ಲಾಭಗಳು:
- ಪತ್ತೆ ಸರಪಳಿ ಮತ್ತು SAE ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಮಟ್ಟಗಳಲ್ಲಿ ಕ್ಯಾಮೆರಾ, ರಾಡಾರ್, LiDAR ಮತ್ತು ಸಂವೇದಕ ಸಮ್ಮಿಳನದ ಪಾತ್ರಗಳನ್ನು ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ
- ವಸ್ತು ಪತ್ತೆ, ವರ್ಗೀಕರಣ ಮತ್ತು ಟ್ರ್ಯಾಕಿಂಗ್ಗಾಗಿ ಡೇಟಾ ಲೇಬಲಿಂಗ್, ಸನ್ನಿವೇಶದ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ರಚಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಎಡ್ಜ್ ಕೇಸ್ಗಳನ್ನು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ, ತಪ್ಪು ಧನಾತ್ಮಕ/ಋಣಾತ್ಮಕ ಸಮತೋಲನ ಮತ್ತು ಪತ್ತೆ ಮಾಡೆಲ್ ಔಟ್ಪುಟ್ನಲ್ಲಿ ಸುರಕ್ಷತೆಯ ಅಂಚು
ಇಂದು ಹೆಚ್ಚಿನ ವಾಹನಗಳು ಲೇನ್ ನಿರ್ಗಮನ ಎಚ್ಚರಿಕೆ, ಸ್ವಯಂಚಾಲಿತ ತುರ್ತು ಬ್ರೇಕಿಂಗ್ ಅಥವಾ ಅಡಾಪ್ಟಿವ್ ಕ್ರೂಸ್ ನಿಯಂತ್ರಣದಂತಹ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊಂದಿವೆ. ಇವೆಲ್ಲವೂ ADAS (ಅಡ್ವಾನ್ಸ್ಡ್ ಡ್ರೈವರ್ ಅಸಿಸ್ಟೆನ್ಸ್ ಸಿಸ್ಟಮ್ಸ್) ಛತ್ರಿಯಡಿಯಲ್ಲಿವೆ. ಈ ವ್ಯವಸ್ಥೆಗಳ ಹೃದಯಭಾಗದಲ್ಲಿ ಮತ್ತು ಮತ್ತಷ್ಟು ಸ್ವಾಯತ್ತ ಚಾಲನೆಯು ಗ್ರಹಿಕೆಯಾಗಿದೆ: ವಾಹನವು ಅದರ ಸುತ್ತಲಿನ ಪ್ರಪಂಚವನ್ನು ಸಂವೇದಕಗಳೊಂದಿಗೆ "ನೋಡುವ" ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ "ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ" ವಿಧಾನವಾಗಿದೆ. ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ಪತ್ತೆ ಸರಪಳಿ, ಸಂವೇದಕಗಳು, ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಮಟ್ಟಗಳು ಮತ್ತು ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಸಮಸ್ಯೆ, ಭದ್ರತಾ ಗಡಿಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತೇವೆ.
ಆರಂಭದಿಂದಲೂ ಒಂದು ಎಚ್ಚರಿಕೆ: ಈ ಪ್ರದೇಶವು ಭದ್ರತೆ-ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಪತ್ತೆ ಮಾದರಿಯು ಪಾದಚಾರಿಗಳನ್ನು ಪತ್ತೆ ಮಾಡದಿದ್ದರೆ, ಫಲಿತಾಂಶವು ಮಾರಕವಾಗಬಹುದು. ಅದಕ್ಕಾಗಿಯೇ ಇಲ್ಲಿ ಪ್ರತಿ AI ಔಟ್ಪುಟ್ ಅನ್ನು ಭದ್ರತಾ ಎಂಜಿನಿಯರಿಂಗ್ ಪ್ರಕ್ರಿಯೆಗಳಿಂದ ಸುತ್ತುವರೆದಿರಬೇಕು (ISO 26262 ಮತ್ತು ಮುಂದಿನ ಘಟಕಗಳಲ್ಲಿ SOTIF).
ಸಂವೇದಕಗಳು: ಕಣ್ಣುಗಳು, ಕಿವಿಗಳು ಮತ್ತು ರೇಡಾರ್
ಸ್ವಾಯತ್ತ ಡ್ರೈವಿಂಗ್ ಸ್ಟಾಕ್ ವಿಭಿನ್ನ ಸಂವೇದಕಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಪ್ರತಿಯೊಂದೂ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ದೌರ್ಬಲ್ಯಗಳನ್ನು ಹೊಂದಿದೆ:
- ಕ್ಯಾಮರಾ: ಕ್ಯಾಮರಾ ಬಣ್ಣ, ಪಠ್ಯ (ಸಂಚಾರ ಚಿಹ್ನೆ), ಲೇನ್ ಲೈನ್ ಮತ್ತು ಆಬ್ಜೆಕ್ಟ್ ಪ್ರಕಾರವನ್ನು "ನೋಡುತ್ತದೆ". ಆದರೆ ಇದು ರಾತ್ರಿಯಲ್ಲಿ ಕಳಪೆಯಾಗಿದೆ, ಮಂಜು, ಬಲವಾದ ಸೂರ್ಯನ ಪ್ರಜ್ವಲಿಸುವಿಕೆ ಮತ್ತು ದೂರದ ಅಂದಾಜು.
