ADAS ഉം ഓട്ടോണമസ് ഡ്രൈവിംഗും: അടിസ്ഥാനകാര്യങ്ങൾ മനസ്സിലാക്കുന്നു

നേട്ടങ്ങൾ:

• ഡിറ്റക്ഷൻ ചെയിൻ, SAE ഓട്ടോമേഷൻ ലെവലുകൾ എന്നിവയിൽ ക്യാമറ, റഡാർ, LiDAR, സെൻസർ ഫ്യൂഷൻ എന്നിവയുടെ റോളുകൾ വിശദീകരിക്കാനുള്ള കഴിവ്
• ഒബ്‌ജക്റ്റ് കണ്ടെത്തൽ, വർഗ്ഗീകരണം, ട്രാക്കിംഗ് എന്നിവയ്‌ക്കായി ഡാറ്റ ലേബലിംഗ്, സാഹചര്യ നിർവചനം, മൂല്യനിർണ്ണയ മെട്രിക്‌സ് എന്നിവ സൃഷ്‌ടിക്കാനുള്ള കഴിവ്
• എഡ്ജ് കേസുകൾ, തെറ്റായ പോസിറ്റീവ്/നെഗറ്റീവ് ബാലൻസ്, ഡിറ്റക്ഷൻ മോഡൽ ഔട്ട്‌പുട്ടിലെ സുരക്ഷയുടെ മാർജിൻ എന്നിവ വിമർശനാത്മകമായി വിലയിരുത്താനുള്ള കഴിവ്

ഇന്ന് മിക്ക വാഹനങ്ങൾക്കും ലെയ്ൻ ഡിപ്പാർച്ചർ മുന്നറിയിപ്പ്, ഓട്ടോമാറ്റിക് എമർജൻസി ബ്രേക്കിംഗ് അല്ലെങ്കിൽ അഡാപ്റ്റീവ് ക്രൂയിസ് കൺട്രോൾ തുടങ്ങിയ ഫീച്ചറുകൾ ഉണ്ട്. ഇവയെല്ലാം ADAS (Advanced Driver Assistance Systems) ൻ്റെ കുടക്കീഴിലാണ്. ഈ സംവിധാനങ്ങളുടെയും കൂടുതൽ സ്വയംഭരണ ഡ്രൈവിംഗിൻ്റെയും ഹൃദയഭാഗത്ത് ധാരണയാണ്: വാഹനം ചുറ്റുമുള്ള ലോകത്തെ സെൻസറുകൾ ഉപയോഗിച്ച് "കാണുന്നതും" കൃത്രിമബുദ്ധി ഉപയോഗിച്ച് "മനസ്സിലാക്കുന്ന" രീതിയുമാണ്. ഈ യൂണിറ്റിൽ, ഞങ്ങൾ കണ്ടെത്തൽ ശൃംഖല, സെൻസറുകൾ, ഓട്ടോമേഷൻ ലെവലുകൾ, ഏറ്റവും നിർണായകമായ പ്രശ്നമായ സുരക്ഷാ അതിരുകൾ എന്നിവ ഉൾക്കൊള്ളുന്നു.

തുടക്കം മുതലുള്ള ഒരു മുന്നറിയിപ്പ്: ഈ പ്രദേശം സുരക്ഷാ നിർണായകമാണ്. കണ്ടെത്തൽ മോഡൽ ഒരു കാൽനടയാത്രക്കാരനെ കണ്ടെത്തിയില്ലെങ്കിൽ, ഫലം മാരകമായേക്കാം. അതുകൊണ്ടാണ് ഇവിടെയുള്ള ഓരോ AI ഔട്ട്‌പുട്ടും സുരക്ഷാ എഞ്ചിനീയറിംഗ് പ്രക്രിയകളാൽ ചുറ്റപ്പെട്ടിരിക്കണം (ISO 26262, അടുത്ത യൂണിറ്റുകളിൽ SOTIF).

