ADAS ja autonominen ajaminen: Sensing Fundamentals

Voitot:

• Kyky selittää kameran, tutkan, LiDARin ja anturifuusion roolit havaintoketjussa ja SAE-automaatiotasoilla
• Kyky luoda datamerkintöjä, skenaarioiden määrittely- ja arviointimittareita objektien havaitsemiseen, luokitteluun ja seurantaan
• Kyky arvioida kriittisesti reunatapauksia, vääriä positiivisia/negatiivinen saldo ja turvamarginaali tunnistusmallin lähdössä

Useimmissa tämän päivän ajoneuvoissa on ominaisuuksia, kuten kaistavahti, automaattinen hätäjarrutus tai mukautuva vakionopeudensäädin. Nämä kaikki ovat ADAS:n (Advanced Driver Assistance Systems) alaisia. Näiden järjestelmien ja myöhemmän autonomisen ajon ytimessä on havainnointi: tapa, jolla ajoneuvo "näkee" ympäröivän maailman antureilla ja "ymmärtää" sen tekoälyn avulla. Tässä osiossa käsittelemme havaintoketjua, antureita, automaatiotasoja ja kriittisintä kysymystä, turvallisuusrajoja.

Varoitus alusta alkaen: Tämä alue on turvallisuuskriittinen. Jos havaintomalli ei havaitse jalankulkijaa, seurauksena voi olla kohtalokas. Siksi jokaista tekoälytulosta täällä on ympäröitävä turvallisuustekniikan prosesseja (ISO 26262 ja SOTIF seuraavissa yksiköissä).

Anturit: silmät, korvat ja tutka

Autonominen ajopino yhdistää erilaisia antureita, koska jokaisella on vahvuutensa ja heikkoutensa:

• Kamera: Kamera "näkee" parhaiten värin, tekstin (liikennemerkki), kaistaviivan ja kohdetyypin. Mutta se on huono yöllä, sumu, voimakas auringon häikäisy ja etäisyysarvio.
• Tutka (Radio Detection and Ranging): Mittaa etäisyyttä ja nopeutta radioaaltojen avulla. Sade/sumu vaikuttaa siihen vähemmän ja mittaa nopeutta suoraan (Doppler-ilmiöllä); mutta sen resoluutio on alhainen, joten on vaikea erottaa "onko tämä jalankulkija vai laatikko?"
• LiDAR (Light Detection and Ranging): ampuu laserilla ja tuottaa tarkan kolmiulotteisen "pistepilven" ympäristöstä; Se antaa etäisyyttä ja muotoa erittäin hyvin. Mutta se on kallista ja voimakas sumu/sade voi vaikuttaa siihen.
• Ultraääni: Lyhyt kantama, kuten pysäköintianturit.

Koska kumpikaan ei yksinään riitä, suoritetaan anturifuusio: yhdistämällä eri antureiden tiedot, kunkin heikkous kompensoidaan toisen vahvuudella. Esimerkiksi kamera sanoo "jalankulkija", tutka sanoo "12 metrin korkeudessa, lähestyy 5 km/h"; Fusion yhdistää nämä kaksi ja luo luotettavan radan.

Vinkki: Kun arvioit tunnistusvaatimusta, "mikä anturi näkee sen ja kuinka hyvin?" kysyä. Jos kameran yön etäisyysarvio on huono, yksittäiseen kameraan perustuva etäisyyspäätös on kyseenalainen.

Havaintoketju

Tyypillinen ketju raaka-anturitiedoista päätökseen on seuraava:

1. Havaitseminen: Kohteiden etsiminen kuvasta/pistepilvestä ("täällä on työkalu").
2. Luokitus: Kohteen tyypin määrittäminen (jalankulkija, polkupyörä, ajoneuvo, kyltti).
3. Seuranta: Objektin seuraaminen kehysten välillä, sen nopeuden ja suunnan arvioiminen.
4. Fuusio: Antureiden yhdistäminen yhtenäisen maailmanmallin luomiseksi.
5. Ennustus: "Ylittääkö tämä jalankulkija kadun?"
6. Suunnittelu ja ohjaus: Päätös ja ohjaus/jarru/kaasun ohjaus.

