Egyelőre azonban biztosan nem, mivel vannak olyan akadályok, mint az OTA (Over the Air; vezeték nélküli frissítési technológia) korlátozottsága, de mivel a mögöttes technológiák fejlődnek, azt jósoljuk, hogy az SCC-ML-t később online is tudjuk frissíteni.
Az SCC-ML nem okozna kellemetlenséget a felhasználók számára, mint az SCC tette?
Seo: Éppen ellenkezőleg. Az SCC-ML alkalmazása esetén az vezetőnek nem kell manuálisan kezelnie az SCC beállításait. Az SCC-ML célja, hogy automatikusan megközelítse a járművezető szokásos viselkedését és útközben visszatükrözze azokat. Biztosak vagyunk abban, hogy a sofőr nem érez semmilyen kellemetlenséget, mivel a pontosan azt teszi, amit anélkül az ember tenne. Természetesen a kézi beállítás lehetősége még mindig elérhető marad, ha erre szükség van.
A különböző tesztelési folyamatok során milyen visszajelzések érkeztek a résztvevő vezetőktől?
Kim: Nagyon elégedettek voltak. Mivel azonban egy funkcióval kapcsolatos elégedettség végső soron szubjektív, nehézségekbe ütközött a felmérés visszajelzéseinek objektívebb adatokká alakítása. Tehát az adatok szempontjából közelítettük meg a kérdést. Nemcsak a szubjektív visszajelzéseket, hanem a valós vezetési helyzetek alapján összegyűjtött adatokat is megvizsgáltuk és grafikusan összehasonlítottuk azokat az SCC-ML által mért adatokkal. Más szóval, összehasonlítottuk a résztvevők önálló vezetési adatait az autonóm vezetési adatokkal. Az eredmények nagyon pozitívak voltak. Az SCC-ML nagyon jól megközelítheti a járművezető közúti magatartását.
Mennyi ideig tartott a fejlesztés?
Seo: Az SCC-ML kifejlesztéséhez szükséges idő durván két és fél év volt. Ez az ipari szabványokhoz képest nagyon rövid idő. Nehéz munka, ha kevesebb, mint három év alatt nemcsak ki kell fejleszti a technológiát, de azt a tömegtermelésre is alkalmassá kell tenni. De az mesterséges intelligencián alapuló technológiát már sokat tanulmányoztuk, még mielőtt elkezdtünk volna dolgozni az SCC-ML-en. Csak az telt egy kis időbe, hogy a mesterséges intelligenciát a fejlett vezetéstámogató rendszerekhez igazítsuk.
Az önvezetés korszakában hogyan látja az SCC-ML további fejlődését?
Seo: Nos, amikor eljön a teljes autonóm vezetés korszaka, az SCC-ML már elavulttá válhat. Ha az emberek nem vezetnek, nem állnak rendelkezésre adatok, amelyeket meg kell közelítenünk és amiből lehet tanulni. De az emberek a körülményektől függően még a 4. szintű autonóm technológia esetén is vezetni fognak. Tehát akkor még fontos lehet megtanulni a járművezető közúti viselkedéseit. Ezenkívül a vezető viselkedésről begyűjtött nagyszámú információ a teljes autonóm vezetés elindulásakor bármilyen célra felhasználható lesz.
Kim: Ha az autonóm vezetés általánossá válik, akkor az utas teljes bizalmát ki kell érdemelni. Ha az autó járművezető elvárásaitól eltérően vezet, az ebből adódó kellemetlenség a bizalom elvesztéséhez vezethet. Az SCC-ML lehetővé tenné a járművezetők számára, hogy közelebb kerüljenek az autonóm vezetés gondolatához azáltal, hogy olyan vezetési mintát kínálnak, amely hasonlít a sajátjaihoz. Ebben az értelemben ez a technológia hidat képezhet az autonóm vezetés kiteljesedéséhez. Az SCC-ML a HDA II-vel kombinálható, amely magában foglalja az önálló sávváltást, így meghaladja a 2. szintet, és gyakorlatilag egy 2.5. szintű autonóm vezetést tesz lehetővé. A Hyundai csoport ezeket a funkciókat kiválasztott új modelljeiben fogja bevezetni. Az SCC-ML technológia jelentős előrelépést jelent a csoport iparágvezető szerepében a mesterséges intelligencia területén, amely az autonóm vezetési technológia egyik kritikus alkotóeleme.
Forrás: hyundaimotorgroup.com
Dönci Hyundai-KIA Blogja a Facebookon és az Instagramon! Hírek, fotók, videók és még több Hyundai! Csatlakozz Te is! Katt!
Beszélgetnél a Hyundairól vagy tanácsra lenne szükséged? Gyere és csatlakozz Te is a Dönci Hyundai Univerzumához! Itt biztosan megtalálod a választ! Katt ide!