സെൻസറുകൾ: കണ്ണുകൾ, ചെവികൾ, റഡാർ

ഒരു സ്വയംഭരണ ഡ്രൈവിംഗ് സ്റ്റാക്ക് വ്യത്യസ്ത സെൻസറുകൾ സംയോജിപ്പിക്കുന്നു, കാരണം ഓരോന്നിനും ശക്തിയും ബലഹീനതയും ഉണ്ട്:

• ക്യാമറ: ക്യാമറ നിറം, ടെക്സ്റ്റ് (ട്രാഫിക് സൈൻ), ലെയ്ൻ ലൈൻ, ഒബ്ജക്റ്റ് തരം എന്നിവ മികച്ച രീതിയിൽ "കാണുന്നു". എന്നാൽ രാത്രിയിൽ ഇത് മോശമാണ്, മൂടൽമഞ്ഞ്, ശക്തമായ സൂര്യപ്രകാശം, ദൂരം കണക്കാക്കൽ.
• റഡാർ (റേഡിയോ ഡിറ്റക്ഷനും റേഞ്ചിംഗും): റേഡിയോ തരംഗങ്ങൾ ഉപയോഗിച്ച് ദൂരവും വേഗതയും അളക്കുന്നു. മഴ/മൂടൽമഞ്ഞ് ബാധിക്കുകയും വേഗത നേരിട്ട് അളക്കുകയും ചെയ്യുന്നു (ഡോപ്ലർ പ്രഭാവത്തോടെ); എന്നാൽ അതിൻ്റെ റെസല്യൂഷൻ കുറവായതിനാൽ "ഇതൊരു കാൽനടക്കാരനാണോ അതോ പെട്ടിയാണോ?" എന്ന് വേർതിരിച്ചറിയാൻ പ്രയാസമാണ്.
• ലിഡാർ (ലൈറ്റ് ഡിറ്റക്ഷനും റേഞ്ചിംഗും): ഒരു ലേസർ ഷൂട്ട് ചെയ്യുകയും ചുറ്റുപാടിൽ കൃത്യമായ ത്രിമാന "പോയിൻ്റ് ക്ലൗഡ്" ഉണ്ടാക്കുകയും ചെയ്യുന്നു; ഇത് ദൂരവും രൂപവും നന്നായി നൽകുന്നു. എന്നാൽ ഇത് ചെലവേറിയതും കനത്ത മൂടൽമഞ്ഞ് / മഴയും ബാധിക്കാം.
• അൾട്രാസോണിക്: പാർക്കിംഗ് സെൻസറുകൾ പോലെയുള്ള ഹ്രസ്വ ശ്രേണി.

രണ്ടും സ്വന്തമായി മതിയാകാത്തതിനാൽ, സെൻസർ ഫ്യൂഷൻ നടത്തുന്നു: വ്യത്യസ്ത സെൻസറുകളുടെ ഡാറ്റ സംയോജിപ്പിച്ച്, ഓരോന്നിൻ്റെയും ബലഹീനത മറ്റൊന്നിൻ്റെ ശക്തിയാൽ നികത്തപ്പെടുന്നു. ഉദാഹരണത്തിന്, ക്യാമറ "കാൽനടയാത്രക്കാരൻ" എന്ന് പറയുന്നു, റഡാർ "12 മീറ്ററിൽ, 5 കി.മീ/മണിക്കൂർ അടുക്കുന്നു" എന്ന് പറയുന്നു; ഫ്യൂഷൻ രണ്ടും സംയോജിപ്പിച്ച് വിശ്വസനീയമായ ഒരു ട്രാക്ക് സൃഷ്ടിക്കുന്നു.

നുറുങ്ങ്: ഒരു കണ്ടെത്തൽ ക്ലെയിം വിലയിരുത്തുമ്പോൾ, "ഏത് സെൻസറിന് അത് കാണാൻ കഴിയും, എത്ര നന്നായി?" ചോദിക്കുക. രാത്രിയിലെ ക്യാമറയുടെ ദൂര എസ്റ്റിമേറ്റ് മോശമാണെങ്കിൽ, ഒരൊറ്റ ക്യാമറയെ അടിസ്ഥാനമാക്കിയുള്ള ദൂര തീരുമാനം സംശയാസ്പദമാണ്.

