Keuntungan:
- Keupayaan untuk menerangkan peranan kamera, radar, LiDAR dan gabungan sensor dalam rantaian pengesanan dan tahap automasi SAE
- Keupayaan untuk mencipta pelabelan data, definisi senario dan metrik penilaian untuk pengesanan objek, pengelasan dan penjejakan
- Keupayaan untuk menilai secara kritikal kes tepi, keseimbangan positif/negatif palsu dan margin keselamatan dalam output model pengesanan
Kebanyakan kenderaan hari ini mempunyai ciri seperti amaran keluar lorong, brek kecemasan automatik atau kawalan pelayaran adaptif. Ini semua adalah di bawah payung ADAS (Sistem Bantuan Pemandu Lanjutan). Di tengah-tengah sistem ini dan pemanduan autonomi selanjutnya ialah persepsi: cara kenderaan "melihat" dunia di sekelilingnya dengan penderia dan "memahami"nya dengan kecerdasan buatan. Dalam unit ini, kami akan merangkumi rantaian pengesanan, penderia, tahap automasi dan isu paling kritikal, sempadan keselamatan.
Amaran dari awal: Kawasan ini kritikal keselamatan. Jika model pengesanan tidak mengesan pejalan kaki, hasilnya boleh membawa maut. Itulah sebabnya setiap output AI di sini mesti dikelilingi oleh proses kejuruteraan keselamatan (ISO 26262 dan SOTIF dalam unit seterusnya).
Sensor: mata, telinga dan radar
Timbunan pemanduan autonomi menggabungkan penderia yang berbeza kerana setiap satu mempunyai kekuatan dan kelemahan:
- Kamera: Kamera "melihat" warna, teks (tanda lalu lintas), garisan lorong dan jenis objek yang terbaik. Tetapi ia lemah pada waktu malam, kabus, silau matahari yang kuat dan anggaran jarak.
- Radar (Pengesanan dan Ranging Radio): Mengukur jarak dan kelajuan dengan gelombang radio. Ia kurang terjejas oleh hujan/kabus dan mengukur kelajuan secara langsung (dengan kesan Doppler); tetapi resolusinya rendah, menjadikannya sukar untuk membezakan "adakah ini pejalan kaki atau kotak?"
- LiDAR (Pengesanan dan Ranging Cahaya): Merakam laser dan menghasilkan "awan titik" tiga dimensi yang tepat bagi persekitaran; Ia memberikan jarak dan bentuk dengan sangat baik. Tetapi ia mahal dan boleh dipengaruhi oleh kabus/hujan yang lebat.
- Ultrasonik: Jarak pendek, seperti penderia tempat letak kereta.
Oleh kerana kedua-duanya tidak mencukupi dengan sendirinya, gabungan penderia dilakukan: dengan menggabungkan data penderia yang berbeza, kelemahan masing-masing dikompensasikan oleh kekuatan penderia yang lain. Sebagai contoh, kamera berkata "pejalan kaki", radar berkata "pada 12 meter, menghampiri 5 km/j"; Fusion menggabungkan kedua-duanya dan mencipta trek yang boleh dipercayai.
Petua: Apabila menilai tuntutan pengesanan, "sensor yang manakah boleh melihatnya dan sejauh mana?" bertanya. Jika anggaran jarak kamera pada waktu malam adalah buruk, keputusan jarak berdasarkan satu kamera boleh dipersoalkan.
Rantai pengesanan
Rantaian biasa daripada data sensor mentah kepada keputusan adalah seperti berikut:
- Pengesanan: Mencari objek dalam awan imej/titik ("ada alat di sini").
- Klasifikasi: Menentukan jenis objek (pejalan kaki, basikal, kenderaan, tanda).
- Penjejakan: Mengikuti objek antara bingkai, menganggar kelajuan dan arahnya.
- Fusion: Menggabungkan penderia untuk mencipta model dunia yang konsisten.
- Ramalan: "Adakah pejalan kaki ini akan melintas jalan?"
- Perancangan dan kawalan: Keputusan dan arahan stereng/brek/pemecut.
