Розробка безпілотних гольф-карів: чому вона користується попитом?

Саша Андрєєв — генеральний директор і засновник Jelvix | Цифровий лідер | Експерт з інновацій.

Гетті

«Майбутнє електромобілів — це візки для гольфу, а не Tesla», — заявив Harvard Business Review у 2015 році. І, схоже, вони не помилилися. У той час як великі автовиробники витрачають час на тестування концепцій автономних автомобілів, обіцяючи їх появу «незабаром» і «наступного року», модифікації електричних візків для гольфу можуть стати швидшим способом досягнення мети — виведення безпілотних автомобілів на дороги.

Зараз візки для гольфу використовуються не тільки для гри в гольф. Зараз вони є найпопулярнішим видом транспорту на короткі відстані та є більш екологічним, ніж будь-який альтернативний.

За даними Allied Market Research, світовий ринок гольф-мобілів досягне 1,79 мільярда доларів до 2028 року, зростаючи на 3,9% CAGR між 2021 і 2028 роками.

Гольф-візки прагнуть до автономії

Зіткнувшись із суворою реальністю, що майбутнє повністю автономних автомобілів ще дальше, ніж обіцяли, автовиробники та технологічні компанії повертаються до альтернативного використання технологій автономного керування. Деякі звертаються до роботів-доставників, тоді як інші допомагають розгортати невеликі низькошвидкісні машини типу візків для гольфу на об’єктах, фермах чи в аеропортах.

Наприклад, Honda тестує нову модель типу гольф-карта. Цей так званий «пристрій мікромобільності» є частиною зусиль Honda, спрямованих на допомогу людям, які не можуть самостійно керувати автомобілем, наприклад літнім людям або поколінням Z. У своєму поточному стані транспортні засоби Honda більше схожі на візки для гольфу або UTV. Але Honda вірить, що ці машини знайдуть своє місце в майбутньому міському середовищі.

Як спеціалісти з анотації даних допомагають бачити автономні візки для гольфу?

Автономні та напівавтономні автомобілі оснащені складними системами виявлення та розпізнавання транспортних засобів і об’єктів, дорожніх знаків, світлофорів і смуг, які вони зустрічають на дорозі. Ці системи вимагають достатньої кількості високоякісних даних, які належним чином анотовані. Анотація – це додавання цифрових міток до зображень або відео за допомогою обмежувальних рамок і визначення інших атрибутів, щоб допомогти моделям ML розпізнавати об’єкти, виявлені датчиками та камерами автомобіля. Ці зображення з цифровими тегами використовуються для «навчання» комп’ютерних систем без драйверів ідентифікувати ключові функції під час відображення нових і немаркованих даних.

Паноптична система сприйняття водіння

Високоточна система сприйняття в режимі реального часу керує діями автомобіля, витягуючи візуальну інформацію із зображень, зроблених камерами. Система сприйняття розуміє сцену, а потім надає системі прийняття рішень дані, включаючи розташування перешкод, судження про те, чи дорога придатна для проїзду, положення смуг тощо.

Класифікація дорожніх знаків

Це процес визначення, до якого класу належить дорожній знак. Для цього використовується загальнодоступний набір даних на Kaggle, що містить понад 50 000 зображень різних дорожніх знаків, розділених на 43 різні класи. Це підходить на початковому етапі, а потім компанії повинні самостійно збирати та розмічати свої дані.

Розпізнавання світлофора

Технологія може допомогти водіям визначити статус світлофора та швидко прийняти рішення відповідно до розпізнаного статусу. В даний час ці методи засновані на традиційних алгоритмах з використанням обробки зображень і машинного навчання.

Алгоритм, наприклад, спочатку виділяє червоні, зелені та жовті об’єкти із зображення за допомогою простої системи виявлення світлофора. Символи сигналів світлофора використовуються для підтвердження автентичності об’єкта перед оцінкою різних типів сигналів світлофора, щоб зменшити вплив навколишнього середовища.

Виявлення смуги руху

Виявлення кордонів доріг або ліній є одним із найважливіших, але складних завдань у розробці безпілотних автомобілів. Він включає в себе локалізацію дороги, визначення відносного розташування автомобіля та дороги та аналіз напрямку руху автомобіля.

Існуючі методи визначення смуг руху засновані на методах глибокого навчання. Порівняно з традиційними алгоритмами, які значною мірою покладаються на візуальні сигнали в певних середовищах, глибоке навчання покращує здатність мережі сприймати сцену шляхом постійної оптимізації параметрів нейронної мережі, що призводить до вищої надійності та застосовності.

Розпізнавання номерних знаків

Це ще один компонент проекту комп’ютерного бачення, необхідного для автономних автомобілів. Це рішення не входить до пакету, необхідного для автономних автомобілів для гольфу, але було б доречним у концепції розумного міста.

Суть

Робота над анотуванням автономних транспортних засобів виглядає цікавою, але вона має багато підводних каменів. Компанії, які вирішать взятися за проект самостійно, більшу частину часу витрачатимуть на теоретичну частину та виправлення власних помилок. Крім того, якщо працівники не є дослідниками даних, створити чіткі вказівки щодо того, що має бути позначено, досить складно.

Крім досвіду, професійні компанії з анотації повинні мати інноваційні інструменти для досягнення ідеальної точності пікселів. У той час як технологія для більш простих анотацій доступна для аматорського використання, технологія, необхідна для створення анотацій на радарах і лідарних даних, обмежена і вимагає високого досвіду.

Ось чому варто залучати постачальників до спеціалістів з анотації даних. Це спосіб приєднатися до автономного ринку без анотації даних.

Технологічна рада Forbes — це спільнота для ІТ-директорів, технічних директорів і технічних керівників світового рівня. Чи маю я право?