ADAS és autonóm vezetés: Érzékelési alapok

Nyereség:

• Képes elmagyarázni a kamera, a radar, a LiDAR és a szenzorfúzió szerepét az észlelési láncban és a SAE automatizálási szintekben
• Képes adatcímkézés, forgatókönyv-definíció és kiértékelési metrikák létrehozására az objektumok észleléséhez, osztályozásához és követéséhez
• Képes kritikusan értékelni a szélső eseteket, a hamis pozitív/negatív egyenleget és a biztonsági határt az észlelési modell kimenetében

A legtöbb jármű manapság olyan funkciókkal rendelkezik, mint a sávelhagyásra figyelmeztetés, az automatikus vészfékezés vagy az adaptív sebességtartó automatika. Ezek mind az ADAS (Advanced Driver Assistance Systems) ernyője alá tartoznak. Ezeknek a rendszereknek és a további autonóm vezetésnek a középpontjában az észlelés áll: ahogy a jármű „látja” a körülötte lévő világot érzékelőkkel, és „megérti” azt mesterséges intelligenciával. Ebben az egységben bemutatjuk az észlelési láncot, az érzékelőket, az automatizálási szinteket és a legkritikusabb kérdést, a biztonsági határokat.

Figyelmeztetés a kezdetektől: Ez a terület biztonsági szempontból kritikus. Ha az érzékelő modell nem észlel gyalogost, az eredmény végzetes lehet. Éppen ezért itt minden mesterséges intelligencia kimenetet körül kell venni a biztonságtechnikai folyamatoknak (ISO 26262 és SOTIF a következő egységekben).

Érzékelők: szem, fül és radar

Az autonóm vezetési köteg különböző érzékelőket kombinál, mivel mindegyiknek megvannak az erősségei és gyengeségei:

• Kamera: A kamera "látja" legjobban a színt, a szöveget (közlekedési tábla), a sávvonalat és az objektum típusát. De rossz éjszaka, köd, erős napfény és távolságbecslés.
• Radar (rádióérzékelés és hatótávolság): A távolságot és a sebességet rádióhullámokkal méri. Az eső/köd kevésbé befolyásolja, és közvetlenül méri a sebességet (Doppler-effektussal); de a felbontása alacsony, így nehéz megkülönböztetni, hogy "ez gyalogos vagy doboz?"
• LiDAR (Light Detection and Ranging): Lézerrel fényképez, és precíz, háromdimenziós "pontfelhőt" készít a környezetről; Nagyon jól ad távolságot és formát. De drága, és erős köd/eső is befolyásolhatja.
• Ultrahangos: Rövid hatótávolság, mint a parkolóérzékelők.

Mivel önmagában egyik sem elegendő, ezért szenzorfúziót hajtanak végre: a különböző érzékelők adatainak kombinálásával mindegyik gyengeségét a másik erőssége kompenzálja. Például a kamera azt mondja, hogy "gyalogos", a radar azt mondja, hogy "12 méteren, közelít 5 km/h-hoz"; A Fusion ötvözi a kettőt, és megbízható pályát hoz létre.

Tipp: Az észlelési állítás értékelésekor "melyik érzékelő látja és milyen jól?" kérdez. Ha a kamera éjszakai távolságbecslése rossz, akkor az egyetlen kamerán alapuló távolsági döntés megkérdőjelezhető.

Észlelési lánc

A tipikus lánc a nyers szenzoradatoktól a döntésig a következő:

1. Észlelés: tárgyak keresése a képen/pontfelhőben ("itt van egy eszköz").
2. Osztályozás: Tárgytípus meghatározása (gyalogos, kerékpáros, jármű, tábla).
3. Követés: Az objektum követése a képkockák között, sebességének és irányának becslése.
4. Fúzió: Érzékelők kombinálása konzisztens világmodell létrehozásához.
5. Előrejelzés: "Ez a gyalogos átmegy az utcán?"
6. Tervezés és irányítás: Döntés és kormányzás/fék/gyorsító parancs.

Mesterséges intelligencia (különösen a mély tanulás) 1-3. nagyon erős lépésekben; 5-6. A lépéseket egyre inkább mérnöki szabályok és biztonsági logika veszik körül.

SAE automatizálási szintek

Az autonómia nem "igen/nem" dolog, hanem fokozatos. A SAE J3016 szabvány hat szintet határoz meg:

Szint

Név

Ki vezet?

példa

0

Nincs automatizálás

minden hajt

Csak figyelmeztetés (holttér figyelmeztetés)

1

Illesztőprogram-támogatás

driver + egyetlen támogatás

Adaptív körutazás VAGY sávtartás

2

Részleges automatizálás

sofőr (folyamatos felügyelet)

Sebesség + sáv együtt, vezető felelős

3

Feltételes automatizálás

Rendszer (bizonyos feltételek mellett)

Bizonyos feltételek mellett a rendszer hajt, a meghajtó készen áll az irányítás átvételére

4

magas automatizálás

Rendszer (egy adott területen)

Vezető nélkül meghatározott területen

5

Teljes automatizálás

Rendszer (minden körülmények között)

Mindenhol vezető nélkül (még nem)

Vigyázat: A legveszélyesebb félreértés a 2. szint. A 2. szinten a jármű támogatja a kormányzást és a sebességet, de a vezető megtartja a folyamatos felügyeletet és felelősséget. A rendszer „autopilótának” tévesztése és a figyelmen kívül hagyása halálos balesetekhez vezetett. A 2-es szint nem azt jelenti, hogy „vezető nélküli”.

