ADAS и автономно возење: основи на чувствителност — Вештачка интелигенција во автомобилското инженерство

Добивки:

Способност да се објаснат улогите на камерата, радарот, LiDAR и фузијата на сензорите во синџирот за откривање и нивоата на автоматизација SAE
Способност да се креираат етикетирање на податоци, дефинирање на сценарија и метрика за евалуација за откривање, класификација и следење објекти
Способност за критичко оценување на рабовите случаи, лажно позитивно/негативно салдо и маргина на безбедност во излезот од моделот за откривање

Повеќето возила денес имаат функции како предупредување за напуштање лента, автоматско сопирање во итни случаи или адаптивна контрола на патувањето. Сите овие се под капата на ADAS (Advanced Driver Assistance Systems). Во срцето на овие системи и понатамошното автономно возење е перцепцијата: начинот на кој возилото го „гледа“ светот околу себе со сензори и го „разбира“ со вештачка интелигенција. Во оваа единица, ќе го покриеме синџирот за откривање, сензорите, нивоата на автоматизација и најкритичното прашање, безбедносните граници.

Предупредување од почеток: Оваа област е безбедносно критична. Ако моделот за откривање не открие пешак, резултатот може да биде фатален. Затоа секој излез на вештачка интелигенција овде мора да биде опкружен со безбедносни инженерски процеси (ISO 26262 и SOTIF во следните единици).

Сензори: очи, уши и радар

Стак за автономно возење комбинира различни сензори бидејќи секој има јаки и слаби страни:

Камера: Камерата најдобро ги „гледа“ бојата, текстот (сообраќаен знак), лентата и типот на објектот. Но, ноќе е слабо, магла, силен сончев сјај и проценка на растојанието.
Радар (Радио детекција и опсег): Мери растојание и брзина со радио бранови. Помалку е под влијание на дожд/магла и директно ја мери брзината (со Доплер ефектот); но неговата резолуција е мала, што го отежнува разликувањето „дали е ова пешак или кутија?“
LiDAR (Light Detection and Ranging): Снима ласер и создава прецизен тродимензионален „точка облак“ на околината; Многу добро дава растојание и облик. Но, тоа е скапо и може да биде зафатено од силна магла/дожд.
Ултразвук: краток дострел, како сензори за паркирање.

Бидејќи ниту еден од нив не е доволно само по себе, се врши фузија на сензорите: со комбинирање на податоците од различни сензори, слабоста на секој се компензира со силата на другиот. На пример, камерата вели „пешак“, радарот вели „на 12 метри, приближувајќи се до 5 km/h“; Fusion ги комбинира двете и создава сигурна патека.

Совет: кога оценувате тврдење за откривање, „кој сензор може да го види и колку добро?“ прашај. Ако проценката на растојанието на камерата ноќе е лоша, одлуката за растојание заснована на една камера е сомнителна.

Синџир за откривање

Типичниот синџир од необработени податоци од сензор до одлука е како што следува:

Откривање: Пронаоѓање објекти во облакот со слика/точка („тука има алатка“).
Класификација: Определување на видот на објектот (пешак, велосипед, возило, знак).
Следење: Следење на објектот помеѓу рамки, проценување на неговата брзина и насока.
Фузија: Комбинирање на сензори за да се создаде конзистентен светски модел.
Предвидување: „Дали овој пешак ќе ја помине улицата?
Планирање и контрола: Одлука и команда за управување/сопирање/газ.

Вештачка интелигенција (особено длабоко учење) 1-3. многу силен во чекори; 5-6. Чекорите се повеќе се опкружени со инженерски правила и безбедносна логика.

SAE нивоа на автоматизација

Автономијата не е нешто „да/не“, таа е постепена. Стандардот SAE J3016 дефинира шест нивоа:

Ниво

Име

Кој вози?

