ADAS و رانندگی خودکار: مبانی حس کردن

سود:

• توانایی توضیح نقش دوربین، رادار، LiDAR و ترکیب سنسور در زنجیره تشخیص و سطوح اتوماسیون SAE
• امکان ایجاد برچسب گذاری داده ها، تعریف سناریو و معیارهای ارزیابی برای تشخیص، طبقه بندی و ردیابی اشیا
• توانایی ارزیابی انتقادی موارد لبه، تعادل مثبت/منفی کاذب و حاشیه ایمنی در خروجی مدل تشخیص

اکثر خودروهای امروزی دارای ویژگی هایی مانند هشدار خروج از خط، ترمز اضطراری خودکار یا کروز کنترل تطبیقی هستند. همه اینها زیر چتر ADAS (سیستم های پیشرفته کمک راننده) هستند. در قلب این سیستم‌ها و رانندگی مستقل بیشتر، ادراک است: روشی که وسیله نقلیه جهان اطراف خود را با حسگرها «می‌بیند» و آن را با هوش مصنوعی «درک» می‌کند. در این واحد، ما زنجیره تشخیص، حسگرها، سطوح اتوماسیون و مهم ترین موضوع، مرزهای امنیتی را پوشش خواهیم داد.

یک هشدار از ابتدا: این منطقه از نظر امنیتی بسیار مهم است. اگر مدل تشخیص عابر پیاده را تشخیص ندهد، نتیجه می تواند کشنده باشد. به همین دلیل است که هر خروجی هوش مصنوعی در اینجا باید توسط فرآیندهای مهندسی امنیتی (ISO 26262 و SOTIF در واحدهای بعدی) احاطه شود.

حسگرها: چشم، گوش و رادار

یک پشته رانندگی مستقل سنسورهای مختلفی را ترکیب می کند زیرا هر کدام دارای نقاط قوت و ضعف هستند:

• دوربین: دوربین رنگ، متن (علامت راهنمایی و رانندگی)، خط خط و نوع شی را به بهترین شکل می بیند. اما در شب، مه، تابش شدید خورشید و تخمین فاصله ضعیف است.
• رادار (Radio Detection and Ranging): فاصله و سرعت را با امواج رادیویی اندازه گیری می کند. کمتر تحت تأثیر باران / مه قرار می گیرد و سرعت را مستقیماً اندازه گیری می کند (با اثر داپلر). اما وضوح آن کم است و تشخیص "این عابر پیاده است یا جعبه؟" را دشوار می کند.
• LiDAR (تشخیص نور و محدوده): با لیزر شلیک می کند و یک "ابر نقطه ای" سه بعدی دقیق از محیط اطراف ایجاد می کند. خیلی خوب فاصله و شکل میده. اما گران است و می تواند تحت تأثیر مه / باران شدید قرار گیرد.
• اولتراسونیک: برد کوتاه مانند سنسورهای پارک.

از آنجایی که هیچ یک به تنهایی کافی نیست، ترکیب حسگر انجام می شود: با ترکیب داده های سنسورهای مختلف، ضعف هر یک با قدرت دیگری جبران می شود. به عنوان مثال، دوربین می گوید "عابر پیاده"، رادار می گوید "در 12 متر، نزدیک شدن به 5 کیلومتر در ساعت". Fusion این دو را ترکیب می کند و یک مسیر قابل اعتماد ایجاد می کند.

نکته: هنگام ارزیابی ادعای تشخیص، "کدام سنسور می تواند آن را ببیند و چقدر خوب؟" بپرسید اگر تخمین فاصله دوربین در شب ضعیف باشد، تصمیم گیری فاصله بر اساس یک دوربین مشکوک است.

زنجیره تشخیص

زنجیره معمولی از داده های حسگر خام تا تصمیم گیری به شرح زیر است:

1. تشخیص: یافتن اشیا در ابر تصویر/نقطه ("ابزاری در اینجا وجود دارد").
2. طبقه بندی: تعیین نوع شی (عابر پیاده، دوچرخه، وسیله نقلیه، علامت).
3. ردیابی: دنبال کردن جسم بین فریم ها، تخمین سرعت و جهت آن.
4. Fusion: ترکیب سنسورها برای ایجاد یک مدل جهانی سازگار.
5. پیش بینی: "این عابر پیاده از خیابان عبور می کند؟"
6. برنامه ریزی و کنترل: تصمیم گیری و فرمان / ترمز / فرمان گاز.