Értékelési mérőszámok: hamis pozitív és hamis negatív

Kétféle hiba kritikus az észlelési modell értékelésekor:

• Hamis pozitív: azt gondolja, hogy van valami, ami nem létezik. Például azt gondolni, hogy a híd árnyéka "akadály", és szükségtelenül fékezni. Zavaró és néha veszélyes (hátulsó ütközés).
• Hamis negatív (hamis negatív / hiányzó): Nem látok valamit, ami létezik. Például nem látni egy igazi gyalogost. Ez a leghalálosabb hiba az autonóm vezetésben.

Mérők, amelyek összefoglalják ezeket:

• Precizitás: A megjelöltből mennyi igaz.
• Felidézni (érzékenység): A ténylegesen létezőből mennyit rögzítettél.
• mAP (átlagos pontosság): Közös összetett metrika az objektumok észleléséhez.

A visszahívás (egyetlen gyalogos sem hiányzik) létfontosságú olyan kérdésekben, mint a gyalogosészlelés autonóm vezetés közben; Ennek növelése néha növeli a hamis pozitívumot. Ez a kompromisszum egy biztonságtechnikai döntés, nem pedig a tiszta modellpontosság.

Edge tokok és a hosszú farok

Az autonóm vezetés legnehezebb része nem a gyakori helyzetek, hanem a ritka és furcsa helyzetek: a hó alatt félig látható tábla, a fejjel lefelé fordított teherautó, egy jelmezes gyalogos, az útra hullott bútorok. Ezeket a ritka, de veszélyes helyzeteket hosszú faroknak nevezik. Bár egy modell tökéletes lehet több millió "normál" mérföld megtételére, meghibásodhat egy olyan extrém helyzetben, amilyet korábban soha nem látott. Ezért végtelen a forgatókönyv-alapú tesztelés, szimuláció és a valós érvényesítés.

Mini esettanulmányok

1. eset – A fúzió értéke. Az automatikus vészfékezés tesztelése során az ADAS csapata megállapította, hogy fényes napsütésben csak a kamerával lassan észlelt egy sötét színű járművet maga előtt. Ha radaradatokat ad hozzá (a radarra nincs hatással a vakítás), a rendszer 0,4 másodperccel korábban érzékeli a járművet; Ez körülbelül 10 méteres féktávot jelent 90 km/h-nál. Eredmény: A Fusion lezárta az egyetlen érzékelő holtterét.

2. eset – Visszahívás/precíziós mérleg. A gyalogosészlelési modell küszöbértékének csökkentésével a visszahívás 96%-ról 99%-ra nő, de a téves pozitívumok (árnyék, bokrok) nőnek, ami szükségtelen fékezéshez vezet. A biztonsági csapat meghozza a döntést: a gyalogosok elkerülése prioritás, de a kényelem megmarad a hamis pozitívumok kiküszöbölésével a fúziós és nyomkövetési logikával. Következtetés: A mérőszám kiválasztása mérnöki/biztonsági döntés, nincs egyetlen "helyes szám".

3. eset – Edge tok meglepetés. Míg egy modell 99,8%-ban sikeres volt az érvényesítési szettben, egy hatalmas gyalogost ábrázoló fotót egy téligumi-reklámot szállító teherautó mögött egy "igazi gyalogosnak" tévedt, és hirtelen fékezett. A csapat hozzáadja ezt az éles esetet a forgatókönyv-könyvtárhoz, és újratanítja a modellt. Következtetés: A hosszú farok soha nem „végez”; Folyamatos forgatókönyvgyűjtés szükséges.

prompt sablonok

1. sablon – Forgatókönyv-lista létrehozása:

Szerep: Ön az ADAS teszteset-mérnöke. Feladat: Készítsen kihívást jelentő (peremes) tesztforgatókönyveket az automatikus vészfékezéshez. Kontextus: Városi, 30-50 km/h, vegyes gyalogos és kerékpáros. Kényszer: a ritka/veszélyes forgatókönyvek előnyben részesítése, nem a gyakori forgatókönyvek; írja meg az egyes forgatókönyvekhez az elvárt helyes viselkedést.Kimenet: Forgatókönyv | állapot | várható viselkedés | kockázati szint.

