L’intelligenza artificiale autonoma è definita come routine progettate per consentire a robot, automobili, aerei e altri dispositivi di eseguire sequenze estese di manovre senza la guida dell’uomo. La rivoluzione nell’intelligenza artificiale (AI) ha raggiunto uno stadio in cui le soluzioni attuali possono completare in modo affidabile molti compiti semplici e coordinati. Ora l’obiettivo è estendere questa capacità sviluppando algoritmi in grado di pianificare in anticipo e costruire una strategia in più fasi per ottenere di più.
Pensare strategicamente richiede un approccio diverso rispetto a molte note applicazioni di successo per l’IA. Gli algoritmi di visione artificiale o di riconoscimento vocale, ad esempio, si concentrano su un momento particolare e hanno accesso a tutti i dati di cui potrebbero aver bisogno. Molte applicazioni per l’apprendimento automatico funzionano con set di formazione che coprono tutti i possibili risultati.
Il funzionamento autonomo spesso richiede l’immaginazione di una serie di potenziali risultati per il futuro, l’anticipo di possibili problemi e quindi l’impostazione di una linea d’azione che minimizzi i pericoli massimizzando al contempo altri fattori come la velocità o l’affidabilità. Imparare a giocare a scacchi è un buon allenamento per questi compiti, sia per i computer che per gli esseri umani.
I dispositivi autonomi possono già fare affidamento su una serie di tecnologie mature che sono state sviluppate per aiutare gli esseri umani . Esistono già elaborate mappe digitali delle strade e strumenti ben collaudati per trovare il percorso migliore attraverso di esse. I sensori sonar e le telecamere già avvertono di potenziali collisioni.
Gran parte del lavoro di creazione dell’autonomia richiede attenzione agli algoritmi strategici, nonché la comprensione di come costruire sensori migliori e interpretarne i risultati. Alcune aziende stanno spingendo per fotocamere migliori con illuminazione attiva da laser per fornire informazioni più precise sul mondo. Altri stanno cercando di utilizzare modelli matematici migliori per ottenere informazioni migliori dai sensori standard.
Quali sono le parti importanti dell’IA autonoma?
Il campo è ancora molto nuovo ei ricercatori perfezionano continuamente i loro algoritmi e i loro approcci al problema, ma è comune suddividere il lavoro in questi livelli.
Rilevamento : la costruzione di un modello del mondo in costante mutamento richiede una raccolta di sensori che di solito sono telecamere e spesso illuminazione controllata da laser o altre sorgenti. I sensori di solito includono anche informazioni sulla posizione dal GPS o da qualche altro meccanismo indipendente.
Fusion — I dettagli dei vari sensori devono essere organizzati in un’unica visione coerente di ciò che sta accadendo intorno al veicolo. Alcune immagini potrebbero essere occluse. Alcuni potrebbero non funzionare. Potrebbero non essere sempre coerenti. Gli algoritmi di fusione dei sensori devono ordinare i dettagli e costruire un modello affidabile che può essere utilizzato nelle fasi successive per la pianificazione.
Percezione : dopo che il modello è stato costruito, il sistema deve iniziare a identificare aree importanti come strade o percorsi o oggetti in movimento.
Pianificazione : trovare il percorso migliore richiede lo studio del modello e anche l’importazione di informazioni da altre fonti come software di mappatura, previsioni meteorologiche, sensori di traffico e altro ancora.
Controllo — Dopo aver scelto un percorso, qualsiasi dispositivo deve garantire che i motori e lo sterzo funzionino per muoversi lungo il percorso senza essere deviati da urti o piccoli ostacoli.
In generale, le informazioni fluiscono dallo strato superiore dei sensori fino al livello di controllo quando vengono prese le decisioni. Ci sono circuiti di feedback, tuttavia, che riportano le informazioni dagli strati inferiori alla parte superiore per migliorare il rilevamento, la pianificazione e la percezione.
