નફો:
- ડિટેક્શન ચેઇન અને SAE ઓટોમેશન લેવલમાં કેમેરા, રડાર, LiDAR અને સેન્સર ફ્યુઝનની ભૂમિકાઓ સમજાવવાની ક્ષમતા
- ઑબ્જેક્ટ શોધ, વર્ગીકરણ અને ટ્રેકિંગ માટે ડેટા લેબલિંગ, દૃશ્ય વ્યાખ્યા અને મૂલ્યાંકન મેટ્રિક્સ બનાવવાની ક્ષમતા
- શોધ મોડલ આઉટપુટમાં એજ કેસ, ખોટા હકારાત્મક/નકારાત્મક સંતુલન અને સલામતીના માર્જિનનું વિવેચનાત્મક મૂલ્યાંકન કરવાની ક્ષમતા
આજે મોટાભાગના વાહનોમાં લેન ડિપાર્ચર વોર્નિંગ, ઓટોમેટિક ઈમરજન્સી બ્રેકીંગ અથવા એડપ્ટીવ ક્રુઝ કંટ્રોલ જેવી સુવિધાઓ છે. આ તમામ ADAS (એડવાન્સ્ડ ડ્રાઈવર આસિસ્ટન્સ સિસ્ટમ્સ) ની છત્ર હેઠળ છે. આ પ્રણાલીઓ અને વધુ સ્વાયત્ત ડ્રાઇવિંગના કેન્દ્રમાં ખ્યાલ છે: જે રીતે વાહન તેની આસપાસની દુનિયાને સેન્સર વડે "જુએ છે" અને તેને આર્ટિફિશિયલ ઇન્ટેલિજન્સ વડે "સમજે" છે. આ એકમમાં, અમે ડિટેક્શન ચેન, સેન્સર્સ, ઓટોમેશન લેવલ અને સૌથી જટિલ સમસ્યા, સુરક્ષા સીમાઓને આવરી લઈશું.
શરૂઆતથી એક ચેતવણી: આ વિસ્તાર સુરક્ષા માટે મહત્વપૂર્ણ છે. જો શોધ મોડલ રાહદારીને શોધી શકતું નથી, તો પરિણામ જીવલેણ હોઈ શકે છે. એટલા માટે અહીં દરેક AI આઉટપુટ સુરક્ષા ઈજનેરી પ્રક્રિયાઓ (ISO 26262 અને આગામી એકમોમાં SOTIF)થી ઘેરાયેલું હોવું જોઈએ.
સેન્સર્સ: આંખો, કાન અને રડાર
સ્વાયત્ત ડ્રાઇવિંગ સ્ટેક વિવિધ સેન્સરને જોડે છે કારણ કે દરેકમાં શક્તિ અને નબળાઈઓ છે:
- કૅમેરો: કૅમેરા રંગ, ટેક્સ્ટ (ટ્રાફિક સાઇન), લેન લાઇન અને ઑબ્જેક્ટ પ્રકાર શ્રેષ્ઠ "જુએ છે". પરંતુ તે રાત્રે, ધુમ્મસ, સૂર્યની તીવ્ર ઝગઝગાટ અને અંતરનો અંદાજ નબળો છે.
- રડાર (રેડિયો ડિટેક્શન અને રેન્જિંગ): રેડિયો તરંગો વડે અંતર અને ઝડપને માપે છે. તે વરસાદ/ધુમ્મસથી ઓછી અસર પામે છે અને ગતિને સીધી રીતે માપે છે (ડોપ્લર અસરથી); પરંતુ તેનું રિઝોલ્યુશન ઓછું છે, જે "આ રાહદારી છે કે બોક્સ?"
- LiDAR (લાઇટ ડિટેક્શન અને રેન્જિંગ): લેસર શૂટ કરે છે અને આસપાસના ચોક્કસ ત્રિ-પરિમાણીય "બિંદુ વાદળ" ઉત્પન્ન કરે છે; તે ખૂબ જ સારી રીતે અંતર અને આકાર આપે છે. પરંતુ તે ખર્ચાળ છે અને ભારે ધુમ્મસ/વરસાદથી પ્રભાવિત થઈ શકે છે.