пример

Нема автоматизација

сите возат

Само предупредување (предупредување за слепа точка)

Поддршка за возачот

возач + единечна поддршка

Приспособливо крстарење ИЛИ одржување на лента

Делумна автоматизација

Возач (постојан надзор)

Брзина + лента заедно, возачот одговорен

Условна автоматизација

System (under certain condition)

Под одредени услови системот вози, возачот е подготвен да го преземе

висока автоматизација

Систем (во одредена област)

Без возач во одредена област

Целосна автоматизација

Систем (во сите услови)

Без возач насекаде (сè уште не)

Внимание: Најопасното недоразбирање е Ниво 2. Во Ниво 2, возилото поддржува управување и брзина, но возачот задржува постојан надзор и одговорност. Заблуда на системот како „автопилот“ и необрнување внимание доведе до фатални несреќи. Ниво 2 не значи „без возач“.

Метрика на евалуација: лажно позитивни и лажно негативни

Два типа на грешки се клучни при оценувањето на моделот за откривање:

Лажно позитивно: Мислење дека има нешто што не постои. На пример, мислејќи дека сенката на мостот е „пречка“ и непотребно сопирање. Вознемирувачки и понекогаш опасен (судир од задниот дел).
Лажно негативно (лажно негативно / промашување): Неможност да се види нешто што постои. На пример, не гледање вистински пешак. Ова е најсмртоносната грешка во автономното возење.

Metrics that summarize these:

Прецизност: Колку од она што сте го означиле е всушност точно.
Потсетете се (чувствителност): Колку од она што навистина постои сте снимиле.
mAP (средна просечна прецизност): Заедничка композитна метрика за откривање објекти.

Потсетувањето (да не се пропушти ниту еден пешак) е од витално значење за прашања како што е откривање на пешаци при автономно возење; Зголемувањето на ова понекогаш го зголемува лажно позитивното. Оваа размена е безбедносно инженерска одлука, а не чиста точност на моделот.

Куќишта на рабовите и долгата опашка

Најтешкиот дел од автономното возење не се вообичаените ситуации, туку ретките и чудните: знакот до половина видлив под снегот, камионот наопаку, костимиран пешак, мебелот паднат на патот. Овие ретки, но опасни ситуации се нарекуваат долга опашка. Иако моделот може да биде совршен за милиони „нормални“ милји, тој може да пропадне во екстремна ситуација каква што досега не била видена. Затоа тестирањето, симулацијата и валидацијата во реалниот свет врз основа на сценарија се бесконечни.

Мини студии на случај

Случај 1 - Вредноста на фузијата. За време на тестирањето на автоматското сопирање за итни случаи, тимот на ADAS откри дека бавно забележува возило со темна боја пред него на светло сонце само со камерата. Кога се додаваат радарски податоци (радарот не е засегнат од отсјајот), системот го открива возилото 0,4 секунди порано; Ова значи растојание на сопирање од приближно 10 метри при 90 km/h. Резултат: Фузија ја затвори слепата точка со еден сензор.

Случај 2 - Повикување/прецизна рамнотежа. Кога прагот на моделот за откривање пешаци е намален, повлекувањето се зголемува од 96% на 99%, но лажните позитиви (сенка, грмушки) се зголемуваат, што доведува до непотребно сопирање. Тимот за безбедност ја донесува одлуката: избегнувањето на пешаците е приоритет, но удобноста се одржува со елиминирање на лажни позитиви со фузија и логика за следење. Заклучок: Метричкиот избор е инженерска/безбедносна одлука, не постои единствен „точен број“.

Случај 3 - Изненадување на рабовите. Додека моделот беше 99,8% успешен во комплетот за валидација, тој помеша фотографија на огромен пешак зад камион кој носи реклама за снежна гума на терен за „вистински пешак“ и ненадејно закочи. Тимот го додава овој случај на рабови во библиотеката со сценарија и го преквалификува моделот. Заклучок: Долгата опашка никогаш не „завршува“; Constant scenario collection is required.

промптни шаблони

Шаблон 1 - Генерирање листа на сценарија:

Улога: Вие сте инженер за тестирање на ADAS. Задача: Направете предизвикувачки (рабни куќишта) тест сценарија за автоматско итно сопирање. Контекст: Урбан, 30-50 км/ч, мешан пешак и велосипедист. Ограничување: Дајте приоритет на ретките/опасните, а не на честите сценарија; напишете го очекуваното правилно однесување за секое сценарио.Излез: Сценарио | состојба | очекувано однесување | ниво на ризик.

