Az tisztán látszik, hogy egyre nagyobb szerep jut majd a mesterséges intelligenciának az önvezető autók kapcsán. De mi történik akkor, ha nem áll rendelkezésre elegendő mennyiségű adat a gépi tanuláshoz? Mérnökeink erre kerestek megoldást.
Átalakul a közlekedés
Az emberi beavatkozást nem igénylő önvezető autók megjelenése forradalmi változásokat hozhat életünkbe: ha elterjednek az ilyen járművek, teljesen átalakulhat a közlekedés. Képzeljük csak el, hogy elég lesz okostelefonunk segítségével autót hívni otthonunk elé, majd beszállni a hajszálpontosan kért időpontra rendelt járműbe. Ezt követően pedig az utazás során nem kell a forgalmat figyelnünk, menet közben akár dolgozhatunk, filmet nézhetünk vagy olvasgathatunk. Ráadásul nem kell megvásárolnunk az autót, a fenntartási költségek mellett pedig egy sor vesződségtől is megkímél minket az, hogy elég egy-egy útra kibérelnünk a járművet. Nem kell parkolóhelyet keresnünk és persze fizetnünk a parkolásért. Ráadásul még a közlekedési dugók is enyhülhetnek.
![Az önvezető rendszerek egyik legnagyobb előnye az enyhülő dugókban rejlik majd.](https://iot.boschblog.hu/wp-content/uploads/2099/07/Bosch_IoT_onvezetes_tanulas_05.jpg)
Az önvezető rendszerek egyik legnagyobb előnye az enyhülő dugókban rejlik majd.
A Bosch fejlesztéseinek köszönhetően egyre közelebb kerülünk ahhoz, hogy mindez a hétköznapi valóság része legyen és szinte bárki számára elérhető legyen az önvezető autózás. A szakértők szerint, ha elterjednek az ilyen járművek, egy átlagos városi út alig kerül majd többe, mint pár buszjegy. Egyelőre azonban még csak néhány nagyvárosban tesztelik az ilyen rendszereket. A cél az, hogy mindenhol, minden körülmények között biztonságosan működjenek a járművek, ne zavarja meg azokat egy havas útszakasz, eső, vagy kopott, hiányzó útburkolati jel, esetleg túl kevés rendelkezésre álló adat.
Sok kis lépés
![Az adaptív sebességszabályozás az egyik legfontosabb tényező az önvezető technológiák kapcsán](https://iot.boschblog.hu/wp-content/uploads/2099/07/Bosch_IoT_onvezetes_tanulas_02.jpg)
Bár emberi beavatkozást nem igénylő autókkal „élesben” az átlagember még nem találkozhat az utakon, vállalatunk már számos olyan fejlesztést dobott piacra, amelyek már most is megkönnyítik, biztonságosabbá teszik a vezetést. Ilyenek a lidar-, radar- és kamerarendszerek, fedélzeti számítógépek, táblafelismerő rendszerek, de említhetjük az adaptív sebességszabályzót (ACC) és a sávtartó asszisztenst is. Az önvezető autózást tehát több lépéssel érhetjük el és az első lépéseket a vezetéstámogató rendszerek bevezetésével már megtettük.
Az egyik következő ilyen lépés az önvezető autózás felé a már említett adaptív sebességszabályzó szélesebb körű elterjesztése (ACC), ami már egyetlen új generációs mono kamerával is megvalósítható. Bár a radarokkal szemben a távolság és a relatív sebesség nem mérhető közvetlenül a nyers videóadatokból, a mono kamerák ezen hiányosságainak kompenzálására intelligens algoritmusokat fejlesztettek ki mérnökeink. A mesterséges intelligencián alapuló algoritmusok használatával a kamera fontos adatokat képes szolgáltatni az automatizált oldalirányú (kormányzás) és hosszirányú (fékezés, gyorsítás) vezérléshez, és képes az úton tartani a járművet, úgy, hogy az reagálni is tud a forgalom többi szereplőjére. Ha pedig a kamerarendszer mellett radart is használunk, még kényelmesebb és biztonságosabb lesz a vezetés.
Mihez kezdjünk egy kamionnal?
![Az adaptív sebességszabályozás az egyik legfontosabb tényező az önvezető technológiák kapcsán](https://iot.boschblog.hu/wp-content/uploads/2099/07/Bosch_IoT_onvezetes_tanulas_03.jpg)
Az adaptív sebességszabályozás az egyik legfontosabb tényező az önvezető technológiák kapcsán.