കണ്ടെത്തൽ ശൃംഖല

അസംസ്‌കൃത സെൻസർ ഡാറ്റ മുതൽ തീരുമാനം വരെയുള്ള സാധാരണ ശൃംഖല ഇപ്രകാരമാണ്:

1. കണ്ടെത്തൽ: ഇമേജ്/പോയിൻ്റ് ക്ലൗഡിൽ ഒബ്‌ജക്റ്റുകൾ കണ്ടെത്തൽ ("ഇവിടെ ഒരു ടൂൾ ഉണ്ട്").
2. വർഗ്ഗീകരണം: വസ്തുവിൻ്റെ തരം (കാൽനടയാത്ര, സൈക്കിൾ, വാഹനം, അടയാളം) നിർണ്ണയിക്കുന്നു.
3. ട്രാക്കിംഗ്: ഫ്രെയിമുകൾക്കിടയിൽ വസ്തുവിനെ പിന്തുടരുക, അതിൻ്റെ വേഗതയും ദിശയും കണക്കാക്കുന്നു.
4. ഫ്യൂഷൻ: സ്ഥിരതയുള്ള ഒരു ലോക മോഡൽ സൃഷ്ടിക്കാൻ സെൻസറുകൾ സംയോജിപ്പിക്കുന്നു.
5. പ്രവചനം: "ഈ കാൽനടക്കാരൻ തെരുവ് മുറിച്ചുകടക്കുമോ?"
6. ആസൂത്രണവും നിയന്ത്രണവും: തീരുമാനവും സ്റ്റിയറിംഗ്/ബ്രേക്ക്/ആക്സിലറേറ്റർ കമാൻഡും.

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (പ്രത്യേകിച്ച് ആഴത്തിലുള്ള പഠനം) 1-3. പടികൾ വളരെ ശക്തമാണ്; 5-6. ചുവടുകൾ എഞ്ചിനീയറിംഗ് നിയമങ്ങളും സുരക്ഷാ യുക്തിയും കൊണ്ട് ചുറ്റപ്പെട്ടിരിക്കുന്നു.

SAE ഓട്ടോമേഷൻ ലെവലുകൾ

സ്വയംഭരണം "അതെ/ഇല്ല" എന്നതല്ല, അത് ക്രമേണയാണ്. SAE J3016 സ്റ്റാൻഡേർഡ് ആറ് ലെവലുകൾ നിർവചിക്കുന്നു:

ലെവൽ

പേര്

ആരാണ് ഡ്രൈവ് ചെയ്യുന്നത്?

ഉദാഹരണം

0

ഓട്ടോമേഷൻ ഇല്ല

എല്ലാ ഡ്രൈവ്

മുന്നറിയിപ്പ് മാത്രം (അന്ധമായ മുന്നറിയിപ്പ്)

1

ഡ്രൈവർ പിന്തുണ

ഡ്രൈവർ + ഒറ്റ പിന്തുണ

അഡാപ്റ്റീവ് ക്രൂയിസ് അല്ലെങ്കിൽ ലെയ്ൻ കീപ്പിംഗ്

2

ഭാഗിക ഓട്ടോമേഷൻ

ഡ്രൈവർ (നിരന്തര മേൽനോട്ടം)

സ്പീഡ് + ലെയ്ൻ ഒരുമിച്ച്, ഡ്രൈവർ ഉത്തരവാദി

3

സോപാധിക ഓട്ടോമേഷൻ

സിസ്റ്റം (ചില വ്യവസ്ഥയിൽ)

ചില വ്യവസ്ഥകൾക്ക് കീഴിൽ സിസ്റ്റം ഡ്രൈവ് ചെയ്യുന്നു, ഡ്രൈവർ ഏറ്റെടുക്കാൻ തയ്യാറാണ്

4

ഉയർന്ന ഓട്ടോമേഷൻ

സിസ്റ്റം (നിർദ്ദിഷ്ട മേഖലയിൽ)

നിർവചിക്കപ്പെട്ട പ്രദേശത്ത് ഡ്രൈവറില്ല

5

പൂർണ്ണ ഓട്ടോമേഷൻ

സിസ്റ്റം (എല്ലാ സാഹചര്യങ്ങളിലും)

എല്ലായിടത്തും ഡ്രൈവറില്ല (ഇതുവരെ ഇല്ല)

മുന്നറിയിപ്പ്: ഏറ്റവും അപകടകരമായ തെറ്റിദ്ധാരണ ലെവൽ 2 ആണ്. ലെവൽ 2 ൽ, വാഹനം സ്റ്റിയറിംഗും വേഗതയും പിന്തുണയ്ക്കുന്നു, എന്നാൽ ഡ്രൈവർ നിരന്തരമായ മേൽനോട്ടവും ഉത്തരവാദിത്തവും നിലനിർത്തുന്നു. ഈ സംവിധാനത്തെ ഓട്ടോപൈലറ്റ് എന്ന് തെറ്റിദ്ധരിപ്പിച്ചതും ശ്രദ്ധിക്കാത്തതും മാരകമായ അപകടങ്ങൾക്ക് കാരണമായിട്ടുണ്ട്. ലെവൽ 2 എന്നാൽ "ഡ്രൈവർ ഇല്ലാത്തത്" എന്നല്ല അർത്ഥമാക്കുന്നത്.