Tekoäly (erityisesti syväoppiminen) 1-3. erittäin vahva askelissa; 5-6. Askeleita ympäröivät yhä enemmän suunnittelusäännöt ja turvallisuuslogiikka.

SAE-automaatiotasot

Autonomia ei ole "kyllä/ei"-asia, vaan asteittainen. SAE J3016 -standardi määrittelee kuusi tasoa:

Taso

Nimi

Kuka ajaa?

esimerkki

0

Ei automaatiota

kaikki ajaa

Vain varoitus (kuolleen kulman varoitus)

1

Kuljettajan tuki

kuljettaja + yksi tuki

Mukautuva risteily TAI kaistanpito

2

Osittainen automaatio

Kuljettaja (jatkuva valvonta)

Nopeus + kaista yhdessä, kuljettaja vastuussa

3

Ehdollinen automaatio

Järjestelmä (tietyissä olosuhteissa)

Tietyissä olosuhteissa järjestelmä ajaa, kuljettaja on valmis ottamaan haltuunsa

4

korkea automaatio

Järjestelmä (tietyllä alueella)

Ilman kuljettajaa määritellyllä alueella

5

Täysi automaatio

Järjestelmä (kaikissa olosuhteissa)

Kuljettamaton kaikkialla (ei vielä)

Varoitus: Vaarallisin väärinkäsitys on taso 2. Tasolla 2 ajoneuvo tukee ohjausta ja nopeutta, mutta kuljettajalla on jatkuva valvonta ja vastuu. Järjestelmän erehtyminen "autopilotiksi" ja huomiotta jättäminen on johtanut kuolemaan johtaviin onnettomuuksiin. Taso 2 ei tarkoita "kuljettamatonta".

Arviointimittarit: väärä positiivinen ja väärä negatiivinen

Kahden tyyppiset virheet ovat kriittisiä tunnistusmallia arvioitaessa:

• Väärä positiivinen: Ajattelee, että on jotain, jota ei ole olemassa. Esimerkiksi siltavarjon ajatteleminen "esteenä" ja tarpeeton jarruttaminen. Häiritsevä ja joskus vaarallinen (perääntörmäys).
• Väärä negatiivinen (väärä negatiivinen / miss): Ei pysty näkemään jotain olemassa olevaa. Esimerkiksi todellisen jalankulkijan näkemättä jättäminen. Tämä on tappavin virhe autonomisessa ajamisessa.

Mittarit, jotka tiivistävät nämä:

• Tarkkuus: Kuinka suuri osa merkitsemistäsi on todella oikein.
• Muistuta (herkkyys): Kuinka paljon siitä, mitä todella on, olet tallentanut.
• mAP (keskimääräinen tarkkuus): yleinen yhdistelmämittari objektien havaitsemiseen.

Muistutus (ei unohda jalankulkijoita) on elintärkeää esimerkiksi jalankulkijoiden havaitsemisessa autonomisessa ajossa; Tämän lisääminen lisää joskus vääriä positiivisia arvoja. Tämä kompromissi on turvallisuustekninen päätös, ei pelkkä mallin tarkkuus.

Reunakotelot ja pitkä häntä

Autonomisen ajon vaikeinta ei ole yleiset tilanteet, vaan harvinaiset ja oudot: puoliksi lumen alla näkyvä kyltti, ylösalaisin kuorma-auto, pukeutunut jalankulkija, tielle pudonneet huonekalut. Näitä harvinaisia ​​mutta vaarallisia tilanteita kutsutaan pitkäksi hännäksi. Vaikka malli voi olla täydellinen miljoonille "normaaleille" kilometreille, se voi epäonnistua äärimmäisessä tilanteessa, jota se ei ole koskaan nähnyt. Siksi skenaariopohjainen testaus, simulointi ja tosielämän validointi ovat loputtomia.