- અલ્ટ્રાસોનિક: શોર્ટ રેન્જ, જેમ કે પાર્કિંગ સેન્સર.
બેમાંથી એક પણ તેના પોતાના પર પૂરતું ન હોવાથી, સેન્સર ફ્યુઝન કરવામાં આવે છે: વિવિધ સેન્સરના ડેટાને સંયોજિત કરીને, દરેકની નબળાઈને બીજાની શક્તિ દ્વારા સરભર કરવામાં આવે છે. ઉદાહરણ તરીકે, કેમેરા કહે છે "પદયાત્રી", રડાર કહે છે "12 મીટર પર, 5 કિમી/કલાકની નજીક"; ફ્યુઝન બંનેને જોડે છે અને વિશ્વસનીય ટ્રેક બનાવે છે.
ટીપ: શોધ દાવાનું મૂલ્યાંકન કરતી વખતે, "કયું સેન્સર તેને જોઈ શકે છે અને કેટલી સારી રીતે?" પૂછો જો રાત્રે કેમેરાના અંતરનો અંદાજ નબળો હોય, તો એક કેમેરાના આધારે અંતરનો નિર્ણય શંકાસ્પદ છે.
શોધ સાંકળ
કાચા સેન્સર ડેટાથી નિર્ણય સુધીની લાક્ષણિક સાંકળ નીચે મુજબ છે:
- શોધ: ઇમેજ/પોઇન્ટ ક્લાઉડમાં ઑબ્જેક્ટ શોધવી ("અહીં એક સાધન છે").
- વર્ગીકરણ: ઑબ્જેક્ટનો પ્રકાર (પદયાત્રી, સાયકલ, વાહન, ચિહ્ન) નક્કી કરવું.
- ટ્રેકિંગ: ફ્રેમ્સ વચ્ચેના ઑબ્જેક્ટને અનુસરીને, તેની ગતિ અને દિશાનો અંદાજ કાઢવો.
- ફ્યુઝન: એક સુસંગત વિશ્વ મોડેલ બનાવવા માટે સેન્સર્સનું સંયોજન.
- આગાહી: "શું આ રાહદારી શેરી પાર કરશે?"
- આયોજન અને નિયંત્રણ: નિર્ણય અને સ્ટીયરિંગ/બ્રેક/એક્સીલેટર આદેશ.
આર્ટિફિશિયલ ઇન્ટેલિજન્સ (ખાસ કરીને ડીપ લર્નિંગ) 1-3. પગલાંમાં ખૂબ જ મજબૂત; 5-6. પગલાં વધુને વધુ એન્જિનિયરિંગ નિયમો અને સુરક્ષા તર્કથી ઘેરાયેલા છે.
SAE ઓટોમેશન સ્તરો
સ્વાયત્તતા એ "હા/ના" વસ્તુ નથી, તે ક્રમિક છે. SAE J3016 ધોરણ છ સ્તરોને વ્યાખ્યાયિત કરે છે:
સ્તર
નામ
કોણ ચલાવી રહ્યું છે?
