Perché le auto a guida autonoma sono il futuro e come vengono create?
A causa delle recenti misure di quarantena adattive imposte praticamente in tutte le parti del mondo, i viaggi aerei, i trasporti pubblici e molti altri settori hanno subito un grande successo nel 2020. Tuttavia, il mondo automobilistico e i veicoli autonomi, in particolare, hanno mostrato una maggiore resilienza durante questo periodo difficile. Infatti, aziende come Ford hanno aumentato i loro investimenti nello sviluppo di auto elettriche e a guida autonoma stanziando 29 miliardi di dollari nel quarto trimestre dello scorso anno. Nello specifico, 7 miliardi di dollari di quei soldi andranno allo sviluppo di auto a guida autonoma. Quindi Ford si unisce a General Motors, Tesla, Baidu e altre case automobilistiche per investire pesantemente in veicoli autonomi. In questo articolo, ti parleremo del motivo per cui le aziende investono in auto a guida autonoma e come ilvengono addestrati gli algoritmi di apprendimento automatico che li alimentano.
Perché così tante aziende investono in auto a guida autonoma?
Quando diamo uno sguardo a tutti i vantaggi offerti dai veicoli autonomi, è facile capire perché così tante aziende stanno investendo nel loro sviluppo. I conducenti saranno in grado di risparmiare più soldi poiché non dovranno pagare per costosi piani assicurativi, accelererà i loro spostamenti quotidiani, migliorerà il risparmio di carburante e molti altri vantaggi. Per le aziende, tale automazione apre la porta a maggiori risparmi. Un ottimo esempio di ciò è l’autotrasporto autonomo a lungo raggio che sarà in grado di ridurre i costi operativi del 45%, secondo un rapporto di McKinsey & Company.
Il vantaggio principale deve essere una maggiore sicurezza. Secondo l’NHTSA, il 94% degli incidenti gravi è il risultato di un errore umano. Le auto a guida autonoma possono ridurre notevolmente il numero di incidenti poiché non richiedono alcun intervento da parte del conducente e hanno una visuale a 360 gradi in ogni momento. Inoltre, i sistemi avanzati di sicurezza del conducente (ADAS) possono assumere funzioni critiche per la sicurezza in situazioni pericolose come la frenata e lo sterzo. Ci sono molti veicoli a guida autonoma a valore aggiunto che offrono alla società come emissioni ridotte. In effetti, un caso di base ha mostrato una riduzione del 9% di energia e emissioni di gas serra nell’intera vita del veicolo rispetto a quelle di un veicolo convenzionale. Non che conosciamo tutti i vantaggi che le auto a guida autonoma hanno da offrire, diamo un’occhiata a come sono addestrate a riconoscere il mondo che le circonda.
Come funzionano gli AV e come gli AV possono diventare una realtà
Un veicolo autonomo deve seguire le regole della strada e per farlo deve riconoscere tutti i vari segnali stradali, segnaletica orizzontale, rilevare altri veicoli e pedoni e innumerevoli altri oggetti. Questi veicoli con intelligenza artificiale si basano sull’apprendimento automatico per “calcolare” ciò che deve essere fatto in tutti i tipi di situazioni di guida. Cominciamo con un esempio di base. Una persona è nel proprio AV che guida in autostrada per andare al lavoro. L’auto dovrà identificare correttamente il limite di velocità indicato, mantenere una distanza di sicurezza dall’auto che precede e, quando entra in un’area residenziale, deve riconoscere i pedoni e lasciarli attraversare la strada.
Ciò richiede che migliaia e migliaia di immagini siano annotate con tecniche che vanno dall’etichettatura fino alla segmentazione semantica. Infatti, Evgenia Khimenko, CEO di Mindy Support , una società che fornisce servizi di annotazione dei dati per il settore automobilistico, afferma che è possibile una vasta gamma di progetti di annotazione dei dati per l’industria automobilistica:
“Questi includono progetti come il riconoscimento facciale sui video per addestrare auto a guida autonoma per identificare il comportamento di altri conducenti sulla strada, etichettatura video e annotazioni per rilevare il movimento e la direzione del veicolo (abbiamo annotato più di 545 milioni di sequenze di immagini). Un altro compito sofisticato di annotazione audio è stato quando dovevamo identificare il timestamp e l’etichetta del discorso umano, nonché tutti i rumori di sottofondo che si verificano all’interno del veicolo come radio, risate, urla, canti, animali e persino silenzio ”.