- ರಾಡಾರ್ (ರೇಡಿಯೊ ಪತ್ತೆ ಮತ್ತು ರೇಂಜಿಂಗ್): ರೇಡಿಯೊ ತರಂಗಗಳೊಂದಿಗೆ ದೂರ ಮತ್ತು ವೇಗವನ್ನು ಅಳೆಯುತ್ತದೆ. ಇದು ಮಳೆ/ಮಬ್ಬಿನಿಂದ ಕಡಿಮೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಮತ್ತು ನೇರವಾಗಿ ವೇಗವನ್ನು ಅಳೆಯುತ್ತದೆ (ಡಾಪ್ಲರ್ ಪರಿಣಾಮದೊಂದಿಗೆ); ಆದರೆ ಅದರ ರೆಸಲ್ಯೂಶನ್ ಕಡಿಮೆಯಾಗಿದೆ, "ಇದು ಪಾದಚಾರಿ ಅಥವಾ ಪೆಟ್ಟಿಗೆಯೇ?" ಎಂದು ಪ್ರತ್ಯೇಕಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ.
- LiDAR (ಬೆಳಕಿನ ಪತ್ತೆ ಮತ್ತು ಶ್ರೇಣಿ): ಲೇಸರ್ ಅನ್ನು ಶೂಟ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸುತ್ತಮುತ್ತಲಿನ ನಿಖರವಾದ ಮೂರು ಆಯಾಮದ "ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್" ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಇದು ದೂರ ಮತ್ತು ಆಕಾರವನ್ನು ಚೆನ್ನಾಗಿ ನೀಡುತ್ತದೆ. ಆದರೆ ಇದು ದುಬಾರಿಯಾಗಿದೆ ಮತ್ತು ಭಾರೀ ಮಂಜು/ಮಳೆಯಿಂದ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ.
- ಅಲ್ಟ್ರಾಸಾನಿಕ್: ಪಾರ್ಕಿಂಗ್ ಸಂವೇದಕಗಳಂತೆ ಕಡಿಮೆ ವ್ಯಾಪ್ತಿಯು.
ಎರಡೂ ತನ್ನದೇ ಆದ ಮೇಲೆ ಸಾಕಾಗುವುದಿಲ್ಲವಾದ್ದರಿಂದ, ಸಂವೇದಕ ಸಮ್ಮಿಳನವನ್ನು ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ: ವಿಭಿನ್ನ ಸಂವೇದಕಗಳ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ, ಪ್ರತಿಯೊಂದರ ದೌರ್ಬಲ್ಯವನ್ನು ಇನ್ನೊಂದರ ಬಲದಿಂದ ಸರಿದೂಗಿಸಲಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಕ್ಯಾಮೆರಾ "ಪಾದಚಾರಿ" ಎಂದು ಹೇಳುತ್ತದೆ, ರೇಡಾರ್ "12 ಮೀಟರ್ಗಳಲ್ಲಿ, 5 ಕಿಮೀ/ಗಂ ಸಮೀಪಿಸುತ್ತಿದೆ" ಎಂದು ಹೇಳುತ್ತದೆ; ಫ್ಯೂಷನ್ ಎರಡನ್ನೂ ಸಂಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಟ್ರ್ಯಾಕ್ ಅನ್ನು ರಚಿಸುತ್ತದೆ.
ಸಲಹೆ: ಪತ್ತೆ ಹಕ್ಕು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ, "ಯಾವ ಸಂವೇದಕ ಅದನ್ನು ನೋಡಬಹುದು ಮತ್ತು ಎಷ್ಟು ಚೆನ್ನಾಗಿ?" ಕೇಳು. ರಾತ್ರಿಯಲ್ಲಿ ಕ್ಯಾಮೆರಾದ ದೂರದ ಅಂದಾಜು ಕಳಪೆಯಾಗಿದ್ದರೆ, ಒಂದೇ ಕ್ಯಾಮೆರಾದ ಆಧಾರದ ಮೇಲೆ ದೂರದ ನಿರ್ಧಾರವು ಪ್ರಶ್ನಾರ್ಹವಾಗಿರುತ್ತದೆ.
ಪತ್ತೆ ಸರಪಳಿ
ಕಚ್ಚಾ ಸಂವೇದಕ ಡೇಟಾದಿಂದ ನಿರ್ಧಾರದವರೆಗಿನ ವಿಶಿಷ್ಟ ಸರಪಳಿಯು ಈ ಕೆಳಗಿನಂತಿರುತ್ತದೆ:
- ಪತ್ತೆ: ಇಮೇಜ್/ಪಾಯಿಂಟ್ ಕ್ಲೌಡ್ನಲ್ಲಿ ವಸ್ತುಗಳನ್ನು ಹುಡುಕುವುದು ("ಇಲ್ಲಿ ಒಂದು ಉಪಕರಣವಿದೆ").
- ವರ್ಗೀಕರಣ: ವಸ್ತುವಿನ ಪ್ರಕಾರವನ್ನು ನಿರ್ಧರಿಸುವುದು (ಪಾದಚಾರಿ, ಬೈಸಿಕಲ್, ವಾಹನ, ಚಿಹ್ನೆ).
- ಟ್ರ್ಯಾಕಿಂಗ್: ಚೌಕಟ್ಟುಗಳ ನಡುವೆ ವಸ್ತುವನ್ನು ಅನುಸರಿಸಿ, ಅದರ ವೇಗ ಮತ್ತು ದಿಕ್ಕನ್ನು ಅಂದಾಜು ಮಾಡುವುದು.