ઉદાહરણ
0
ઓટોમેશન નથી
બધા ડ્રાઈવ
માત્ર ચેતવણી (અંધ સ્થળ ચેતવણી)
1
ડ્રાઈવર આધાર
ડ્રાઇવર + સિંગલ સપોર્ટ
અનુકૂલનશીલ ક્રૂઝ અથવા લેન રાખવા
2
આંશિક ઓટોમેશન
ડ્રાઈવર (સતત દેખરેખ)
ઝડપ + લેન એકસાથે, ડ્રાઇવર જવાબદાર
3
શરતી ઓટોમેશન
સિસ્ટમ (ચોક્કસ શરત હેઠળ)
ચોક્કસ શરત હેઠળ સિસ્ટમ ડ્રાઇવ કરે છે, ડ્રાઇવર ટેકઓવર કરવા માટે તૈયાર છે
4
ઉચ્ચ ઓટોમેશન
સિસ્ટમ (ચોક્કસ વિસ્તારમાં)
નિર્ધારિત વિસ્તારમાં ડ્રાઇવર રહિત
5
સંપૂર્ણ ઓટોમેશન
સિસ્ટમ (તમામ પરિસ્થિતિઓમાં)
દરેક જગ્યાએ ડ્રાઇવરલેસ (હજુ સુધી નથી)
સાવધાન: સૌથી ખતરનાક ગેરસમજ લેવલ 2 છે. લેવલ 2માં વાહન સ્ટીયરિંગ અને સ્પીડને સપોર્ટ કરે છે, પરંતુ ડ્રાઈવર સતત દેખરેખ અને જવાબદારી જાળવી રાખે છે. તંત્રને "ઓટોપાયલટ" ગણીને ધ્યાન ન આપવાના કારણે જીવલેણ અકસ્માતો થયા છે. લેવલ 2 નો અર્થ "ડ્રાઈવરલેસ" નથી.
મૂલ્યાંકન મેટ્રિક્સ: ખોટા હકારાત્મક અને ખોટા નકારાત્મક
શોધ મોડેલનું મૂલ્યાંકન કરતી વખતે બે પ્રકારની ભૂલો મહત્વપૂર્ણ છે:
- ખોટા હકારાત્મક: એવું વિચારવું કે કંઈક એવું છે જે અસ્તિત્વમાં નથી. ઉદાહરણ તરીકે, વિચારવું કે પુલનો પડછાયો એ "અવરોધ" છે અને બિનજરૂરી રીતે બ્રેક મારવી. ખલેલ પહોંચાડે છે અને ક્યારેક ખતરનાક (પાછળના અંતની અથડામણ).
- ખોટા નકારાત્મક (ખોટા નકારાત્મક / ચૂકી): અસ્તિત્વમાં છે તે કંઈક જોવા માટે સક્ષમ ન હોવું. ઉદાહરણ તરીકે, વાસ્તવિક રાહદારીને જોવું નહીં. ઓટોનોમસ ડ્રાઇવિંગમાં આ સૌથી ઘાતક ભૂલ છે.
મેટ્રિક્સ જે આનો સારાંશ આપે છે:
- ચોકસાઈ: તમે જે ચિહ્નિત કર્યું છે તેમાંથી કેટલું સાચું છે.
- યાદ કરો (સંવેદનશીલતા): ખરેખર જે અસ્તિત્વમાં છે તેમાંથી તમે કેટલું કબજે કર્યું છે.
- mAP (સરેરાશ ચોકસાઇ): ઑબ્જેક્ટ શોધ માટે સામાન્ય સંયુક્ત મેટ્રિક.
સ્વાયત્ત ડ્રાઇવિંગમાં રાહદારીઓની શોધ જેવી બાબતોમાં રિકોલ (કોઈપણ રાહદારી ખૂટે નહીં) મહત્વપૂર્ણ છે; આને વધારવાથી ક્યારેક ખોટા હકારાત્મકમાં વધારો થાય છે. આ ટ્રેડ-ઓફ એ સુરક્ષા ઇજનેરી નિર્ણય છે, શુદ્ધ મોડલ ચોકસાઈ નથી.
એજ કેસ અને લાંબી પૂંછડી
સ્વાયત્ત ડ્રાઇવિંગનો સૌથી મુશ્કેલ ભાગ સામાન્ય પરિસ્થિતિઓ નથી, પરંતુ દુર્લભ અને વિચિત્ર છે: બરફની નીચે અડધું દેખાતું ચિહ્ન, ઊંધી-નીચે ટ્રક, કોસ્ચ્યુમ પહેરેલા રાહદારી, રસ્તા પર પડેલું ફર્નિચર. આ દુર્લભ પરંતુ ખતરનાક પરિસ્થિતિઓને લાંબી પૂંછડી કહેવામાં આવે છે. જ્યારે એક મોડેલ લાખો "સામાન્ય" માઇલ માટે યોગ્ય હોઈ શકે છે, તે આત્યંતિક પરિસ્થિતિમાં નિષ્ફળ થઈ શકે છે જે તેણે પહેલાં ક્યારેય જોયું નથી. તેથી જ દૃશ્ય-આધારિત પરીક્ષણ, સિમ્યુલેશન અને વાસ્તવિક દુનિયાની માન્યતા અનંત છે.