മൂല്യനിർണ്ണയ അളവുകൾ: തെറ്റായ പോസിറ്റീവ്, തെറ്റായ നെഗറ്റീവ്

ഒരു കണ്ടെത്തൽ മോഡൽ വിലയിരുത്തുമ്പോൾ രണ്ട് തരത്തിലുള്ള പിശകുകൾ നിർണായകമാണ്:

• തെറ്റായ പോസിറ്റീവ്: ഇല്ലാത്ത എന്തെങ്കിലും ഉണ്ടെന്ന് ചിന്തിക്കുക. ഉദാഹരണത്തിന്, ഒരു ബ്രിഡ്ജ് ഷാഡോ ഒരു "തടസ്സം" ആണെന്ന് കരുതുകയും അനാവശ്യമായി ബ്രേക്ക് ചെയ്യുകയും ചെയ്യുക. ശല്യപ്പെടുത്തുന്നതും ചിലപ്പോൾ അപകടകരവുമാണ് (പിന്നിലെ കൂട്ടിയിടി).
• തെറ്റായ നെഗറ്റീവ് (തെറ്റായ നെഗറ്റീവ് / മിസ്സ്): നിലവിലുള്ള എന്തെങ്കിലും കാണാൻ കഴിയില്ല. ഉദാഹരണത്തിന്, ഒരു യഥാർത്ഥ കാൽനടയാത്രക്കാരനെ കാണുന്നില്ല. ഓട്ടോണമസ് ഡ്രൈവിംഗിലെ ഏറ്റവും മാരകമായ തെറ്റാണിത്.

ഇവയെ സംഗ്രഹിക്കുന്ന മെട്രിക്കുകൾ:

• കൃത്യത: നിങ്ങൾ അടയാളപ്പെടുത്തിയതിൽ എത്രത്തോളം ശരിയാണ്.
• ഓർക്കുക (സെൻസിറ്റിവിറ്റി): യഥാർത്ഥത്തിൽ നിലനിൽക്കുന്നതിൽ എത്രത്തോളം നിങ്ങൾ പിടിച്ചെടുത്തു.
• mAP (ശരാശരി പ്രിസിഷൻ): ഒബ്ജക്റ്റ് കണ്ടെത്തലിനുള്ള പൊതുവായ സംയോജിത മെട്രിക്.

ഓട്ടോണമസ് ഡ്രൈവിംഗിൽ കാൽനടയാത്രക്കാരെ കണ്ടെത്തുന്നത് പോലുള്ള കാര്യങ്ങളിൽ തിരിച്ചുവിളിക്കുക (ഒരു കാൽനടയാത്രക്കാരനെയും കാണാതെ പോകരുത്) പ്രധാനമാണ്; ഇത് വർദ്ധിക്കുന്നത് ചിലപ്പോൾ തെറ്റായ പോസിറ്റീവ് വർദ്ധിപ്പിക്കും. ഈ ട്രേഡ്-ഓഫ് ഒരു സുരക്ഷാ എഞ്ചിനീയറിംഗ് തീരുമാനമാണ്, ശുദ്ധമായ മോഡൽ കൃത്യതയല്ല.

എഡ്ജ് കേസുകളും നീളമുള്ള വാലും

ഓട്ടോണമസ് ഡ്രൈവിംഗിൻ്റെ ഏറ്റവും പ്രയാസകരമായ ഭാഗം സാധാരണ സാഹചര്യങ്ങളല്ല, മറിച്ച് അപൂർവവും വിചിത്രവുമാണ്: മഞ്ഞിനടിയിൽ പകുതി ദൃശ്യമാകുന്ന അടയാളം, തലകീഴായ ട്രക്ക്, വസ്ത്രം ധരിച്ച കാൽനടയാത്രക്കാരൻ, റോഡിൽ വീണ ഫർണിച്ചറുകൾ. ഈ അപൂർവവും എന്നാൽ അപകടകരവുമായ സാഹചര്യങ്ങളെ നീളമുള്ള വാൽ എന്ന് വിളിക്കുന്നു. ഒരു മോഡൽ ദശലക്ഷക്കണക്കിന് "സാധാരണ" മൈലുകൾക്ക് അനുയോജ്യമാകുമെങ്കിലും, അത് മുമ്പൊരിക്കലും കണ്ടിട്ടില്ലാത്ത ഒരു അങ്ങേയറ്റത്തെ സാഹചര്യത്തിൽ പരാജയപ്പെടാം. അതുകൊണ്ടാണ് സാഹചര്യത്തെ അടിസ്ഥാനമാക്കിയുള്ള പരിശോധനയും സിമുലേഷനും യഥാർത്ഥ ലോക മൂല്യനിർണ്ണയവും അനന്തമായത്.