- ಫ್ಯೂಷನ್: ಸ್ಥಿರವಾದ ವಿಶ್ವ ಮಾದರಿಯನ್ನು ರಚಿಸಲು ಸಂವೇದಕಗಳನ್ನು ಸಂಯೋಜಿಸುವುದು.
- ಭವಿಷ್ಯ: "ಈ ಪಾದಚಾರಿ ರಸ್ತೆ ದಾಟುತ್ತಾನೆಯೇ?"
- ಯೋಜನೆ ಮತ್ತು ನಿಯಂತ್ರಣ: ನಿರ್ಧಾರ ಮತ್ತು ಸ್ಟೀರಿಂಗ್/ಬ್ರೇಕ್/ಆಕ್ಸಿಲರೇಟರ್ ಆಜ್ಞೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (ವಿಶೇಷವಾಗಿ ಆಳವಾದ ಕಲಿಕೆ) 1-3. ಹಂತಗಳಲ್ಲಿ ಬಹಳ ಪ್ರಬಲವಾಗಿದೆ; 5-6. ಹಂತಗಳು ಎಂಜಿನಿಯರಿಂಗ್ ನಿಯಮಗಳು ಮತ್ತು ಭದ್ರತಾ ತರ್ಕದಿಂದ ಹೆಚ್ಚು ಸುತ್ತುವರಿದಿವೆ.
SAE ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಮಟ್ಟಗಳು
ಸ್ವಾಯತ್ತತೆ "ಹೌದು/ಇಲ್ಲ" ವಿಷಯವಲ್ಲ, ಅದು ಕ್ರಮೇಣ. SAE J3016 ಮಾನದಂಡವು ಆರು ಹಂತಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ:
ಮಟ್ಟ
ಹೆಸರು
ಯಾರು ಚಾಲನೆ ಮಾಡುತ್ತಿದ್ದಾರೆ?
ಉದಾಹರಣೆ
0
ಯಾಂತ್ರೀಕೃತಗೊಂಡಿಲ್ಲ
ಎಲ್ಲಾ ಡ್ರೈವ್
ಎಚ್ಚರಿಕೆ ಮಾತ್ರ (ಬ್ಲೈಂಡ್ ಸ್ಪಾಟ್ ಎಚ್ಚರಿಕೆ)
1
ಚಾಲಕ ಬೆಂಬಲ
ಚಾಲಕ + ಏಕ ಬೆಂಬಲ
ಅಡಾಪ್ಟಿವ್ ಕ್ರೂಸ್ ಅಥವಾ ಲೇನ್ ಕೀಪಿಂಗ್
2
ಭಾಗಶಃ ಯಾಂತ್ರೀಕೃತಗೊಂಡ
ಚಾಲಕ (ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆ)
ವೇಗ + ಲೇನ್ ಒಟ್ಟಿಗೆ, ಚಾಲಕ ಜವಾಬ್ದಾರಿ
3
ಷರತ್ತುಬದ್ಧ ಯಾಂತ್ರೀಕೃತಗೊಂಡ
ವ್ಯವಸ್ಥೆ (ನಿರ್ದಿಷ್ಟ ಸ್ಥಿತಿಯಲ್ಲಿ)
ಕೆಲವು ಸ್ಥಿತಿಯ ಅಡಿಯಲ್ಲಿ ಸಿಸ್ಟಮ್ ಡ್ರೈವ್ಗಳು, ಚಾಲಕವು ಸ್ವಾಧೀನಪಡಿಸಿಕೊಳ್ಳಲು ಸಿದ್ಧವಾಗಿದೆ
4
ಹೆಚ್ಚಿನ ಯಾಂತ್ರೀಕೃತಗೊಂಡ
ವ್ಯವಸ್ಥೆ (ನಿರ್ದಿಷ್ಟ ಪ್ರದೇಶದಲ್ಲಿ)
ನಿರ್ಧಿಷ್ಟ ಪ್ರದೇಶದಲ್ಲಿ ಚಾಲಕರಹಿತ
5
ಪೂರ್ಣ ಯಾಂತ್ರೀಕೃತಗೊಂಡ
ವ್ಯವಸ್ಥೆ (ಎಲ್ಲಾ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ)
ಎಲ್ಲೆಡೆ ಚಾಲಕ ರಹಿತ (ಇನ್ನೂ ಇಲ್ಲ)
ಎಚ್ಚರಿಕೆ: ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ತಪ್ಪುಗ್ರಹಿಕೆಯು ಹಂತ 2 ಆಗಿದೆ. ಹಂತ 2 ರಲ್ಲಿ, ವಾಹನವು ಸ್ಟೀರಿಂಗ್ ಮತ್ತು ವೇಗವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಆದರೆ ಚಾಲಕನು ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಜವಾಬ್ದಾರಿಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತಾನೆ. ವ್ಯವಸ್ಥೆಯನ್ನು "ಆಟೋಪೈಲಟ್" ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು ಮತ್ತು ಗಮನ ಹರಿಸದಿರುವುದು ಮಾರಣಾಂತಿಕ ಅಪಘಾತಗಳಿಗೆ ಕಾರಣವಾಗಿದೆ. ಹಂತ 2 ಎಂದರೆ "ಚಾಲಕರಹಿತ" ಎಂದಲ್ಲ.