هوش مصنوعی (به ویژه یادگیری عمیق) 1-3. در مراحل بسیار قوی؛ 5-6. مراحل به طور فزاینده ای توسط قوانین مهندسی و منطق امنیتی احاطه شده است.

سطوح اتوماسیون SAE

خودمختاری یک چیز «بله/نه» نیست، تدریجی است. استاندارد SAE J3016 شش سطح را تعریف می کند:

سطح

نام

چه کسی رانندگی می کند؟

مثال

0

بدون اتوماسیون

همه درایو

فقط هشدار (هشدار نقطه کور)

1

پشتیبانی درایور

درایور + تک پشتیبانی

کروز تطبیقی یا حفظ خطوط

2

اتوماسیون جزئی

راننده (نظارت مستمر)

سرعت + خط با هم، راننده مسئول

3

اتوماسیون مشروط

سیستم (تحت شرایط خاص)

تحت شرایط معینی که سیستم درایو می کند، راننده آماده است تا کنترل را به دست بگیرد

4

اتوماسیون بالا

سیستم (در منطقه خاص)

بدون راننده در منطقه تعریف شده

5

اتوماسیون کامل

سیستم (در تمامی شرایط)

بدون راننده در همه جا (هنوز نه)

احتیاط: خطرناک ترین سوء تفاهم سطح 2 است. در سطح 2، وسیله نقلیه از فرمان و سرعت پشتیبانی می کند، اما راننده نظارت و مسئولیت دائمی را حفظ می کند. اشتباه گرفتن سیستم به عنوان «خلبان خودکار» و عدم توجه به تصادفات منجر به مرگ شده است. سطح 2 به معنای "بدون راننده" نیست.

معیارهای ارزیابی: مثبت کاذب و منفی کاذب

دو نوع خطا هنگام ارزیابی یک مدل تشخیص حیاتی هستند:

• مثبت کاذب: فکر کردن به اینکه چیزی وجود دارد که وجود ندارد. مثلاً تصور اینکه سایه پل «موانع» است و ترمز بی مورد. ناراحت کننده و گاهی خطرناک (برخورد از عقب).
• منفی کاذب (منفی کاذب / از دست دادن): ناتوانی در دیدن چیزی که وجود دارد. مثلاً ندیدن عابر پیاده واقعی. این مرگبارترین اشتباه در رانندگی خودران است.

معیارهایی که این موارد را خلاصه می کند:

• دقت: چه مقدار از آنچه علامت گذاری کرده اید در واقع درست است.
• به یاد بیاورید (حساسیت): چه مقدار از آنچه در واقع وجود دارد را به تصویر کشیده اید.
• mAP (میانگین دقت متوسط): متریک مرکب رایج برای تشخیص اشیا.

یادآوری (از دست ندادن عابر پیاده) در مواردی مانند تشخیص عابر پیاده در رانندگی خودمختار حیاتی است. افزایش این گاهی اوقات مثبت کاذب را افزایش می دهد. این مبادله یک تصمیم مهندسی امنیتی است، نه دقت مدل خالص.

موارد لبه و دم بلند

سخت‌ترین بخش رانندگی خودکار، موقعیت‌های معمولی نیست، بلکه موقعیت‌های نادر و عجیب است: تابلوی نیمه قابل مشاهده در زیر برف، کامیون وارونه، یک عابر پیاده لباس پوشیده، اثاثیه که در جاده افتاده است. به این موقعیت های نادر اما خطرناک دم بلند می گویند. در حالی که یک مدل ممکن است برای میلیون‌ها مایل «عادی» عالی باشد، ممکن است در موقعیت‌های شدیدی که قبلاً هرگز ندیده است، شکست بخورد. به همین دلیل است که آزمایش، شبیه سازی و اعتبارسنجی دنیای واقعی مبتنی بر سناریو بی پایان است.