മിനി കേസ് പഠനങ്ങൾ

കേസ് 1 - സംയോജനത്തിൻ്റെ മൂല്യം. ഓട്ടോമാറ്റിക് എമർജൻസി ബ്രേക്കിംഗ് പരീക്ഷിക്കുന്നതിനിടയിൽ, ഒരു ADAS ടീം അതിൻ്റെ മുന്നിൽ ഒരു ഇരുണ്ട നിറമുള്ള വാഹനം തെളിഞ്ഞ വെയിലിൽ ക്യാമറ ഉപയോഗിച്ച് മന്ദഗതിയിലാണെന്ന് കണ്ടെത്തി. റഡാർ ഡാറ്റ ചേർക്കുമ്പോൾ (റഡാറിനെ ഗ്ലെയർ ബാധിക്കില്ല) സിസ്റ്റം 0.4 സെക്കൻഡ് മുമ്പ് വാഹനത്തെ കണ്ടെത്തുന്നു; അതായത്, മണിക്കൂറിൽ 90 കിലോമീറ്റർ വേഗതയിൽ ഏകദേശം 10 മീറ്റർ ബ്രേക്കിംഗ് ദൂരം. ഫലം: ഫ്യൂഷൻ സിംഗിൾ സെൻസർ ബ്ലൈൻഡ് സ്പോട്ട് അടച്ചു.

കേസ് 2 - റീകോൾ/പ്രിസിഷൻ ബാലൻസ്. കാൽനട കണ്ടെത്തൽ മോഡലിൻ്റെ പരിധി താഴ്ത്തുമ്പോൾ, തിരിച്ചുവിളിക്കൽ 96% മുതൽ 99% വരെ വർദ്ധിക്കുന്നു, എന്നാൽ തെറ്റായ പോസിറ്റീവുകൾ (നിഴൽ, കുറ്റിക്കാടുകൾ) വർദ്ധിക്കുന്നു, ഇത് അനാവശ്യ ബ്രേക്കിംഗിലേക്ക് നയിക്കുന്നു. സുരക്ഷാ ടീം തീരുമാനം എടുക്കുന്നു: കാൽനടയാത്രക്കാരെ ഒഴിവാക്കുന്നത് മുൻഗണനയാണ്, എന്നാൽ ഫ്യൂഷനും ട്രാക്കിംഗ് ലോജിക്കും ഉപയോഗിച്ച് തെറ്റായ പോസിറ്റീവുകൾ ഇല്ലാതാക്കി സുഖസൗകര്യങ്ങൾ നിലനിർത്തുന്നു. ഉപസംഹാരം: മെട്രിക് തിരഞ്ഞെടുപ്പ് ഒരു എഞ്ചിനീയറിംഗ്/സുരക്ഷാ തീരുമാനമാണ്, ഒരൊറ്റ "ശരിയായ സംഖ്യ" ഇല്ല.

കേസ് 3 - എഡ്ജ് കേസ് സർപ്രൈസ്. ഒരു മോഡൽ അതിൻ്റെ മൂല്യനിർണ്ണയ സെറ്റിൽ 99.8% വിജയിച്ചപ്പോൾ, ഒരു "യഥാർത്ഥ കാൽനടയാത്രക്കാരൻ" എന്ന് ഫീൽഡിൽ സ്നോ ടയർ പരസ്യം വഹിക്കുന്ന ഒരു ട്രക്കിന് പിന്നിൽ ഒരു ഭീമൻ കാൽനടക്കാരൻ്റെ ഫോട്ടോ തെറ്റിദ്ധരിക്കുകയും പെട്ടെന്ന് ബ്രേക്ക് ഇടുകയും ചെയ്തു. ടീം ഈ എഡ്ജ് കേസ് സിനാരിയോ ലൈബ്രറിയിലേക്ക് ചേർക്കുകയും മോഡൽ വീണ്ടും പരിശീലിപ്പിക്കുകയും ചെയ്യുന്നു. ഉപസംഹാരം: നീണ്ട വാൽ ഒരിക്കലും "അവസാനിക്കുന്നില്ല"; സ്ഥിരമായ സാഹചര്യ ശേഖരണം ആവശ്യമാണ്.

പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ടെംപ്ലേറ്റ് 1 - ഒരു സാഹചര്യ പട്ടിക സൃഷ്ടിക്കുന്നു:

റോൾ: നിങ്ങളാണ് ADAS ടെസ്റ്റ് കേസ് എഞ്ചിനീയർ. ടാസ്ക്: ഓട്ടോമാറ്റിക് എമർജൻസി ബ്രേക്കിംഗിനായി വെല്ലുവിളി നിറഞ്ഞ (എഡ്ജ് കേസ്) ടെസ്റ്റ് സാഹചര്യങ്ങൾ നിർമ്മിക്കുക. സന്ദർഭം: അർബൻ, 30-50 കി.മീ./മണിക്കൂർ, മിക്സഡ് കാൽനടയാത്രക്കാരും സൈക്ലിസ്റ്റും. നിയന്ത്രണം: അപൂർവമായ/അപകടകരമായവയ്ക്ക് മുൻഗണന നൽകുക, പതിവ് സാഹചര്യങ്ങളല്ല; ഓരോ സാഹചര്യത്തിനും പ്രതീക്ഷിക്കുന്ന ശരിയായ പെരുമാറ്റം എഴുതുക.ഔട്ട്‌പുട്ട്: രംഗം | അവസ്ഥ | പ്രതീക്ഷിച്ച പെരുമാറ്റം | അപകട നില.

ടെംപ്ലേറ്റ് 2 - ലേബലിംഗ് ഗൈഡ് ഔട്ട്‌ലൈൻ:

റോൾ: ഡാറ്റ ലേബലിംഗ് ഗുണമേന്മയുള്ള ലീഡ്. ടാസ്ക്: കാൽനടയാത്രക്കാരുടെ ലേബലിംഗിനായി ഒരു ഡ്രാഫ്റ്റ് സ്ഥിരത നിയമങ്ങൾ എഴുതുക. സന്ദർഭം: കാൽനടയാത്രക്കാർ ഭാഗികമായി കാണുകയും ഇരിക്കുകയും വീൽചെയറുകളിലും ഗ്രൂപ്പുകളിലും ഉണ്ട്. ഔട്ട്പുട്ട്: നിയമം | ഉദാഹരണം | പരിധി സംസ്ഥാന ഗ്രേഡ് പട്ടിക.

ടെംപ്ലേറ്റ് 3 - മെട്രിക് വ്യാഖ്യാനം:

റോൾ: കമ്പ്യൂട്ടർ വിഷൻ മൂല്യനിർണ്ണയ വിദഗ്ധൻ. ടാസ്ക്: എൻ്റെ കാൽനട കണ്ടെത്തൽ ഫലങ്ങൾ വ്യാഖ്യാനിക്കുക. സന്ദർഭം: കൃത്യത 0.93, ഓർമ്മപ്പെടുത്തൽ 0.90, മിക്കതും രാത്രിയിലോ മഴയിലോ നഷ്ടപ്പെടും. നിയന്ത്രണം: സുരക്ഷയ്ക്കായി തിരിച്ചുവിളിക്കേണ്ടതിൻ്റെ പ്രാധാന്യം ഊന്നിപ്പറയുക; ഏത് സാഹചര്യത്തിലാണ് അധിക പരിശോധന ആവശ്യമെന്ന് എന്നോട് പറയുക. ഔട്ട്‌പുട്ട്: അഭിപ്രായം + മെച്ചപ്പെടുത്താനുള്ള മുൻഗണനാ മേഖലകൾ.