મિની કેસ સ્ટડીઝ
કેસ 1 - ફ્યુઝનનું મૂલ્ય. ઓટોમેટિક ઈમરજન્સી બ્રેકીંગનું પરીક્ષણ કરતી વખતે, ADAS ટીમે શોધી કાઢ્યું કે તે માત્ર કેમેરા વડે તેજસ્વી સૂર્યમાં ઘેરા રંગના વાહનને તેની સામે જોવામાં ધીમી હતી. જ્યારે રડાર ડેટા ઉમેરવામાં આવે છે (રડાર ઝગઝગાટથી પ્રભાવિત નથી) સિસ્ટમ 0.4 સેકન્ડ પહેલા વાહનને શોધી કાઢે છે; આનો અર્થ છે 90 કિમી/કલાકની ઝડપે લગભગ 10 મીટરનું બ્રેકિંગ અંતર. પરિણામ: ફ્યુઝન સિંગલ સેન્સર બ્લાઇન્ડ સ્પોટ બંધ કરે છે.
કેસ 2 - રિકોલ/ચોકસાઇ બેલેન્સ. જ્યારે રાહદારી શોધ મોડેલની થ્રેશોલ્ડ ઓછી કરવામાં આવે છે, ત્યારે રિકોલ 96% થી 99% સુધી વધે છે, પરંતુ ખોટા હકારાત્મક (છાયા, છોડો) વધે છે, જે બિનજરૂરી બ્રેકિંગ તરફ દોરી જાય છે. સુરક્ષા ટીમ નિર્ણય લે છે: પદયાત્રીઓને ટાળવું એ પ્રાથમિકતા છે, પરંતુ ફ્યુઝન અને ટ્રેકિંગ લોજિક વડે ખોટા હકારાત્મકતાને દૂર કરીને આરામ જાળવવામાં આવે છે. નિષ્કર્ષ: મેટ્રિક પસંદગી એ એન્જિનિયરિંગ/સુરક્ષા નિર્ણય છે, ત્યાં કોઈ એક "સાચો નંબર" નથી.
કેસ 3 - એજ કેસ આશ્ચર્ય. જ્યારે એક મોડેલ તેના માન્યતા સેટમાં 99.8% સફળ રહ્યું હતું, ત્યારે તેણે "વાસ્તવિક રાહદારી" માટે ખેતરમાં બરફના ટાયરની જાહેરાત લઈ જતી ટ્રકની પાછળ એક વિશાળ રાહદારીનો ફોટો ભૂલ્યો હતો અને અચાનક બ્રેક વાગી હતી. ટીમ આ એજ કેસને સિનારિયો લાઇબ્રેરીમાં ઉમેરે છે અને મોડલને ફરીથી તાલીમ આપે છે. નિષ્કર્ષ: લાંબી પૂંછડી ક્યારેય "સમાપ્ત થતી નથી"; સતત દૃશ્ય સંગ્રહ જરૂરી છે.
પ્રોમ્પ્ટ નમૂનાઓ
નમૂનો 1 - દૃશ્ય સૂચિ બનાવી રહ્યું છે:
ભૂમિકા: તમે ADAS ટેસ્ટ કેસ એન્જિનિયર છો. કાર્ય: સ્વચાલિત કટોકટી બ્રેકિંગ માટે પડકારરૂપ (એજ કેસ) પરીક્ષણ દૃશ્યો બનાવો. સંદર્ભ: શહેરી, 30-50 કિમી/કલાક, મિશ્ર રાહદારી અને સાઇકલ સવાર. અવરોધ: દુર્લભ/ખતરનાકને પ્રાધાન્ય આપો, વારંવારના સંજોગોને નહીં; દરેક દૃશ્ય માટે અપેક્ષિત યોગ્ય વર્તન લખો. આઉટપુટ: દૃશ્ય | સ્થિતિ | અપેક્ષિત વર્તન | જોખમ સ્તર.