I sistemi portano anche dati da fonti esterne. Un grande vantaggio dei sistemi autonomi appare quando i dispositivi comunicano tra loro, scambiandosi informazioni in un processo a volte chiamato “apprendimento della flotta”. Essere in grado di fondere le letture del sensore consente ai dispositivi di prendere decisioni più intelligenti utilizzando i dati storici di altri dispositivi che potrebbero essere stati nella stessa posizione in precedenza. Rilevare oggetti in movimento come i pedoni può essere difficile con solo pochi secondi di video perché le persone potrebbero essere ferme, ma diventa più facile quando è possibile confrontare i dati del sensore con immagini simili scattate all’inizio della giornata.
Quali sono alcuni modi per semplificare il lavoro?
Molti sistemi autonomi sono in grado di funzionare abbastanza bene semplificando l’ambiente e limitando le opzioni. Ad esempio, i treni navetta autonomi operano da anni nei parchi di divertimento, negli aeroporti e in altri contesti industriali. I loro percorsi sono predeterminati, limitati e spesso mantenuti liberi da ostacoli in movimento. Ciò semplifica ciascuna delle fasi dell’algoritmo.
Molti piani per la creazione di sistemi autonomi funzionanti dipendono dalla creazione di questo ambiente limitato. Alcuni, ad esempio, parlano di veicoli autonomi che circolano nei campus industriali. Altri si concentrano sui magazzini. Ridurre al minimo gli ostacoli casuali è fondamentale.
Un’altra possibile soluzione è organizzare l’intervento umano e ridurre al minimo il tempo necessario. Alcuni immaginano che le auto potrebbero fermarsi o fermarsi delicatamente se la scena diventa troppo complessa da interpretare. O il passeggero o una persona lontana in qualche struttura centrale di controllo della missione può subentrare fino a quando il problema non viene risolto.
Quali sono i livelli di guida autonoma del veicolo con intelligenza artificiale?
Per semplificare il passaggio alle IA completamente autonome che guidano i veicoli, alcuni scienziati dell’IA rompono il passaggio dalla guida umana a quella della macchina. Ciò consente a un quadro giuridico di evolversi e alle persone di classificare alcuni dei loro strumenti. I framework non sono fissi e alcuni, ad esempio, suddividono la loro gerarchia in cinque livelli e altri sei. Le distinzioni non sono fisse e alcuni algoritmi possono mostrare comportamenti da due o tre livelli contemporaneamente.
I livelli sono i seguenti:
Livello 0 — L’essere umano prende tutte le decisioni tranne, forse, alcuni sistemi automatici come i tergicristalli o il riscaldamento.
Livello 1 — L’essere umano è in grado di iniziare a delegare la responsabilità della frenata o della corsia che segue all’auto.
Livello 2 — L’auto gestirà diversi compiti importanti come frenare, accelerare o seguire la corsia, ma l’essere umano deve rimanere sempre pronto a prendere il controllo. Alcuni sistemi potrebbero anche richiedere che l’uomo tenga le mani sul volante.
Livello 3 — L’umano può allontanarsi dalla strada occasionalmente per un breve lasso di tempo, ma deve essere pronto a rispondere a un allarme in caso di necessità. L’auto è in grado di gestire il controllo su percorsi ben definiti e mappati come autostrade ma non strade o percorsi non studiati e mappati in anticipo.
Livello 4 — L’umano può passare ad altri compiti ma può assumere il controllo in qualsiasi momento. In alcuni casi in cui i percorsi non sono ben compresi dall’IA, potrebbe essere richiesto all’umano di subentrare.
Livello 5 — L’essere umano può trattare il servizio come un taxi e rinunciare a tutto il controllo.
I livelli non sono precisi perché il successo dell’IA può dipendere dal percorso. Un particolare insieme di algoritmi può fornire quasi la piena autonomia su percorsi ben definiti, come seguire corsie autostradali con poco traffico, ma potrebbe non funzionare in situazioni insolite o indefinite.