مطالعات موردی کوچک

مورد 1 - مقدار همجوشی. در حین آزمایش ترمز اضطراری خودکار، یک تیم ADAS دریافتند که فقط با دوربین یک وسیله نقلیه تیره رنگ جلوی آن را در آفتاب روشن تشخیص می دهد. هنگامی که داده های رادار اضافه می شوند (رادار تحت تأثیر تابش خیره کننده قرار نمی گیرد) سیستم خودرو را 0.4 ثانیه زودتر تشخیص می دهد. این به معنای فاصله ترمز تقریباً 10 متر در 90 کیلومتر در ساعت است. نتیجه: فیوژن نقطه کور تک سنسور را بست.

مورد 2 - فراخوان / تعادل دقیق. هنگامی که آستانه مدل تشخیص عابر پیاده کاهش می یابد، فراخوان از 96٪ به 99٪ افزایش می یابد، اما مثبت کاذب (سایه، بوش) افزایش می یابد که منجر به ترمز غیر ضروری می شود. تیم امنیتی تصمیم می‌گیرد: اجتناب از عابران پیاده در اولویت است، اما راحتی با حذف موارد مثبت کاذب با منطق تلفیقی و ردیابی حفظ می‌شود. نتیجه گیری: انتخاب متریک یک تصمیم مهندسی/امنیتی است، "عدد صحیح" واحدی وجود ندارد.

مورد 3 - سورپرایز کیس لبه. در حالی که یک مدل در مجموعه اعتبار سنجی خود 99.8 درصد موفق بود، عکس یک عابر پیاده غول پیکر را که پشت کامیونی که تبلیغات تایر برفی را در میدان حمل می کرد را با "عابر پیاده واقعی" اشتباه گرفت و ناگهان ترمز کرد. تیم این مورد لبه را به کتابخانه سناریو اضافه می کند و مدل را دوباره آموزش می دهد. نتیجه: دم بلند هرگز "پایان" نمی یابد. مجموعه سناریوهای ثابت مورد نیاز است.

قالب های سریع

الگو 1 - ایجاد یک لیست سناریو:

نقش: شما مهندس مورد آزمایشی ADAS هستید. وظیفه: سناریوهای آزمایشی چالش برانگیز (مورد لبه) برای ترمز اضطراری خودکار تولید کنید. زمینه: شهری، 30-50 کیلومتر در ساعت، مخلوط عابر پیاده و دوچرخه سوار. محدودیت: موارد نادر/خطرناک را اولویت بندی کنید، نه سناریوهای مکرر. رفتار صحیح مورد انتظار را برای هر سناریو بنویسید. خروجی: سناریو | شرایط | رفتار مورد انتظار | سطح ریسک

الگو 2 - طرح کلی راهنمای برچسب گذاری:

نقش: کیفیت برچسب گذاری داده ها منجر می شود. وظیفه: یک پیش نویس قوانین سازگاری برای برچسب زدن عابر پیاده بنویسید. زمینه: عابران پیاده تا حدی قابل مشاهده، نشسته، روی صندلی چرخدار و در گروه هستند. خروجی: قانون | مثال | جدول درجه ایالت محدود

الگو 3 - تفسیر متریک:

نقش: کارشناس ارزیابی بینایی کامپیوتر. وظیفه: نتایج تشخیص عابر پیاده من را تفسیر کنید. زمینه: دقت 0.93، فراخوانی 0.90، اکثر موارد در شب یا در باران از دست می دهند. محدودیت: بر اهمیت یادآوری برای امنیت تاکید کنید. به من بگویید تحت چه شرایطی تأیید اضافی لازم است. خروجی: نظر + حوزه های اولویت برای بهبود.