ಮೌಲ್ಯಮಾಪನ ಮೆಟ್ರಿಕ್ಸ್: ತಪ್ಪು ಧನಾತ್ಮಕ ಮತ್ತು ತಪ್ಪು ಋಣಾತ್ಮಕ
ಪತ್ತೆ ಮಾದರಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ ಎರಡು ರೀತಿಯ ದೋಷಗಳು ನಿರ್ಣಾಯಕವಾಗಿವೆ:
- ತಪ್ಪು ಧನಾತ್ಮಕ: ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ವಿಷಯವಿದೆ ಎಂದು ಯೋಚಿಸುವುದು. ಉದಾಹರಣೆಗೆ, ಸೇತುವೆಯ ನೆರಳು "ಅಡೆತಡೆ" ಎಂದು ಯೋಚಿಸುವುದು ಮತ್ತು ಅನಗತ್ಯವಾಗಿ ಬ್ರೇಕ್ ಮಾಡುವುದು. ಗೊಂದಲದ ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಅಪಾಯಕಾರಿ (ಹಿಂಭಾಗದ ಘರ್ಷಣೆ).
- ತಪ್ಪು ಋಣಾತ್ಮಕ (ಸುಳ್ಳು ಋಣಾತ್ಮಕ / ಮಿಸ್): ಅಸ್ತಿತ್ವದಲ್ಲಿರುವುದನ್ನು ನೋಡಲು ಸಾಧ್ಯವಾಗುತ್ತಿಲ್ಲ. ಉದಾಹರಣೆಗೆ, ನಿಜವಾದ ಪಾದಚಾರಿಗಳನ್ನು ನೋಡದಿರುವುದು. ಸ್ವಾಯತ್ತ ಚಾಲನೆಯಲ್ಲಿ ಇದು ಅತ್ಯಂತ ಮಾರಕ ತಪ್ಪು.
ಇವುಗಳನ್ನು ಸಂಕ್ಷೇಪಿಸುವ ಮೆಟ್ರಿಕ್ಗಳು:
- ನಿಖರತೆ: ನೀವು ಗುರುತು ಹಾಕಿದ್ದರಲ್ಲಿ ಎಷ್ಟು ಸರಿಯಾಗಿದೆ.
- ಮರುಪಡೆಯಿರಿ (ಸೂಕ್ಷ್ಮತೆ): ನಿಜವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವುದರಲ್ಲಿ ಎಷ್ಟು ಭಾಗವನ್ನು ನೀವು ಸೆರೆಹಿಡಿದಿದ್ದೀರಿ.
- mAP (ಸರಾಸರಿ ನಿಖರತೆ): ವಸ್ತು ಪತ್ತೆಗೆ ಸಾಮಾನ್ಯ ಸಂಯೋಜಿತ ಮೆಟ್ರಿಕ್.
ಸ್ವಾಯತ್ತ ಚಾಲನೆಯಲ್ಲಿ ಪಾದಚಾರಿ ಪತ್ತೆಯಂತಹ ವಿಷಯಗಳಲ್ಲಿ ಮರುಪಡೆಯುವಿಕೆ (ಯಾವುದೇ ಪಾದಚಾರಿಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳುವುದಿಲ್ಲ) ಮುಖ್ಯವಾಗಿದೆ; ಇದನ್ನು ಹೆಚ್ಚಿಸುವುದು ಕೆಲವೊಮ್ಮೆ ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಈ ಟ್ರೇಡ್-ಆಫ್ ಭದ್ರತಾ ಎಂಜಿನಿಯರಿಂಗ್ ನಿರ್ಧಾರವಾಗಿದೆ, ಶುದ್ಧ ಮಾದರಿಯ ನಿಖರತೆಯಲ್ಲ.
ಎಡ್ಜ್ ಪ್ರಕರಣಗಳು ಮತ್ತು ಉದ್ದನೆಯ ಬಾಲ
ಸ್ವಾಯತ್ತ ಚಾಲನೆಯ ಅತ್ಯಂತ ಕಷ್ಟಕರವಾದ ಭಾಗವು ಸಾಮಾನ್ಯ ಸಂದರ್ಭಗಳಲ್ಲ, ಆದರೆ ಅಪರೂಪದ ಮತ್ತು ವಿಚಿತ್ರವಾದವುಗಳು: ಹಿಮದ ಅಡಿಯಲ್ಲಿ ಅರ್ಧದಷ್ಟು ಗೋಚರಿಸುವ ಚಿಹ್ನೆ, ತಲೆಕೆಳಗಾದ ಟ್ರಕ್, ವೇಷಭೂಷಣದ ಪಾದಚಾರಿ, ಪೀಠೋಪಕರಣಗಳು ರಸ್ತೆಯ ಮೇಲೆ ಬಿದ್ದವು. ಈ ಅಪರೂಪದ ಆದರೆ ಅಪಾಯಕಾರಿ ಸಂದರ್ಭಗಳನ್ನು ಉದ್ದನೆಯ ಬಾಲ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಒಂದು ಮಾದರಿಯು ಲಕ್ಷಾಂತರ "ಸಾಮಾನ್ಯ" ಮೈಲುಗಳಿಗೆ ಪರಿಪೂರ್ಣವಾಗಿದ್ದರೂ, ಅದು ಹಿಂದೆಂದೂ ನೋಡಿರದ ವಿಪರೀತ ಪರಿಸ್ಥಿತಿಯಲ್ಲಿ ವಿಫಲವಾಗಬಹುದು. ಅದಕ್ಕಾಗಿಯೇ ಸನ್ನಿವೇಶ-ಆಧಾರಿತ ಪರೀಕ್ಷೆ, ಸಿಮ್ಯುಲೇಶನ್ ಮತ್ತು ನೈಜ-ಪ್ರಪಂಚದ ಮೌಲ್ಯೀಕರಣವು ಅಂತ್ಯವಿಲ್ಲ.