નમૂનો 2 - લેબલીંગ માર્ગદર્શિકા રૂપરેખા:
ભૂમિકા: ડેટા લેબલિંગ ગુણવત્તા લીડ. કાર્ય: પદયાત્રીઓના લેબલિંગ માટે સુસંગતતાના નિયમોનો ડ્રાફ્ટ લખો. સંદર્ભ: ત્યાં રાહદારીઓ આંશિક રીતે દૃશ્યમાન, બેઠેલા, વ્હીલચેરમાં અને જૂથોમાં છે. આઉટપુટ: નિયમ | ઉદાહરણ | રાજ્ય ગ્રેડ ટેબલ મર્યાદિત કરો.
નમૂનો 3 - મેટ્રિક અર્થઘટન:
ભૂમિકા: કમ્પ્યુટર વિઝન મૂલ્યાંકન નિષ્ણાત. કાર્ય: મારા રાહદારી શોધ પરિણામોનું અર્થઘટન કરો. સંદર્ભ: ચોકસાઇ 0.93, 0.90 યાદ કરો, રાત્રે અથવા વરસાદમાં સૌથી વધુ ચૂકી જાય છે. અવરોધ: સુરક્ષા માટે રિકોલના મહત્વ પર ભાર મૂકવો; મને કહો કે કઈ શરતો હેઠળ વધારાની ચકાસણી જરૂરી છે. આઉટપુટ: સુધારણા માટે ટિપ્પણી + અગ્રતા વિસ્તારો.
ટેમ્પલેટ 4 - ફ્યુઝન લોજિક રૂપરેખા:
ભૂમિકા: તમે સેન્સર ફ્યુઝન એન્જિનિયર છો. કાર્ય: જ્યારે કેમેરા અને રડાર સંઘર્ષ થાય ત્યારે ડ્રાફ્ટ નિર્ણય તર્ક સૂચવો. સંદર્ભ: રડાર 15 મીટર પર ફરતી નાની વસ્તુ જુએ છે જ્યારે કેમેરો 'કોઈ રાહદારી નથી' કહે છે. અવરોધ: સલામતીની તરફેણમાં ધારણા સિદ્ધાંત લાગુ કરો (સુરક્ષિત બાજુ). આઉટપુટ: નિર્ણય ટેબલ + વાજબીપણું.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
શું મારું સ્વાયત્ત વાહન મોડલ સુરક્ષિત છે?
સંદર્ભ વિના; "સલામત" અવ્યાખ્યાયિત છે; AI માત્ર સામાન્ય શબ્દોમાં બોલે છે અને ભ્રામક વિશ્વાસ આપી શકે છે.
શક્તિશાળી પ્રોમ્પ્ટ:
ભૂમિકા: તમે ADAS સુરક્ષા મૂલ્યાંકન સલાહકાર છો. કાર્ય: મારા રાહદારી શોધ મોડેલની નબળાઈઓ પર પ્રશ્ન કરવા માટે મારા માટે એક ચેકલિસ્ટ બનાવો. સંદર્ભ: શહેરી સ્તર 2 સિસ્ટમ; રિકોલ રાત્રે અને વરસાદમાં ધોધ; ત્યાં માત્ર કેમેરા + રડાર છે, કોઈ LiDAR નથી. અવરોધ: 'સુરક્ષિત' જાહેર કરશો નહીં; સ્પષ્ટ કરો કે સિસ્ટમ કઈ પરિસ્થિતિઓમાં તેની મર્યાદા પર છે અને કયા વધારાના પરીક્ષણની જરૂર છે. આઉટપુટ: જોખમ વિસ્તાર | શા માટે | ભલામણ કરેલ પરીક્ષણ | મહત્વ કોષ્ટક.