Шаблон 2 - Преглед на водичот за етикетирање:

Улога: Квалитетно означување на податоците води. Задача: Напишете нацрт-правила за конзистентност за етикетирање на пешаци. Контекст: Има пешаци делумно видливи, седнати, во инвалидски колички и во групи. Резултат: Правило | пример | табела за оценки за ограничување на државата.

Шаблон 3 - Метричко толкување:

Улога: Експерт за оцена на компјутерска визија. Задача: Интерпретирај ги резултатите од моите откривање пешаци. Контекст: прецизност 0,93, отповикување 0,90, повеќето промашувања ноќе или на дожд. Ограничување: Нагласете ја важноста на отповикувањето за безбедност; Кажете ми под кои услови е потребна дополнителна проверка. Излез: Коментар + приоритетни области за подобрување.

Шаблон 4 - Преглед на логичка фузија:

Улога: Вие сте инженер за фузија на сензори. Задача: Предложете логика на нацрт-одлука кога камерата и радарот се во конфликт. Контекст: радарот гледа мал предмет кој се движи на 15 m, додека камерата вели „нема пешак“. Ограничување: Применете го принципот на претпоставка во корист на безбедноста (безбедна страна). Излез: Табела со одлуки + оправдување.

Слаб промпт / Силен промпт

Слаба навестување:

Дали е безбеден мојот модел на автономно возило?

Без контекст; „безбедно“ е недефинирано; ВИ зборува само во општи термини и може да даде погрешна доверба.

Моќен потсетник:

Улога: Вие сте консултант за безбедносна проценка на ADAS. Задача: Создадете листа за проверка за да ги преиспитам ранливостите на мојот модел за откривање пешаци. Контекст: Урбано ниво 2 систем; Потсетиме паѓа ноќе и на дожд; Има само камера + радар, нема LiDAR. Ограничување: Не декларирајте „безбедно“; наведете под кои услови системот е на својата граница и какво дополнително тестирање е потребно. Излез: Ризична област | зошто | препорачан тест | табела за важност.

Вообичаени грешки

Погрешно ниво 2 за „без возач“. Одговорноста е кај возачот; Оваа заблуда е фатална.
Потпирајќи се на еден сензор. Секој сензор има слепа точка; фузијата е од суштинско значење.
Само гледајќи ја просечната точност. 99% успех, 1% промашен пешак може да биде фатален; отповикување и рабови се критични.
Игнорирање на екстремни случаи. Долгата опашка никогаш не завршува; Собирањето на сценаријата е континуирано.
Препуштање на безбедносната одлука на моделот. Одлуките за прагот и рамнотежата се одговорност на безбедносниот инженеринг.

Сумирано

Во срцето на ADAS и сензорот за автономно возење се камерата, радарот, LiDAR и фузијата на сензорите; Секој сензор има различни јаки/слаби страни.
Синџирот на откривање се состои од откривање, класификација, следење, фузија, предвидување и контрола; ВИ е силна во првите чекори.
Нивоата на SAE се движат од 0 до 5; Во Ниво 2, одговорноста е на возачот.
Лажно негативно (киднапирање на пешаци) е најфаталната грешка; отповикувањето и рабовите имаат приоритет.
Безбедносните одлуки се инженерска одговорност; Model accuracy is not the only criterion.

Задача за апликација

Изберете функција ADAS (на пр. помош за задржување лента). (1) Напишете во табела кои сензори ја поддржуваат оваа функција и колку добро. (2) Создадете 5 сценарија со рабови со Шаблон 1 и наведете го очекуваното безбедно однесување за секое. (3) Споредете ги резултатите од лажно позитивни и лажно негативни за оваа функција. (4) Наведете кое независно тестирање е потребно пред да тврдите дека моделот е „безбеден“.

листа за проверка

[ ] Ги оценив силните/слабите страни на сензорите според функцијата.
[ ] Ги наведов и сценаријата за краен случај (долга опашка).
[ ] Споредив лажно позитивни/негативни резултати за безбедност.
[ ] Ја земав предвид безбедносната важност на Recall.
[ ] Го појаснив нивото на SAE и кој е одговорен.
[ ] Подготвив независен план за тестирање пред да тврдам „безбедно“.