ಮಿನಿ ಕೇಸ್ ಸ್ಟಡೀಸ್
ಪ್ರಕರಣ 1 - ಸಮ್ಮಿಳನದ ಮೌಲ್ಯ. ಸ್ವಯಂಚಾಲಿತ ತುರ್ತು ಬ್ರೇಕಿಂಗ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುತ್ತಿರುವಾಗ, ADAS ತಂಡವು ಪ್ರಕಾಶಮಾನವಾದ ಬಿಸಿಲಿನಲ್ಲಿ ಅದರ ಮುಂದೆ ಗಾಢ ಬಣ್ಣದ ವಾಹನವನ್ನು ಕೇವಲ ಕ್ಯಾಮರಾದಿಂದ ಗುರುತಿಸಲು ನಿಧಾನವಾಗಿದೆ ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ. ರೇಡಾರ್ ಡೇಟಾವನ್ನು ಸೇರಿಸಿದಾಗ (ರೇಡಾರ್ ಪ್ರಜ್ವಲಿಸುವಿಕೆಯಿಂದ ಪ್ರಭಾವಿತವಾಗಿಲ್ಲ) ಸಿಸ್ಟಮ್ 0.4 ಸೆಕೆಂಡುಗಳ ಹಿಂದೆ ವಾಹನವನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ; ಇದರರ್ಥ 90 ಕಿಮೀ/ಗಂಟೆಗೆ ಸರಿಸುಮಾರು 10 ಮೀಟರ್ ದೂರದ ಬ್ರೇಕಿಂಗ್. ಫಲಿತಾಂಶ: ಫ್ಯೂಷನ್ ಸಿಂಗಲ್ ಸೆನ್ಸಾರ್ ಬ್ಲೈಂಡ್ ಸ್ಪಾಟ್ ಅನ್ನು ಮುಚ್ಚಿದೆ.
ಪ್ರಕರಣ 2 - ಮರುಪಡೆಯುವಿಕೆ/ನಿಖರ ಸಮತೋಲನ. ಪಾದಚಾರಿ ಪತ್ತೆ ಮಾದರಿಯ ಮಿತಿಯನ್ನು ಕಡಿಮೆಗೊಳಿಸಿದಾಗ, ಮರುಸ್ಥಾಪನೆಯು 96% ರಿಂದ 99% ಕ್ಕೆ ಹೆಚ್ಚಾಗುತ್ತದೆ, ಆದರೆ ತಪ್ಪು ಧನಾತ್ಮಕ (ನೆರಳು, ಪೊದೆಗಳು) ಹೆಚ್ಚಾಗುತ್ತದೆ, ಇದು ಅನಗತ್ಯ ಬ್ರೇಕಿಂಗ್ಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಭದ್ರತಾ ತಂಡವು ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ: ಪಾದಚಾರಿಗಳನ್ನು ತಪ್ಪಿಸುವುದು ಒಂದು ಆದ್ಯತೆಯಾಗಿದೆ, ಆದರೆ ಸಮ್ಮಿಳನ ಮತ್ತು ಟ್ರ್ಯಾಕಿಂಗ್ ತರ್ಕದೊಂದಿಗೆ ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ತೆಗೆದುಹಾಕುವ ಮೂಲಕ ಸೌಕರ್ಯವನ್ನು ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ. ತೀರ್ಮಾನ: ಮೆಟ್ರಿಕ್ ಆಯ್ಕೆಯು ಎಂಜಿನಿಯರಿಂಗ್/ಭದ್ರತಾ ನಿರ್ಧಾರವಾಗಿದೆ, ಒಂದೇ "ಸರಿಯಾದ ಸಂಖ್ಯೆ" ಇಲ್ಲ.
ಪ್ರಕರಣ 3 - ಎಡ್ಜ್ ಕೇಸ್ ಆಶ್ಚರ್ಯ. ಒಂದು ಮಾಡೆಲ್ ತನ್ನ ಮೌಲ್ಯಾಂಕನದ ಸೆಟ್ನಲ್ಲಿ 99.8% ಯಶಸ್ವಿಯಾಗಿದ್ದರೂ, ಅದು "ನೈಜ ಪಾದಚಾರಿ" ಎಂದು ಮೈದಾನದಲ್ಲಿ ಹಿಮ ಟೈರ್ ಜಾಹೀರಾತನ್ನು ಸಾಗಿಸುವ ಟ್ರಕ್ನ ಹಿಂದೆ ದೈತ್ಯ ಪಾದಚಾರಿಗಳ ಫೋಟೋವನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಿ ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಬ್ರೇಕ್ ಹಾಕಿತು. ತಂಡವು ಈ ಎಡ್ಜ್ ಕೇಸ್ ಅನ್ನು ಸನ್ನಿವೇಶ ಗ್ರಂಥಾಲಯಕ್ಕೆ ಸೇರಿಸುತ್ತದೆ ಮತ್ತು ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿಗೊಳಿಸುತ್ತದೆ. ತೀರ್ಮಾನ: ಉದ್ದನೆಯ ಬಾಲವು ಎಂದಿಗೂ "ಕೊನೆಗೊಳ್ಳುವುದಿಲ್ಲ"; ನಿರಂತರ ಸನ್ನಿವೇಶ ಸಂಗ್ರಹಣೆಯ ಅಗತ್ಯವಿದೆ.
ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೆಟ್ಗಳು
ಟೆಂಪ್ಲೇಟ್ 1 - ಸನ್ನಿವೇಶ ಪಟ್ಟಿಯನ್ನು ರಚಿಸಲಾಗುತ್ತಿದೆ:
ಪಾತ್ರ: ನೀವು ADAS ಪರೀಕ್ಷಾ ಕೇಸ್ ಇಂಜಿನಿಯರ್. ಕಾರ್ಯ: ಸ್ವಯಂಚಾಲಿತ ತುರ್ತು ಬ್ರೇಕಿಂಗ್ಗಾಗಿ ಸವಾಲಿನ (ಎಡ್ಜ್ ಕೇಸ್) ಪರೀಕ್ಷಾ ಸನ್ನಿವೇಶಗಳನ್ನು ತಯಾರಿಸಿ. ಸಂದರ್ಭ: ನಗರ, 30-50 ಕಿಮೀ/ಗಂ, ಮಿಶ್ರ ಪಾದಚಾರಿ ಮತ್ತು ಸೈಕ್ಲಿಸ್ಟ್. ನಿರ್ಬಂಧ: ಅಪರೂಪದ/ಅಪಾಯಕಾರಿಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಿ, ಆಗಾಗ್ಗೆ ಸನ್ನಿವೇಶಗಳಿಗೆ ಅಲ್ಲ; ಪ್ರತಿ ಸನ್ನಿವೇಶಕ್ಕೂ ನಿರೀಕ್ಷಿತ ಸರಿಯಾದ ನಡವಳಿಕೆಯನ್ನು ಬರೆಯಿರಿ.ಔಟ್ಪುಟ್: ಸನ್ನಿವೇಶ | ಸ್ಥಿತಿ | ನಿರೀಕ್ಷಿತ ನಡವಳಿಕೆ | ಅಪಾಯದ ಮಟ್ಟ.
ಟೆಂಪ್ಲೇಟ್ 2 - ಲೇಬಲಿಂಗ್ ಮಾರ್ಗದರ್ಶಿ ರೂಪರೇಖೆ:
ಪಾತ್ರ: ಡೇಟಾ ಲೇಬಲಿಂಗ್ ಗುಣಮಟ್ಟದ ಮುನ್ನಡೆ. ಕಾರ್ಯ: ಪಾದಚಾರಿ ಲೇಬಲಿಂಗ್ಗಾಗಿ ಡ್ರಾಫ್ಟ್ ಸ್ಥಿರತೆಯ ನಿಯಮಗಳನ್ನು ಬರೆಯಿರಿ. ಸಂದರ್ಭ: ಪಾದಚಾರಿಗಳು ಭಾಗಶಃ ಗೋಚರಿಸುತ್ತಾರೆ, ಕುಳಿತಿದ್ದಾರೆ, ಗಾಲಿಕುರ್ಚಿಗಳಲ್ಲಿ ಮತ್ತು ಗುಂಪುಗಳಲ್ಲಿದ್ದಾರೆ. ಔಟ್ಪುಟ್: ನಿಯಮ | ಉದಾಹರಣೆ | ರಾಜ್ಯ ದರ್ಜೆಯ ಕೋಷ್ಟಕವನ್ನು ಮಿತಿಗೊಳಿಸಿ.
ಟೆಂಪ್ಲೇಟ್ 3 - ಮೆಟ್ರಿಕ್ ವ್ಯಾಖ್ಯಾನ:
ಪಾತ್ರ: ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಮೌಲ್ಯಮಾಪನ ತಜ್ಞ. ಕಾರ್ಯ: ನನ್ನ ಪಾದಚಾರಿ ಪತ್ತೆ ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸಿ. ಸಂದರ್ಭ: ನಿಖರತೆ 0.93, ಮರುಪಡೆಯುವಿಕೆ 0.90, ರಾತ್ರಿ ಅಥವಾ ಮಳೆಯಲ್ಲಿ ಹೆಚ್ಚಿನದನ್ನು ತಪ್ಪಿಸುತ್ತದೆ. ನಿರ್ಬಂಧ: ಭದ್ರತೆಗಾಗಿ ಮರುಸ್ಥಾಪನೆಯ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಒತ್ತಿ; ಯಾವ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಹೆಚ್ಚುವರಿ ಪರಿಶೀಲನೆ ಅಗತ್ಯವಿದೆ ಎಂದು ಹೇಳಿ. ಔಟ್ಪುಟ್: ಕಾಮೆಂಟ್ + ಸುಧಾರಣೆಗಾಗಿ ಆದ್ಯತೆಯ ಪ್ರದೇಶಗಳು.