Pienet tapaustutkimukset

Tapaus 1 - Fuusion arvo. Testaessaan automaattista hätäjarrutusta ADAS-tiimi havaitsi, että oli hidasta havaita sen edessä oleva tumma ajoneuvo kirkkaassa auringossa pelkällä kameralla. Kun tutkatiedot lisätään (häikäisy ei vaikuta tutkaan), järjestelmä havaitsee ajoneuvon 0,4 sekuntia aikaisemmin; Tämä tarkoittaa noin 10 metrin jarrutusmatkaa 90 km/h nopeudella. Tulos: Fuusio sulki yhden anturin kuolleen kulman.

Tapaus 2 - Palautus/tarkkuusvaaka. Kun jalankulkijoiden havainnointimallin kynnystä lasketaan, takaisinkutsu kasvaa 96 %:sta 99 %:iin, mutta väärät positiiviset (varjo, pensaat) lisääntyvät, mikä johtaa tarpeettomaan jarrutukseen. Turvatiimi tekee päätöksen: jalankulkijoiden välttäminen on etusijalla, mutta mukavuus säilyy eliminoimalla vääriä positiivisia merkkejä fuusio- ja seurantalogiikalla. Johtopäätös: Mittareiden valinta on tekninen/turvapäätös, ei ole olemassa yhtä "oikeaa numeroa".

Tapaus 3 - Reunakotelon yllätys. Vaikka malli onnistui 99,8-prosenttisesti validointisarjassaan, se luuli valokuvan jättiläisestä jalankulkijasta kuorma-auton takana, joka kantoi talvirengasmainosta kentällä "oikeaksi jalankulkijaksi" ja jarrutti äkillisesti. Tiimi lisää tämän reunatapauksen skenaariokirjastoon ja kouluttaa mallin uudelleen. Johtopäätös: Pitkä häntä ei koskaan "päätä"; Jatkuva skenaarioiden kerääminen vaaditaan.

kehotemalleja

Malli 1 - Skenaarioluettelon luominen:

Rooli: Olet ADAS-testitapausinsinööri. Tehtävä: Tuota haastavia (reunakotelo) testiskenaarioita automaattiselle hätäjarrutukselle. Konteksti: Kaupunki, 30-50 km/h, jalankulkija ja pyöräilijä. Rajoitus: aseta etusijalle harvinaiset/vaaralliset skenaariot, ei yleiset; kirjoita odotettu oikea käyttäytyminen kullekin skenaariolle.Tuloste: Skenaario | kunto | odotettu käyttäytyminen | riskitaso.

Malli 2 – Merkintäoppaan pääpiirteet:

Rooli: Tietojen merkinnän laatujohtaminen.Tehtävä: Kirjoita luonnos johdonmukaisuussääntöihin jalankulkijoiden merkintöjä varten.Konteksti: Jalankulkijat ovat osittain näkyvissä, istuvat, pyörätuolissa ja ryhmissä.Tulos: Sääntö | esimerkki | rajatilan arvosanataulukko.

Malli 3 – Mittarin tulkinta:

Rooli: Tietokonenäön arvioinnin asiantuntija. Tehtävä: Tulkitse jalankulkijoiden havaintotulokseni. Konteksti: tarkkuus 0,93, palautus 0,90, useimmat epäonnistuvat yöllä tai sateessa. Rajoitus: Korosta takaisinvetämisen merkitystä turvallisuuden kannalta; Kerro minulle, missä olosuhteissa lisävahvistus vaaditaan. Tulos: Kommentti + painopistealueet parannettava.

Malli 4 – Fuusiologiikka:

Rooli: Olet anturifuusioinsinööri. Tehtävä: Ehdota päätöslogiikkaluonnosta, kun kamera ja tutka ovat ristiriidassa. Konteksti: Tutka näkee liikkuvan pienen kohteen 15 metrin päässä, kun taas kamera sanoo "ei jalankulkijaa". Rajoitus: Käytä oletusperiaatetta turvallisuuden hyväksi (safe side). Tulos: Päätöstaulukko + perustelut.