Komoly kihívást jelentett a mérnököknek, hogyan ismerjen fel egy önvezető rendszer bizonyos közlekedési szituációkat. Az egyik ilyen potenciálisan veszélyes helyzet, amikor autópályán egy tehergépjármű előzésbe kezd, úgy, hogy mögötte, nagyobb sebességgel érkezik egy ACC-vel felszerelt autó. Egy kamion esetében ugyanis, amikor a jármű eleje már abban a sávban halad, amelyben az önvezető autó is, a hátsó része még a másik sávban van. Ez pedig könnyen „megbolondíthatja” az ACC rendszereket, hiszen csak akkor kezdenek fékezni, amikor a jármű egésze abban a sávban halad, amelyikben az önvezető jármű is. Vagyis egy ilyen helyzetben valós veszély, hogy a rendszer késve kezd el fékezni. Mérnökeink ezért most azon dolgoznak, hogy mindez „élesben” ne forduljon elő, a fentiekben leírt sávváltásokat is megfelelően értelmezze a rendszer és időben reagáljon.
És mi történik, ha kevés az adat?
![Az önvezető járműveknek a legváratlanabb helyzeteket is jól kell kezelnie](https://iot.boschblog.hu/wp-content/uploads/2099/07/Bosch_IoT_onvezetes_tanulas_04.jpg)
Az önvezető járműveknek a legváratlanabb helyzeteket is jól kell kezelnie.
Ahhoz, hogy az önvezető autózás megvalósuljon, mesterséges intelligenciával működő rendszerekre van szükség. Ezek az eszközök viszont csak akkor tudnak hatékonyan működni – vagyis gyorsan tanulni – ha nagy mennyiségű adat áll a rendelkezésükre. A sávváltás azonban könnyen lehet kritikus szituáció, nehéz előre betáplálni olyan „necces” helyzeteket, amelyekből tanulhat a jármű: nem mindegy, hogy mekkora a forgalom, a többi jármű milyen sebességgel halad, vagyis minden sávváltás egyedi szituációt eredményezhet. A kis mennyiségű adat pedig mindig gondot okoz a gép tanulás területén, mivel a hálózatok az előre betáplált forgatókönyvekre támaszkodnak.
Alapos elemzés után ezért három különböző hálózati architektúrán dolgoznak a Bosch szakemberei (egy hosszú-rövid távú memória architektúrán és két konvolúciós neurális hálózati architektúrán). Ezenkívül különböző megközelítésekkel kísérleteznek a kis adatkészletek problémájának megoldása érdekében. A klasszikus adatnövelési technikák mellett, mint például zaj hozzáadása, vagy a bemeneti adatok keverése, egy szimulációs keretrendszert, illetve úgynevezett Variational Autoencoder eszközt (VAE) is alkalmaznak, mindkettőt szintetikus adatok előállításához a valós, de kis mennyiségű bemeneti adatok alapján.
Látens tér
![Ezzel a módszerrel eddig egyáltalán nem tanítottak szakembereink önvezető autókat, de úgy tűnik hatásos és szükség is lesz rá](https://iot.boschblog.hu/wp-content/uploads/2099/07/Bosch_IoT_onvezetes_tanulas_06.jpg)
Ezzel a módszerrel eddig egyáltalán nem tanítottak szakembereink önvezető autókat, de úgy tűnik hatásos és szükség is lesz rá.
A VAE nagyon hasznosnak bizonyult, mert nagy mennyiségű új információt képes előállítani, ha egy kis adatkészlet megtanult absztrakcióját adjuk meg számára. A program először egy kódoló lépést végez el, majd következik egy dekóder lépés. Ezt a kompakt ábrázolást látens térnek nevezzük, amely a bemenő adatok erősen összesített, absztrakt ábrázolásaként értelmezhető. Ebben a látens térben véletlenszerű zajt adnak hozzá az adatokhoz, amely után a dekóder lépés megsokszorozza a bemeneti adatokat. Ez a megközelítés nagyon hasonlít a számítógéppel előállított mély álomképekhez, de képek helyett összesített idősoros adatokra alkalmazzák. A hozzáadott zaj alapján a VAE nagy mennyiségű további új adatot „álmodik”, amelyek felhasználhatók a tanuláshoz.
Ez a laikusoknak kissé utópisztikusnak tűnő módszer az eddigi tapasztalatok alapján jól működik. Ezzel együtt a mérnökök előtt még sok munka áll, hiszen az adatokat és a működés egészét értékelni és finomítani kell. Az irány viszont abból a szempontból mindenképp jó, hogy egy viszonylag olcsó alkatrész segítségével komoly funkciókat tudunk biztosítani, ami olcsóbbá és ezáltal elérhetőbbé teheti magát az egész technológiát.
![Látens tér](https://iot.boschblog.hu/wp-content/uploads/2099/07/Bosch_IoT_onvezetes_tanulas_07.jpg)