Az autonóm vezetés a kognitív neuroinformatika révén halad előre
A Brémai Egyetem Kognitív Neuroinformatikai Kutatócsoportja a Continental autóipari beszállítóval folytatott együttműködési projektben jelentős kutatási sikerekkel járult hozzá a fejlett vezetést segítő rendszerek kifejlesztéséhez. A mesterséges intelligencia segítségével az összetett közlekedési helyzetek jobban felismerhetők.
Proreta 5 a neve annak a kutatási projektnek, amelyet az autóipari beszállító a közelmúltban zárt le tudományos együttműködési partnereivel. A Brémai Egyetem mellett a TU Darmstadt és a TU Iași (Románia) is részt vett a projektben.
„A végén egy vezetési bemutató volt Darmstadtban. Ott bemutattuk azokat az autonóm vezetési funkciókat, amelyeken intenzíven dolgoztunk” – mondja Kerstin Schill professzor, a Brémai Egyetem Kognitív Neuroinformatikai munkacsoportjának vezetője. A kutatójármű képes volt autonóm módon követni az út menetét egy előre meghatározott úti céllal, és reagálni a többi közlekedőre – gyalogosokra, kerékpárosokra és egyéb járművekre – magyarázza a kutató.
Az ötödik Proreta-kutatási projekt célja olyan algoritmusok kifejlesztése volt, amelyek szenzoradatokra támaszkodva az emberhez hasonlóan helyes vezetési döntéseket hoznak. Egy ellenőrizetlen kereszteződésben például már az emberi járművezetőknek, és még inkább a vezérlőelektronika számára kihívást jelent a tervezett haladási irány szempontjából releváns összes tárgy értelmezése. Ennek során figyelembe veszik a járművezető saját mozgási irányát, valamint más tárgyak irányát, szándékát és elsőbbségét a forgalomban.
A mesterséges intelligenciának (AI) képesnek kell lennie arra, hogy biztonságos döntéseket hozzon emberi beavatkozás nélkül. „A mesterséges intelligencia nagy előnye, hogy egy betanítási fázis után a tanultak alapján képes levonni a megfelelő következtetéseket ismeretlen helyzetekben is” – magyarázza az informatikus professzor.
„A projekt egyik része az emberi vezetők megfigyelése volt, amint ők maguk kezelik és értékelik a környezet összetettségét. Az adaptív algoritmusokat most hasonló elvek szerint képezzük.”
A projektben a Kognitív Neuroinformatikai Munkacsoport a környezet észlelésére szolgáló mesterséges intelligencia módszereket vizsgálta – tárgyakat és akadályokat kellett felismerni a környezetben. Emellett a kameraadatok alapján új módszereket fejlesztettek ki az emberi figyelem modellezésére. Ez olyan láthatósági térképek létrehozását jelenti, amelyek meghatározzák a kép releváns területeit, ahol például más úthasználók vagy táblák jelenhetnek meg. Emellett új matematikai modelleket fejlesztettek ki, amelyek matematikailag helyesen ábrázolják a többi közlekedő helyzetét, mozgási irányát, sebességét vagy méretét, és bonyolult járműgeometriákat írnak le.
Végül egy objektumkövetést valósítottak meg, amely képes észlelni a megfigyelési területen közlekedőket, és idővel megbecsülni állapotukat. „Ezek a módszerek biztosítják a megfelelő feladatok hatékonyabb, robusztusabb és biztonságosabb megoldását. Így jelentős mértékben hozzájárulnak a nagymértékben automatizált és autonóm vezetéshez” – mondja Schill. „A projekt ideális példája annak, hogy hogyan működhet az egyetemi és az üzleti kutatások közötti kölcsönösen előnyös együttműködés.”
A projekt részeként több kutató feltárta a mesterséges intelligencia alkalmazásának sajátos részszempontjait a járművezetésben. Jaime Maldonado az emberi figyelem modellezésén dolgozott az autonóm vezetéssel összefüggésben. Konkrétan egy figyelemvezérelt rendszert fejlesztettek ki, amely két komponensből áll. Egyrészt a kameraképek releváns területeit úgynevezett feltűnési térképek határozzák meg. Másrészt a vezető tekintetét a képbe vetítik, hogy kiterjesszék az érintett területet. Ez lehetővé teszi a kép releváns és nem releváns régióinak megkülönböztetését és hatékonyabb feldolgozását a későbbi algoritmusok segítségével.