Come stanno affrontando la sfida i giganti?
Cruise Automation è una startup di proprietà di General Motors. Ha costruito versioni completamente autonome dell’auto Bolt di Chevy e le ha distribuite in città come San Francisco per vendere giostre. Stanno anche facendo funzionare le stesse auto a Phoenix per consegnare merci a Walmart.
Apple non ha annunciato alcun prodotto pubblico, ma ci sono state numerose segnalazioni che stanno assumendo ingegneri con esperienza in questo settore. Uno degli sviluppatori del software di pilota automatico di Tesla, ad esempio, è passato ad Apple.
La divisione di Alphabet sta costruendo un modulo chiamato Waymo Driver che può essere installato sul tetto di un’auto tradizionale e integrato con l’hardware di controllo. Il loro sforzo è uno dei primi visti sulle strade pubbliche e l’azienda si vanta di milioni di chilometri di test estesi. Stanno anche gestendo un servizio di trasporto chiamato Waymo One a Phoenix con la tecnologia e collaborano con società di autotrasporti a lungo raggio per testare il software sul trasporto di merci nei lunghi viaggi.
Il lavoro pubblico di Microsoft è più generale e sperimentale. Il loro gruppo di ricerca, ad esempio, condivide la base di codice Moab sotto la licenza MIT per consentire a chiunque di sperimentare le sfide di ordine superiore del rilevamento, della pianificazione e dell’azione. Questo fa parte di un più grande strumento low-code chiamato Bonsai che può guidare qualsiasi processo industriale, non solo guidare un camion. Pepsi, ad esempio, sta utilizzando la tecnologia per migliorare la qualità dei suoi snack Cheeto .
Oracle sta anche usando la parola come parte del nome dell’ultima versione del loro database di punta, che utilizza algoritmi di intelligenza artificiale per ottimizzare le prestazioni, risparmiando così tempo al personale.
IBM sta applicando la sua tecnologia di intelligenza artificiale alla guida delle navi. Il loro capitano AI è stato costruito per evitare collisioni mentre prendono decisioni intelligenti su vento, tempo e maree.
In che modo le startup incidono sull’IA autonoma?
Alcune startup stanno costruendo sistemi completi e creando sistemi di trasporto integrati verticalmente. Pony.ai , ad esempio, sta costruendo un array di sensori che si posiziona sopra i modelli di auto esistenti e trasmette le istruzioni di controllo per guidarli. Hanno creato versioni per numerosi modelli di case automobilistiche come Lexus, Hyundai e Lincoln. Gestiscono anche un servizio Robotaxi a Guangzhou e Pechino, oltre a Irvine e Fremont in California, inviando auto a guida autonoma ai motociclisti che le salutano con un’app per telefono.
Wayve si sta concentrando sul portare algoritmi di apprendimento automatico agili in un modulo simile. Sottolineano un modello in cui l’auto migliora costantemente e si adatta al vicinato condividendo le informazioni con gli altri membri della flotta. Testano regolarmente le auto nelle strade di Londra e stanno esplorando la creazione di flotte di consegna autonome.
Argo sta costruendo una piattaforma che raggruppa l’hardware del sensore basato su lidar, il software di guida e qualsiasi informazione di mappatura necessaria per far funzionare veicoli completamente autonomi. Hanno integrato la loro piattaforma autonoma con le auto di Ford e Volkswagen. Stanno anche collaborando con Walmart per creare veicoli per le consegne locali.
Molte delle startup stanno affrontando parti della sfida, dalla progettazione di sensori migliori alla creazione di algoritmi di pianificazione migliori. AEye sta costruendo 4Sight, un sistema di sensori adattivi costruito attorno ai sensori lidar. Attualmente realizzano due prodotti, noti come M e A, ottimizzati rispettivamente per applicazioni industriali e automobilistiche.