Consideriamo uno scenario complesso. Immagina che il veicolo autonomo stia guidando in un quartiere residenziale e ci siano adolescenti con skateboard che aspettano di attraversare la strada. Secondo il regolamento, l’auto ha la precedenza, ma ci sono buone probabilità che i ragazzi non aspetteranno che il semaforo diventi verde e cercheranno di attraversare la strada prematuramente. Un guidatore umano sarà ben consapevole di tale rischio e rallenterà per anticipare un tale evento, ma per una macchina, questo sarebbe molto difficile da calcolare. Questo è il passo successivo che i ricercatori stanno cercando di compiere con i veicoli autonomi e semplicemente più dati annotati potrebbero essere la risposta.
Come vedono gli AV il mondo fisico?
I veicoli autonomi si affidano alla tecnologia LiDAR per aiutarli a vedere il mondo che li circonda. LiDAR crea una nuvola di punti 3D che è una rappresentazione digitale di come il sistema AI vede il mondo. Questa tecnologia non è riservata solo ai veicoli autonomi, ma viene anche utilizzata per altri lavori di automazione dei processi robotici come la creazione di un robot in grado di raccogliere i raccolti per il settore agricolo. Anche la nuvola di punti 3D dovrà essere annotata in modo che la macchina sappia esattamente cosa sta vedendo. Questo di solito viene fatto con tecniche come l’etichettatura, le scatole 3D e la segmentazione semantica. Una forma più avanzata di annotazione sarebbe codificare a colori la nuvola di punti 3D in modo che il veicolo comprenda la distanza dell’oggetto.
Il modo in cui funziona LiDAR è che invia un segnale di luce a tutti gli oggetti che lo circondano e, a seconda di quanto tempo impiega la luce a tornare, dà all’IA una comprensione di quanto sia lontano l’oggetto. Ad esempio, il terreno sulla nuvola di punti 3D sarà sempre blu perché è il punto più basso, la luce rimbalzerà rapidamente e il blu ha una lunghezza d’onda molto corta. Uno degli edifici circostanti può essere rosso o arancione a seconda di quanto è lontano.
Vale la pena notare che LiDAR non è l’unico gioco in città. Ad esempio, Tesla utilizza qualcosa chiamato Hydrant, che è una combinazione di otto telecamere che uniscono un’immagine completa della strada. Altre società, come Waymo e Voyage, utilizzano LiDAR. Una possibile ragione per cui Tesla potrebbe evitare il LiDAR è che è molto voluminoso e rovina l’aspetto generale dell’auto. Dopotutto, le Tesla sono molto costose e gli automobilisti probabilmente non vorranno una scatola gigante sul tetto delle loro auto. Le aziende che sviluppano robotaxi, come Waymo, potrebbero essere in grado di cavarsela usando LiDAR.
Perché i dati di formazione di qualità sono così importanti?
Disporre di dati di allenamento di qualità è una delle cose più essenziali di cui hai bisogno per creare un’auto a guida autonoma. Tuttavia, ottenere semplicemente questi dati non è sufficiente. I set di dati di addestramento devono essere preparati tramite annotazione dei dati in modo che il sistema di intelligenza artificiale possa imparare da essi. Sebbene questo sia un processo noioso e che richiede molto tempo, il successo dell’intero progetto dipende da questo. Dopotutto, le auto a guida autonoma sono il futuro e possono potenzialmente aiutarci a ridurre o addirittura eliminare alcuni dei problemi che stiamo vivendo in termini di incidenti automobilistici e vittime, problemi ambientali e ingorghi stradali.