સામાન્ય ભૂલો
- "ડ્રાઈવરલેસ" માટે લેવલ 2 ભૂલ કરવી. જવાબદારી ડ્રાઇવરની છે; આ ગેરસમજ જીવલેણ છે.
- એક જ સેન્સર પર આધાર રાખવો. દરેક સેન્સરમાં બ્લાઇન્ડ સ્પોટ હોય છે; ફ્યુઝન જરૂરી છે.
- માત્ર સરેરાશ ચોકસાઈ જોઈ રહ્યા છીએ. 99% સફળતા, 1% ચૂકી ગયેલા રાહદારી જીવલેણ બની શકે છે; રિકોલ અને એજ કેસ જટિલ છે.
- આત્યંતિક કેસોની અવગણના. લાંબી પૂંછડી ક્યારેય સમાપ્ત થતી નથી; દૃશ્ય સંગ્રહ સતત છે.
- સુરક્ષા નિર્ણય મોડલ પર છોડીને. થ્રેશોલ્ડ અને સંતુલન નિર્ણયો સુરક્ષા એન્જિનિયરિંગની જવાબદારી છે.
સારાંશમાં
- ADAS અને ઓટોનોમસ ડ્રાઇવિંગ સેન્સિંગના કેન્દ્રમાં કેમેરા, રડાર, LiDAR અને સેન્સર ફ્યુઝન છે; દરેક સેન્સરમાં અલગ-અલગ શક્તિ/નબળાઈઓ હોય છે.
- શોધ સાંકળમાં શોધ, વર્ગીકરણ, દેખરેખ, ફ્યુઝન, આગાહી અને નિયંત્રણનો સમાવેશ થાય છે; AI પ્રથમ પગલામાં મજબૂત છે.
- SAE સ્તર 0 થી 5 સુધીની છે; લેવલ 2 માં, જવાબદારી ડ્રાઈવરની છે.
- ખોટા નકારાત્મક (પદયાત્રીઓનું અપહરણ) એ સૌથી ઘાતક ભૂલ છે; રિકોલ અને એજ કેસો અગ્રતા લે છે.
- સુરક્ષા નિર્ણયો એ એન્જિનિયરિંગ જવાબદારી છે; મોડેલની ચોકસાઈ એ એકમાત્ર માપદંડ નથી.
એપ્લિકેશન કાર્ય
ADAS ફંક્શન પસંદ કરો (દા.ત. લેન કીપિંગ સહાય). (1) કોષ્ટકમાં લખો કે કયા સેન્સર આ કાર્યને સમર્થન આપે છે અને કેટલું સારું. (2) ટેમ્પલેટ 1 સાથે 5 એજ કેસ દૃશ્યો બનાવો અને દરેક માટે અપેક્ષિત સલામત વર્તનનો ઉલ્લેખ કરો. (3) આ કાર્ય માટે ખોટા હકારાત્મક અને ખોટા નકારાત્મક પરિણામોની તુલના કરો. (4) મોડેલ "સુરક્ષિત" હોવાનો દાવો કરતા પહેલા કયા સ્વતંત્ર પરીક્ષણની આવશ્યકતા છે તેની સૂચિ બનાવો.
ચેકલિસ્ટ
- મેં કાર્ય અનુસાર સેન્સરની શક્તિ/નબળાઈઓનું મૂલ્યાંકન કર્યું.
- [ ] મેં અંતિમ કેસ (લાંબી પૂંછડી) દૃશ્યો પણ સૂચિબદ્ધ કર્યા છે.
- [ ] મેં સલામતી માટે ખોટા હકારાત્મક/નકારાત્મક પરિણામોની સરખામણી કરી.
- [ ] મેં રિકોલના સુરક્ષા-નિર્ણાયક મહત્વને ધ્યાનમાં લીધું.
- [ ] મેં SAE સ્તર અને કોણ જવાબદાર છે તેની સ્પષ્ટતા કરી.
- [ ] મેં "સુરક્ષિત" નો દાવો કરતા પહેલા સ્વતંત્ર પરીક્ષણ યોજના તૈયાર કરી.