ಟೆಂಪ್ಲೇಟ್ 4 - ಫ್ಯೂಷನ್ ಲಾಜಿಕ್ ಔಟ್ಲೈನ್:
ಪಾತ್ರ: ನೀವು ಸಂವೇದಕ ಫ್ಯೂಷನ್ ಎಂಜಿನಿಯರ್. ಕಾರ್ಯ: ಕ್ಯಾಮರಾ ಮತ್ತು ರಾಡಾರ್ ಸಂಘರ್ಷದ ಸಂದರ್ಭದಲ್ಲಿ ಕರಡು ನಿರ್ಧಾರ ತರ್ಕವನ್ನು ಸೂಚಿಸಿ. ಸಂದರ್ಭ: ರಾಡಾರ್ 15 ಮೀ ಎತ್ತರದಲ್ಲಿ ಚಲಿಸುತ್ತಿರುವ ಸಣ್ಣ ವಸ್ತುವನ್ನು ನೋಡುತ್ತದೆ ಆದರೆ ಕ್ಯಾಮರಾ 'ಪಾದಚಾರಿ ಇಲ್ಲ' ಎಂದು ಹೇಳುತ್ತದೆ. ನಿರ್ಬಂಧ: ಸುರಕ್ಷತೆಯ ಪರವಾಗಿ ಊಹೆಯ ತತ್ವವನ್ನು ಅನ್ವಯಿಸಿ (ಸುರಕ್ಷಿತ ಭಾಗ). ಔಟ್ಪುಟ್: ನಿರ್ಧಾರ ಕೋಷ್ಟಕ + ಸಮರ್ಥನೆ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ನನ್ನ ಸ್ವಾಯತ್ತ ವಾಹನ ಮಾದರಿ ಸುರಕ್ಷಿತವಾಗಿದೆಯೇ?
ಸಂದರ್ಭವಿಲ್ಲದೆ; "ಸುರಕ್ಷಿತ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿಲ್ಲ; AI ಸಾಮಾನ್ಯ ಪರಿಭಾಷೆಯಲ್ಲಿ ಮಾತ್ರ ಮಾತನಾಡುತ್ತದೆ ಮತ್ತು ತಪ್ಪುದಾರಿಗೆಳೆಯುವ ವಿಶ್ವಾಸವನ್ನು ನೀಡುತ್ತದೆ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ಪಾತ್ರ: ನೀವು ADAS ಭದ್ರತಾ ಮೌಲ್ಯಮಾಪನ ಸಲಹೆಗಾರರು. ಕಾರ್ಯ: ನನ್ನ ಪಾದಚಾರಿ ಪತ್ತೆ ಮಾದರಿಯ ದೋಷಗಳನ್ನು ಪ್ರಶ್ನಿಸಲು ನನಗೆ ಪರಿಶೀಲನಾಪಟ್ಟಿಯನ್ನು ರಚಿಸಿ. ಸಂದರ್ಭ: ನಗರ ಮಟ್ಟದ 2 ವ್ಯವಸ್ಥೆ; ನೆನಪಿರಲಿ ರಾತ್ರಿಯಲ್ಲಿ ಮತ್ತು ಮಳೆಯಲ್ಲಿ ಬೀಳುತ್ತದೆ; ಕ್ಯಾಮರಾ + ರೇಡಾರ್ ಮಾತ್ರ ಇದೆ, ಲಿಡಾರ್ ಇಲ್ಲ. ನಿರ್ಬಂಧ: 'ಸುರಕ್ಷಿತ' ಎಂದು ಘೋಷಿಸಬೇಡಿ; ಯಾವ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಸಿಸ್ಟಮ್ ಅದರ ಮಿತಿಯಲ್ಲಿದೆ ಮತ್ತು ಯಾವ ಹೆಚ್ಚುವರಿ ಪರೀಕ್ಷೆಯ ಅಗತ್ಯವಿದೆ ಎಂಬುದನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ. ಔಟ್ಪುಟ್: ಅಪಾಯದ ಪ್ರದೇಶ | ಏಕೆ | ಶಿಫಾರಸು ಮಾಡಿದ ಪರೀಕ್ಷೆ | ಪ್ರಾಮುಖ್ಯತೆಯ ಕೋಷ್ಟಕ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- 2 ನೇ ಹಂತವನ್ನು "ಚಾಲಕರಹಿತ" ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಲಾಗುತ್ತಿದೆ. ಜವಾಬ್ದಾರಿ ಚಾಲಕನಿಗೆ ಇರುತ್ತದೆ; ಈ ತಪ್ಪು ಕಲ್ಪನೆ ಮಾರಣಾಂತಿಕವಾಗಿದೆ.
- ಒಂದೇ ಸಂವೇದಕವನ್ನು ಅವಲಂಬಿಸಿದೆ. ಪ್ರತಿ ಸಂವೇದಕವು ಬ್ಲೈಂಡ್ ಸ್ಪಾಟ್ ಅನ್ನು ಹೊಂದಿರುತ್ತದೆ; ಸಮ್ಮಿಳನ ಅತ್ಯಗತ್ಯ.
- ಕೇವಲ ಸರಾಸರಿ ನಿಖರತೆಯನ್ನು ನೋಡುತ್ತಿದೆ. 99% ಯಶಸ್ಸು, 1% ತಪ್ಪಿದ ಪಾದಚಾರಿಗಳು ಮಾರಕವಾಗಬಹುದು; ಮರುಸ್ಥಾಪನೆ ಮತ್ತು ಅಂಚಿನ ಪ್ರಕರಣಗಳು ನಿರ್ಣಾಯಕವಾಗಿವೆ.
- ವಿಪರೀತ ಪ್ರಕರಣಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು. ಉದ್ದನೆಯ ಬಾಲವು ಎಂದಿಗೂ ಕೊನೆಗೊಳ್ಳುವುದಿಲ್ಲ; ಸನ್ನಿವೇಶ ಸಂಗ್ರಹಣೆ ನಿರಂತರವಾಗಿದೆ.
- ಭದ್ರತಾ ನಿರ್ಧಾರವನ್ನು ಮಾದರಿಗೆ ಬಿಡುವುದು. ಮಿತಿ ಮತ್ತು ಸಮತೋಲನ ನಿರ್ಧಾರಗಳು ಭದ್ರತಾ ಎಂಜಿನಿಯರಿಂಗ್ನ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ.