ടെംപ്ലേറ്റ് 4 - ഫ്യൂഷൻ ലോജിക് ഔട്ട്‌ലൈൻ:

റോൾ: നിങ്ങളൊരു സെൻസർ ഫ്യൂഷൻ എഞ്ചിനീയറാണ്. ടാസ്‌ക്: ക്യാമറയും റഡാറും തമ്മിൽ വൈരുദ്ധ്യമുണ്ടാകുമ്പോൾ ഒരു ഡ്രാഫ്റ്റ് തീരുമാന ലോജിക് നിർദ്ദേശിക്കുക. സന്ദർഭം: റഡാർ 15 മീറ്ററിൽ ചലിക്കുന്ന ചെറിയ വസ്തുവിനെ കാണുന്നു, അതേസമയം ക്യാമറ പറയുന്നത് 'കാൽനടയാത്ര പാടില്ല' എന്നാണ്. നിയന്ത്രണം: സുരക്ഷയ്ക്ക് അനുകൂലമായി അനുമാന തത്വം പ്രയോഗിക്കുക (സുരക്ഷിത വശം). ഔട്ട്പുട്ട്: തീരുമാന പട്ടിക + ന്യായീകരണം.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

എൻ്റെ സ്വയംഭരണ വാഹന മോഡൽ സുരക്ഷിതമാണോ?

സന്ദർഭമില്ലാതെ; "സുരക്ഷിതം" എന്നത് നിർവചിക്കപ്പെട്ടിട്ടില്ല; AI പൊതുവായ രീതിയിൽ മാത്രമേ സംസാരിക്കൂ, തെറ്റിദ്ധരിപ്പിക്കുന്ന ആത്മവിശ്വാസം നൽകാനും കഴിയും.

ശക്തമായ നിർദ്ദേശം:

റോൾ: നിങ്ങളാണ് ADAS സുരക്ഷാ വിലയിരുത്തൽ കൺസൾട്ടൻ്റ്. ടാസ്‌ക്: എൻ്റെ കാൽനട കണ്ടെത്തൽ മോഡലിൻ്റെ കേടുപാടുകൾ ചോദ്യം ചെയ്യാൻ എനിക്കായി ഒരു ചെക്ക്‌ലിസ്റ്റ് സൃഷ്‌ടിക്കുക. സന്ദർഭം: അർബൻ ലെവൽ 2 സിസ്റ്റം; രാത്രിയിലും മഴയിലും വീഴുന്നത് ഓർക്കുക; ക്യാമറ + റഡാർ മാത്രമേ ഉള്ളൂ, LiDAR ഇല്ല. നിയന്ത്രണം: 'സുരക്ഷിതം' എന്ന് പ്രഖ്യാപിക്കരുത്; ഏത് സാഹചര്യത്തിലാണ് സിസ്റ്റം അതിൻ്റെ പരിധിയിലുള്ളതെന്നും എന്ത് അധിക പരിശോധന ആവശ്യമാണെന്നും വ്യക്തമാക്കുക. ഔട്ട്പുട്ട്: റിസ്ക് ഏരിയ | എന്തുകൊണ്ട് | ശുപാർശ ചെയ്ത പരിശോധന | പ്രാധാന്യം പട്ടിക.

സാധാരണ തെറ്റുകൾ

• ലെവൽ 2 "ഡ്രൈവറില്ലാ" എന്ന് തെറ്റിദ്ധരിക്കുന്നു. ഉത്തരവാദിത്തം ഡ്രൈവർക്കാണ്; ഈ തെറ്റിദ്ധാരണ മാരകമാണ്.
• ഒരൊറ്റ സെൻസറിനെ ആശ്രയിക്കുന്നു. ഓരോ സെൻസറും ഒരു ബ്ലൈൻഡ് സ്പോട്ട് ഉണ്ട്; സംയോജനം അത്യാവശ്യമാണ്.
• ശരാശരി കൃത്യത നോക്കുന്നു. 99% വിജയം, 1% കാൽനടയാത്രക്കാർ മാരകമായേക്കാം; തിരിച്ചുവിളിക്കലും എഡ്ജ് കേസുകളും നിർണായകമാണ്.
• അങ്ങേയറ്റത്തെ കേസുകൾ അവഗണിക്കുന്നു. നീണ്ട വാൽ ഒരിക്കലും അവസാനിക്കുന്നില്ല; രംഗം ശേഖരണം തുടർച്ചയായി നടക്കുന്നു.
• സുരക്ഷാ തീരുമാനം മോഡലിന് വിടുന്നു. ത്രെഷോൾഡും ബാലൻസ് തീരുമാനങ്ങളും സുരക്ഷാ എഞ്ചിനീയറിംഗിൻ്റെ ഉത്തരവാദിത്തമാണ്.