الگو 4 - طرح کلی منطق فیوژن:

نقش: شما یک مهندس فیوژن سنسور هستید. وظیفه: هنگام تضاد دوربین و رادار، یک منطق تصمیم گیری پیش نویس پیشنهاد کنید. زمینه: رادار شی کوچک متحرک را در 15 متری می بیند در حالی که دوربین می گوید "عابر پیاده ممنوع نیست". محدودیت: اصل فرض را به نفع ایمنی (سمت امن) اعمال کنید. خروجی: جدول تصمیم + توجیه.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

آیا مدل خودروی خودمختار من ایمن است؟

بدون زمینه؛ "ایمن" تعریف نشده است. هوش مصنوعی فقط به صورت کلی صحبت می کند و می تواند اعتماد به نفس گمراه کننده ای به شما بدهد.

اعلان قدرتمند:

نقش: شما مشاور ارزیابی امنیت ADAS هستید. وظیفه: یک چک لیست برای من ایجاد کنید تا آسیب پذیری های مدل تشخیص عابر پیاده را زیر سوال ببرم. زمینه: سیستم سطح 2 شهری. به یاد بیاورید که در شب و در باران می بارد. فقط دوربین + رادار وجود دارد، بدون LiDAR. محدودیت: «ایمن» را اعلام نکنید. مشخص کنید که تحت چه شرایطی سیستم در حد خود است و چه آزمایش های اضافی مورد نیاز است. خروجی: ناحیه ریسک | چرا | تست توصیه شده | جدول اهمیت

اشتباهات رایج

• اشتباه سطح 2 برای "بدون راننده". مسئولیت با راننده است. این تصور غلط کشنده است.
• تکیه بر یک سنسور. هر سنسور یک نقطه کور دارد. همجوشی ضروری است.
• فقط به دقت متوسط ​​نگاه می کنیم. 99% موفقیت، 1% از دست دادن عابر پیاده ممکن است کشنده باشد. موارد فراخوان و لبه بسیار مهم هستند.
• نادیده گرفتن موارد شدید دم بلند هرگز تمام نمی شود. مجموعه سناریوها مستمر است.
• واگذاری تصمیم امنیتی به مدل. تصمیمات آستانه و تعادل بر عهده مهندسی امنیت است.

به طور خلاصه

• در قلب ADAS و حسگر رانندگی خودمختار دوربین، رادار، LiDAR و ترکیب حسگر قرار دارد. هر سنسور نقاط قوت / ضعف متفاوتی دارد.
• زنجیره تشخیص شامل تشخیص، طبقه بندی، نظارت، همجوشی، پیش بینی و کنترل است. هوش مصنوعی در مراحل اول قوی است.
• سطوح SAE از 0 تا 5 متغیر است. در سطح 2 مسئولیت به عهده راننده است.
• منفی کاذب (ربایش عابر پیاده) کشنده ترین خطا است. فراخوانی و موارد لبه اولویت دارند.
• تصمیمات امنیتی مسئولیت مهندسی است. دقت مدل تنها معیار نیست.

وظیفه کاربردی

یک عملکرد ADAS را انتخاب کنید (مثلاً کمک حفظ خط). (1) در جدول بنویسید که کدام حسگرها از این عملکرد پشتیبانی می کنند و چقدر خوب است. (2) با الگوی 1 5 سناریو حاشیه ای ایجاد کنید و رفتار ایمن مورد انتظار را برای هر کدام مشخص کنید. (3) نتایج مثبت کاذب و منفی کاذب را برای این تابع مقایسه کنید. (4) قبل از ادعای اینکه مدل "ایمن" است، آزمایش مستقل مورد نیاز را فهرست کنید.

چک لیست

• [ ] من نقاط قوت/ضعف سنسورها را بر اساس عملکرد ارزیابی کردم.
• [ ] من همچنین سناریوهای مورد نهایی (دم بلند) را فهرست کرده ام.
• [ ] من نتایج مثبت/منفی کاذب را برای ایمنی مقایسه کردم.
• [ ] من اهمیت امنیتی حیاتی Recall را در نظر گرفتم.
• [ ] من سطح SAE و اینکه چه کسی مسئول است را روشن کردم.
• [ ] من قبل از ادعای "ایمن" برنامه آزمایش مستقل را آماده کردم.