ಸಾರಾಂಶದಲ್ಲಿ
- ADAS ಮತ್ತು ಸ್ವಾಯತ್ತ ಡ್ರೈವಿಂಗ್ ಸೆನ್ಸಿಂಗ್ನ ಹೃದಯಭಾಗದಲ್ಲಿ ಕ್ಯಾಮರಾ, ರಾಡಾರ್, LiDAR ಮತ್ತು ಸಂವೇದಕ ಸಮ್ಮಿಳನವಿದೆ; ಪ್ರತಿಯೊಂದು ಸಂವೇದಕವು ವಿಭಿನ್ನ ಸಾಮರ್ಥ್ಯ/ದೌರ್ಬಲ್ಯಗಳನ್ನು ಹೊಂದಿದೆ.
- ಪತ್ತೆ ಸರಪಳಿಯು ಪತ್ತೆ, ವರ್ಗೀಕರಣ, ಮೇಲ್ವಿಚಾರಣೆ, ಸಮ್ಮಿಳನ, ಭವಿಷ್ಯ ಮತ್ತು ನಿಯಂತ್ರಣವನ್ನು ಒಳಗೊಂಡಿದೆ; ಮೊದಲ ಹಂತಗಳಲ್ಲಿ AI ಪ್ರಬಲವಾಗಿದೆ.
- SAE ಮಟ್ಟಗಳು 0 ರಿಂದ 5 ರವರೆಗೆ ಇರುತ್ತದೆ; ಹಂತ 2 ರಲ್ಲಿ, ಜವಾಬ್ದಾರಿ ಚಾಲಕನ ಮೇಲಿರುತ್ತದೆ.
- ತಪ್ಪು ಋಣಾತ್ಮಕ (ಪಾದಚಾರಿ ಅಪಹರಣ) ಅತ್ಯಂತ ಮಾರಣಾಂತಿಕ ದೋಷವಾಗಿದೆ; ಮರುಸ್ಥಾಪನೆ ಮತ್ತು ಅಂಚಿನ ಪ್ರಕರಣಗಳು ಆದ್ಯತೆಯನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ.
- ಭದ್ರತಾ ನಿರ್ಧಾರಗಳು ಎಂಜಿನಿಯರಿಂಗ್ ಜವಾಬ್ದಾರಿ; ಮಾದರಿ ನಿಖರತೆ ಮಾತ್ರ ಮಾನದಂಡವಲ್ಲ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ADAS ಕಾರ್ಯವನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಉದಾ. ಲೇನ್ ಕೀಪಿಂಗ್ ಅಸಿಸ್ಟ್). (1) ಯಾವ ಸಂವೇದಕಗಳು ಈ ಕಾರ್ಯವನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ ಮತ್ತು ಎಷ್ಟು ಚೆನ್ನಾಗಿವೆ ಎಂಬುದನ್ನು ಕೋಷ್ಟಕದಲ್ಲಿ ಬರೆಯಿರಿ. (2) ಟೆಂಪ್ಲೇಟ್ 1 ನೊಂದಿಗೆ 5 ಅಂಚಿನ ಸನ್ನಿವೇಶಗಳನ್ನು ರಚಿಸಿ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ನಿರೀಕ್ಷಿತ ಸುರಕ್ಷಿತ ನಡವಳಿಕೆಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ. (3) ಈ ಕಾರ್ಯಕ್ಕಾಗಿ ತಪ್ಪು ಧನಾತ್ಮಕ ಮತ್ತು ತಪ್ಪು ಋಣಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ. (4) ಮಾದರಿಯು "ಸುರಕ್ಷಿತ" ಎಂದು ಹೇಳಿಕೊಳ್ಳುವ ಮೊದಲು ಯಾವ ಸ್ವತಂತ್ರ ಪರೀಕ್ಷೆಯ ಅಗತ್ಯವಿದೆ ಎಂಬುದನ್ನು ಪಟ್ಟಿ ಮಾಡಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಕಾರ್ಯದ ಪ್ರಕಾರ ಸಂವೇದಕಗಳ ಸಾಮರ್ಥ್ಯ/ದೌರ್ಬಲ್ಯಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇನೆ.
- [ ] ನಾನು ಅಂತಿಮ ಪ್ರಕರಣ (ಉದ್ದನೆಯ ಬಾಲ) ಸನ್ನಿವೇಶಗಳನ್ನು ಸಹ ಪಟ್ಟಿ ಮಾಡಿದ್ದೇನೆ.
- [ ] ನಾನು ಸುರಕ್ಷತೆಗಾಗಿ ತಪ್ಪು ಧನಾತ್ಮಕ/ಋಣಾತ್ಮಕ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸಿದೆ.
- [ ] ನಾನು ರಿಕಾಲ್ನ ಭದ್ರತೆ-ನಿರ್ಣಾಯಕ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡಿದ್ದೇನೆ.
- [ ] ನಾನು SAE ಮಟ್ಟವನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿದ್ದೇನೆ ಮತ್ತು ಯಾರು ಜವಾಬ್ದಾರರು.
- [ ] ನಾನು "ಸುರಕ್ಷಿತ" ಎಂದು ಹೇಳುವ ಮೊದಲು ಸ್ವತಂತ್ರ ಪರೀಕ್ಷಾ ಯೋಜನೆಯನ್ನು ಸಿದ್ಧಪಡಿಸಿದೆ.