2. sablon – Címkézési útmutató vázlata:

Szerep: Adatcímkézés minőségi vezetése.Feladat: Készítsen konzisztencia-szabályzatot a gyalogosok címkézéséhez.Kontextus: Vannak gyalogosok részben láthatóan, ülve, kerekesszékben és csoportosan.Kimenet: Szabály | példa | határállapot-osztályzat táblázat.

3. sablon – A metrika értelmezése:

Szerepkör: Számítógépes látásértékelési szakértő. Feladat: Értelmezze a gyalogosészlelési eredményeimet. Kontextus: pontosság 0,93, visszahívás 0,90, a legtöbb kihagyás éjszaka vagy esőben. Kényszer: Hangsúlyozza a visszahívás fontosságát a biztonság érdekében; Mondja el, milyen feltételek mellett van szükség további ellenőrzésre. Kimenet: Megjegyzés + kiemelt fejlesztési területek.

4. sablon – Fusion logika vázlata:

Szerep: Ön szenzorfúziós mérnök. Feladat: Javasoljon döntési logika tervezetét, ha a kamera és a radar ütközik. Kontextus: A radar 15 méteres magasságban mozgó kis tárgyat lát, miközben a kamera azt mondja, hogy „nincs gyalogos”. Kényszer: Alkalmazza a feltételezés elvét a biztonság (biztonságos oldal) javára. Kimenet: Döntési táblázat + indoklás.

Gyenge felszólítás / Erős felszólítás

Gyenge felszólítás:

Biztonságos az autonóm járműmodell?

Kontextus nélkül; "széf" nem definiált; Az AI csak általánosságban beszél, és félrevezető önbizalmat adhat.

Erőteljes felszólítás:

Szerep: Ön az ADAS biztonsági értékelési tanácsadója. Feladat: Készítsen egy ellenőrző listát, amellyel megkérdőjelezhetem a gyalogosészlelési modellem sebezhetőségét. Kontextus: 2. szintű városi rendszer; Emlékezzünk vissza éjszaka és esőben; Csak kamera + radar van, LiDAR nincs. Megszorítás: Ne nyilvánítsa „biztonságosnak”; meghatározza, hogy a rendszer milyen feltételek mellett van a határértéken, és milyen további tesztelésekre van szükség. Kimenet: kockázati terület | miért | ajánlott teszt | fontossági táblázat.

Gyakori hibák

• A 2. szint összetévesztése a „vezető nélküli” kifejezéssel. A felelősség a vezetőt terheli; Ez a tévhit végzetes.
• Egyetlen érzékelőre támaszkodva. Minden érzékelőnek van holttere; a fúzió elengedhetetlen.
• Csak az átlagos pontosságot nézzük. 99% siker, 1% kihagyott gyalogos végzetes lehet; visszahívási és éles esetek kritikusak.
• Az extrém esetek figyelmen kívül hagyása. A hosszú farok soha nem ér véget; A forgatókönyvgyűjtés folyamatos.
• A biztonsági döntést a modellre bízva. A küszöb- és egyensúlyi döntések a biztonságtechnikai mérnökök feladata.

Összefoglalva

• Az ADAS és az autonóm vezetési érzékelés középpontjában a kamera, a radar, a LiDAR és az érzékelő fúziója áll; Minden érzékelőnek más erőssége/gyengesége van.
• Az észlelési lánc észlelésből, osztályozásból, megfigyelésből, fúzióból, előrejelzésből és ellenőrzésből áll; Az AI az első lépésekben erős.
• A SAE szintek 0 és 5 között vannak; A 2. szinten a felelősség a vezetőt terheli.
• A hamis negatív (gyalograblás) a legvégzetesebb hiba; visszahívási és éles esetek élveznek elsőbbséget.
• A biztonsági döntések mérnöki felelősség; A modell pontossága nem az egyetlen kritérium.

Pályázati feladat

Válasszon egy ADAS funkciót (pl. sávtartó asszisztens). (1) Írja be egy táblázatba, hogy mely érzékelők és milyen jól támogatják ezt a funkciót! (2) Hozzon létre 5 szélső esetforgatókönyvet az 1. sablonnal, és adja meg mindegyikhez a várható biztonságos viselkedést. (3) Hasonlítsa össze a függvény álpozitív és hamis negatív eredményeit. (4) Sorolja fel, milyen független tesztelésekre van szükség ahhoz, hogy a modell „biztonságosnak” minősüljön.

ellenőrző lista

• [ ] Az érzékelők erősségeit/gyengeségeit funkció szerint értékeltem.
• [ ] Felsoroltam a végeset (hosszú farok) forgatókönyveket is.
• [ ] A biztonság kedvéért összehasonlítottam az álpozitív/negatív eredményeket.
• [ ] Figyelembe vettem a Recall biztonságkritikus jelentőségét.
• [ ] Tisztáztam a SAE szintet és a felelősöket.
• [ ] Független tesztelési tervet készítettem, mielőtt azt állítanám, hogy "biztonságos".