ചുരുക്കത്തിൽ

• ADAS-ൻ്റെയും ഓട്ടോണമസ് ഡ്രൈവിംഗ് സെൻസിംഗിൻ്റെയും ഹൃദയഭാഗത്ത് ക്യാമറ, റഡാർ, LiDAR, സെൻസർ ഫ്യൂഷൻ എന്നിവയാണ്; ഓരോ സെൻസറിനും വ്യത്യസ്‌തമായ ശക്തി/ബലഹീനതകൾ ഉണ്ട്.
• കണ്ടെത്തൽ ശൃംഖലയിൽ കണ്ടെത്തൽ, വർഗ്ഗീകരണം, നിരീക്ഷണം, സംയോജനം, പ്രവചനം, നിയന്ത്രണം എന്നിവ അടങ്ങിയിരിക്കുന്നു; ആദ്യ ഘട്ടങ്ങളിൽ AI ശക്തമാണ്.
• SAE ലെവലുകൾ 0 മുതൽ 5 വരെയാണ്; ലെവൽ 2 ൽ, ഉത്തരവാദിത്തം ഡ്രൈവർക്കാണ്.
• തെറ്റായ നെഗറ്റീവ് (കാൽനടക്കാരനെ തട്ടിക്കൊണ്ടുപോകൽ) ആണ് ഏറ്റവും മാരകമായ പിശക്; തിരിച്ചുവിളിക്കലും എഡ്ജ് കേസുകളും മുൻഗണന നൽകുന്നു.
• സുരക്ഷാ തീരുമാനങ്ങൾ എഞ്ചിനീയറിംഗ് ഉത്തരവാദിത്തമാണ്; മോഡൽ കൃത്യത മാത്രമല്ല മാനദണ്ഡം.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു ADAS ഫംഗ്‌ഷൻ തിരഞ്ഞെടുക്കുക (ഉദാ. ലെയ്ൻ കീപ്പിംഗ് അസിസ്റ്റ്). (1) ഏത് സെൻസറുകളാണ് ഈ ഫംഗ്‌ഷനെ പിന്തുണയ്ക്കുന്നതെന്നും എത്ര നന്നായിരിക്കുന്നുവെന്നും ഒരു പട്ടികയിൽ എഴുതുക. (2) ടെംപ്ലേറ്റ് 1 ഉപയോഗിച്ച് 5 എഡ്ജ് കേസ് സാഹചര്യങ്ങൾ സൃഷ്ടിക്കുകയും ഓരോന്നിനും പ്രതീക്ഷിക്കുന്ന സുരക്ഷിതമായ പെരുമാറ്റം വ്യക്തമാക്കുകയും ചെയ്യുക. (3) ഈ ഫംഗ്‌ഷൻ്റെ തെറ്റായ പോസിറ്റീവ്, തെറ്റായ നെഗറ്റീവ് ഫലങ്ങൾ താരതമ്യം ചെയ്യുക. (4) മോഡൽ "സുരക്ഷിതം" എന്ന് അവകാശപ്പെടുന്നതിന് മുമ്പ് എന്ത് സ്വതന്ത്ര പരിശോധന ആവശ്യമാണ് എന്ന് ലിസ്റ്റ് ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] പ്രവർത്തനത്തിനനുസരിച്ച് സെൻസറുകളുടെ ശക്തി/ബലഹീനതകൾ ഞാൻ വിലയിരുത്തി.
• [ ] ഞാൻ എൻഡ് കെയ്‌സ് (ലോംഗ് ടെയിൽ) സാഹചര്യങ്ങളും ലിസ്റ്റ് ചെയ്തിട്ടുണ്ട്.
• [ ] സുരക്ഷയ്ക്കായി ഞാൻ തെറ്റായ പോസിറ്റീവ്/നെഗറ്റീവ് ഫലങ്ങൾ താരതമ്യം ചെയ്തു.
• [ ] തിരിച്ചുവിളിയുടെ സുരക്ഷാ-നിർണ്ണായക പ്രാധാന്യം ഞാൻ കണക്കിലെടുത്തിട്ടുണ്ട്.
• [ ] SAE ലെവലും ആരാണ് ഉത്തരവാദികളെന്നും ഞാൻ വ്യക്തമാക്കി.
• [ ] "സുരക്ഷിതം" എന്ന് അവകാശപ്പെടുന്നതിന് മുമ്പ് ഞാൻ സ്വതന്ത്രമായ ടെസ്റ്റിംഗ് പ്ലാൻ തയ്യാറാക്കി.