Разработка самоуправляемых гольф-каров: почему это востребовано?

Саша Андриев, генеральный директор и основатель Jelvix | Цифровой лидер | Эксперт по инновациям.

гетти

«Будущее электромобилей — это тележки для гольфа, а не Tesla», — заявил Harvard Business Review в 2015 году. И, похоже, они не ошиблись. В то время как крупные автопроизводители тратят время на тестирование концепций автономных автомобилей, обещая их появление «в ближайшее время» и «в следующем году», модификации электрических гольф-каров могут стать более быстрым способом достижения цели по выпуску беспилотных автомобилей на дороги.

Гольф-кары теперь используются не только для игры в гольф. В настоящее время они являются самым популярным видом транспорта на короткие расстояния и более экологичны, чем любая альтернатива.

По данным Allied Market Research, к 2028 году мировой рынок гольф-каров достигнет 1,79 миллиарда долларов, а среднегодовой темп роста в период с 2021 по 2028 год составит 3,9%.

Гольф-кары стремятся к автономии

Столкнувшись с суровой реальностью, что будущее полностью автономных автомобилей находится дальше, чем было обещано, автопроизводители и технологические компании поворачиваются к альтернативным вариантам использования технологий автономного вождения. Некоторые обращаются к роботам-доставщикам, в то время как другие помогают развертывать небольшие низкоскоростные машины типа гольф-кара для сайтов, ферм или аэропортов.

Например, Honda тестирует новую модель гольф-кара. Это так называемое «устройство микромобильности» является частью усилий Honda по оказанию помощи людям, которые не могут водить сами, например, пожилым людям или поколению Z. В своем нынешнем состоянии автомобили Honda больше похожи на тележки для гольфа или UTV. Но Honda считает, что эти машины найдут свое место в городской среде будущего.

Как специалисты по аннотации данных помогают автономным тележкам для гольфа видеть?

Автономные и полуавтономные автомобили оснащены сложными системами обнаружения и распознавания транспортных средств и объектов, дорожных знаков, светофоров и полос движения, с которыми они сталкиваются на дороге. Этим системам требуется достаточное количество высококачественных данных, которые должным образом аннотированы. Аннотации — это добавление цифровых меток к изображениям или видео с использованием ограничивающих рамок и определение других атрибутов, которые помогают моделям машинного обучения распознавать объекты, обнаруженные датчиками и камерами транспортных средств. Эти изображения с цифровыми тегами используются для «обучения» компьютерных систем без водителя идентифицировать ключевые функции при отображении новых и немаркированных данных.

Паноптическая система восприятия вождения

Высокоточная система восприятия в режиме реального времени управляет действиями автомобиля, извлекая визуальную информацию из изображений, снятых камерами. Система восприятия понимает сцену, а затем предоставляет системе принятия решений данные, включая расположение препятствий, оценку того, проходима ли дорога, положение полос движения и т. д.

Классификация дорожных знаков

Это процесс определения, к какому классу относится дорожный знак. Для этого используется общедоступный набор данных на Kaggle, содержащий более 50 000 изображений различных дорожных знаков, разделенных на 43 различных класса. Он подходит на начальном этапе, а затем компании должны самостоятельно собирать и размечать свои данные.

Распознавание светофора

Технология может помочь водителям определить статус светофора и быстро принять решение в соответствии с распознанным статусом. В настоящее время эти методы основаны на традиционных алгоритмах с использованием обработки изображений и машинного обучения.

Алгоритм, например, сначала извлекает из изображения красные, зеленые и желтые объекты, используя простую систему обнаружения сигналов светофора. Символы сигналов светофора используются для подтверждения подлинности объекта перед оценкой различных типов сигналов светофора, чтобы уменьшить помехи окружающей среды.

Обнаружение полосы движения

Обнаружение границ или линий дороги является одной из самых важных, но сложных задач в разработке беспилотных автомобилей. Он включает в себя локализацию дороги, определение относительного положения автомобиля и дороги и анализ направления движения автомобиля.

Существующие методы обнаружения полос движения основаны на методах глубокого обучения. По сравнению с традиционными алгоритмами, которые в значительной степени полагаются на визуальные подсказки в определенных средах, глубокое обучение улучшает способность сети воспринимать сцену за счет постоянной оптимизации параметров нейронной сети, что приводит к более высокой надежности и применимости.

Распознавание номерных знаков

Это еще один компонент проекта компьютерного зрения, необходимый для автономных автомобилей. Это решение не входит в пакет, необходимый для автономных автомобилей для гольфа, но было бы уместно в рамках концепции умного города.

Нижняя линия

Работа над аннотированием автономных транспортных средств кажется интересной, но в ней есть много подводных камней. Компании, решившие взяться за проект самостоятельно, большую часть времени потратят на теоретическую часть и исправление собственных ошибок. Кроме того, если работники не являются специалистами по обработке и анализу данных, создать четкие рекомендации относительно того, что должно быть помечено, довольно сложно.

Помимо опыта, профессиональные компании, занимающиеся аннотациями, должны иметь инновационные инструменты для достижения идеальной точности пикселей. В то время как технология для более простых аннотаций доступна для любительского использования, технология, необходимая для выполнения аннотаций к данным радара и лидара, ограничена и требует высокого профессионализма.

Вот почему стоит нанять аутсорсинговых поставщиков со специалистами по аннотации данных. Это способ присоединиться к автономному рынку, не беспокоясь о аннотации данных.

Технологический совет Forbes — это сообщество только по приглашению для ИТ-директоров, технических директоров и руководителей технологических компаний мирового класса. Имею ли я право?