Andreas Serov olyan objektumkövetést valósított meg, amely érzékeli a jármű megfigyelési területén lévő releváns objektumokat, és valós időben meghatározza azok helyzetét, sebességét, tájolását és méretét. A követett objektumok listája további feldolgozás céljából elérhető a következő modulok számára (előrejelzés, tervezés és vezérlés). Az objektumkövetés radar és lidar adatokon alapul.
Lino Giefer az autonóm vezetés állapotbecslésének és reprezentációjának elméleti alapjait vizsgálta. Új modelleket hozott létre a csuklós járművek – például buszok, villamosok vagy pótkocsis járművek – matematikailag helyes leírására. A lokalizáció és az objektumkövetés állapot- és mérési bizonytalanságait is vizsgálta.
Razieh Khamseh-Ashari mesterséges intelligencia módszerekkel vizsgálta a multimodális objektumok felismerését lidar és kamera adatok alapján. Az érzékelő bemenetek korai egyesítése révén a megfigyelési területen lévő objektumok rendkívül pontos lokalizációja érhető el.
A Continental autóipari beszállító partnerként vett részt a projektben. A cég egy érzékelőkkel és egy nagy teljesítményű számítógéppel felszerelt járművet bocsátott rendelkezésre, amellyel a kutatók valós körülmények között tesztelhették az automatizált vezetési rendszer kidolgozott működési és ellenőrzési módszereit. A módszerek magukban foglalták egy objektum dinamikus viselkedésének multimodális előrejelzését, a közlekedési szabályok betartásának meghatározását és tesztelését, valamint a logikai alapú tesztelést az AI-modulok nem biztonságos viselkedésének észlelésére.
Andree Hohm, a Proreta 2 PhD hallgatója, és jelenleg a Continental Autonóm Mobilitás üzletág „Driverless” innovációs területének vezetője így kommentálja az eredményeket:
„A Proretánál kutatást végeztünk annak érdekében, hogy az ipari tudást egyesítsük az egyetemi kutatás készségeivel, és fiatal tudósokkal közösen megoldásokat találjunk a nagy kihívást jelentő problémákra. Ebben az együttműködésben az a lenyűgöző, hogy kutatási válaszokat használtunk a járműben való tényleges alkalmazás alapjainak lefektetéséhez. Amit az első projektekben fejlesztettünk, az ma is látható a közúti forgalomban, és biztonságot garantál útjainkon.”
Az első Proreta projekt (2002-től 2006-ig) azt vizsgálta, hogyan képes egy jármű a környezeti szenzortechnológiával automatikusan észlelni a közvetlen veszélyeket (álló vagy mozgó akadályokat) és elkerülni azokat vészfékezéssel vagy vészhelyzeti elkerülő akcióval.
A Proreta 2 projektben (2006-2009) a csapatok egy olyan vezetőtámogató rendszer prototípusait kutatták, amelyek segítik a vezetőt a balesetek megelőzésében vidéki utakon végzett előzési manőverek során. Ennek érdekében egy olyan rendszert fejlesztettek ki, amely szenzorok és menetdinamikai adatok felhasználásával meghatározza és tartósan kiszámítja a vezető saját járművének, az elöl haladó járműnek és a szembejövő járműnek a helyzetét, hogy megállapítsa, elegendő-e a szabad út a biztonságos előzési manőverhez.
A Proreta 3 (2011-2014) egy „biztonsági folyosó” megvalósítását kutatta, mint integrált járműbiztonsági koncepciót a városi és vidéki közúti közlekedés aktív biztonságának növelése érdekében. A kihívásokat itt a városi forgalom rendkívül összetettsége és az a kérdés jelentette, hogy hogyan kell megtervezni egy olyan biztonsági rendszert, amely felismeri a hirtelen bekövetkező veszélyt, és aktív segítő intézkedéseket, például kormányzási és/vagy fékezési beavatkozásokat tesz, hogy azt a vezető elfogadja.
A Proreta 4 (2015-2018) az intelligens tanulójármű-rendszerekre összpontosított a vezetési biztonság és kényelem további növelése érdekében. Ezek az asszisztens rendszerek egyéni és alkalmazkodó javaslatokkal támogatják a vezetőt nehéz helyzetekben.
Forrás: EE News Europe