Heikko kehote / Vahva kehote

Heikko kehote:

Onko autonominen ajoneuvomallini turvallinen?

Ilman kontekstia; "turvallinen" on määrittelemätön; Tekoäly puhuu vain yleisellä tasolla ja voi antaa harhaanjohtavaa luottamusta.

Tehokas kehotus:

Rooli: Olet ADAS-tietoturva-arviointikonsultti. Tehtävä: Luo tarkistuslista, jonka avulla voin kyseenalaistaa jalankulkijoiden havainnointimallini haavoittuvuudet. Konteksti: Urban Level 2 -järjestelmä; Muista laskee yöllä ja sateessa; On vain kamera + tutka, ei LiDAR. Rajoitus: Älä julista 'turvalliseksi'; määritellä, missä olosuhteissa järjestelmä on äärirajoillaan ja mitä lisätestauksia tarvitaan. Tuotos: Riskialue | miksi | suositeltu testi | tärkeystaulukko.

Yleisiä virheitä

• Taso 2 erehtyy "kuljettamattomaksi". Vastuu on kuljettajalla; Tämä väärinkäsitys on kohtalokas.
• Luotetaan yhteen anturiin. Jokaisella anturilla on kuollut kulma; fuusio on välttämätöntä.
• Katsotaan vain keskimääräistä tarkkuutta. 99 % onnistumisesta, 1 % ohitettu jalankulkija voi olla kohtalokas; palautus- ja reunatapaukset ovat kriittisiä.
• Ääritapaukset huomioimatta. Pitkä häntä ei lopu koskaan; Skenaarioiden kerääminen on jatkuvaa.
• Turvallisuuspäätöksen jättäminen mallin tehtäväksi. Kynnys- ja tasapainopäätökset ovat turvallisuustekniikan vastuulla.

Yhteenvetona

• ADAS:n ja autonomisen ajotunnistuksen ytimessä on kameran, tutkan, LiDAR:n ja sensorien fuusio; Jokaisella anturilla on eri vahvuudet/heikkoudet.
• Havaitsemisketju koostuu havaitsemisesta, luokittelusta, seurannasta, fuusiosta, ennustamisesta ja ohjauksesta; AI on vahva ensimmäisissä vaiheissa.
• SAE-tasot vaihtelevat välillä 0 - 5; Tasolla 2 vastuu on kuljettajalla.
• Väärä negatiivinen (jalankulkijoiden sieppaus) on kohtalokkain virhe; palautus- ja reunatapaukset ovat etusijalla.
• Turvallisuuspäätökset ovat suunnitteluvastuullisia; Mallin tarkkuus ei ole ainoa kriteeri.

Sovellustehtävä

Valitse ADAS-toiminto (esim. kaistanpitoavustin). (1) Kirjoita taulukkoon mitkä anturit tukevat tätä toimintoa ja kuinka hyvin. (2) Luo 5 reunatapausskenaariota mallilla 1 ja määritä kullekin odotettu turvallinen toiminta. (3) Vertaa väärien positiivisten ja väärien negatiivisten tuloksia tälle funktiolle. (4) Luettele, mitä riippumatonta testausta vaaditaan, ennen kuin väität mallin olevan "turvallinen".

tarkistuslista

• [ ] Arvioin anturien vahvuudet/heikkoudet toiminnan mukaan.
• [ ] Olen myös listannut lopputapauksen (long tail) skenaariot.
• [ ] Vertailin vääriä positiivisia/negatiivisia tuloksia turvallisuuden vuoksi.
• [ ] Otin huomioon Recallin turvallisuuskriittisen merkityksen.
• [ ] Selvensin SAE-tason ja vastuuhenkilön.
• [ ] Tein riippumattoman testaussuunnitelman ennen kuin väitin ​​"turvalliseksi".