Kecerdasan buatan (terutama pembelajaran mendalam) 1-3. sangat kuat dalam langkah; 5-6. Langkah-langkah itu semakin dikelilingi oleh peraturan kejuruteraan dan logik keselamatan.
Tahap automasi SAE
Autonomi bukan perkara "ya/tidak", tetapi secara beransur-ansur. Piawaian SAE J3016 mentakrifkan enam tahap:
Tahap
Nama
Siapa yang memandu?
contoh
0
Tiada automasi
semua memandu
Amaran sahaja (amaran titik buta)
1
Sokongan pemandu
pemandu + sokongan tunggal
Pelayaran adaptif ATAU penjagaan lorong
2
Automasi separa
Pemandu (pengawasan berterusan)
Laju + lorong bersama, pemandu bertanggungjawab
3
Automasi bersyarat
Sistem (dalam keadaan tertentu)
Dalam keadaan tertentu sistem memandu, pemandu bersedia untuk mengambil alih
4
automasi tinggi
Sistem (dalam kawasan tertentu)
Tanpa pemandu di kawasan yang ditetapkan
5
Automasi penuh
Sistem (dalam semua keadaan)
Tanpa pemandu di mana-mana (belum lagi)
Awas: Salah faham yang paling berbahaya ialah Tahap 2. Dalam Tahap 2, kenderaan menyokong stereng dan kelajuan, tetapi pemandu mengekalkan pengawasan dan tanggungjawab yang berterusan. Menganggap sistem sebagai "autopilot" dan tidak memberi perhatian telah menyebabkan kemalangan maut. Tahap 2 tidak bermaksud "tanpa pemandu".
Metrik penilaian: positif palsu dan negatif palsu
Dua jenis ralat adalah kritikal semasa menilai model pengesanan:
- Positif palsu: Berfikir bahawa ada sesuatu yang tidak wujud. Sebagai contoh, memikirkan bahawa bayang jambatan adalah "halangan" dan brek tidak perlu. Mengganggu dan kadangkala berbahaya (perlanggaran bahagian belakang).
- Negatif palsu (false negative/miss): Tidak dapat melihat sesuatu yang wujud. Sebagai contoh, tidak melihat pejalan kaki sebenar. Ini adalah kesilapan paling dahsyat dalam pemanduan autonomi.
Metrik yang meringkaskan ini:
- Ketepatan: Berapa banyak perkara yang anda tandakan adalah betul.
- Ingat (sensitiviti): Berapa banyak perkara yang sebenarnya wujud telah anda tangkap.
- mAP (min Purata Ketepatan): Metrik komposit biasa untuk pengesanan objek.
Ingat (tidak kehilangan mana-mana pejalan kaki) adalah penting dalam perkara seperti pengesanan pejalan kaki dalam pemanduan autonomi; Meningkatkan ini kadangkala meningkatkan positif palsu. Pertukaran ini ialah keputusan kejuruteraan keselamatan, bukan ketepatan model tulen.
Kes tepi dan ekor panjang
Bahagian yang paling sukar dalam pemanduan autonomi bukanlah situasi biasa, tetapi yang jarang dan pelik: tanda separuh kelihatan di bawah salji, trak terbalik, pejalan kaki berkostum, perabot jatuh di atas jalan. Situasi yang jarang berlaku tetapi berbahaya ini dipanggil ekor panjang. Walaupun model mungkin sesuai untuk berjuta-juta batu "biasa", ia mungkin gagal dalam keadaan melampau yang tidak pernah dilihat sebelum ini. Itulah sebabnya ujian berasaskan senario, simulasi dan pengesahan dunia sebenar tidak berkesudahan.
Kajian kes mini
Kes 1 - Nilai gabungan. Semasa menguji brek kecemasan automatik, pasukan ADAS mendapati bahawa ia adalah lambat untuk mengesan kenderaan berwarna gelap di hadapannya dalam cahaya matahari yang terang dengan hanya kamera. Apabila data radar ditambah (radar tidak terjejas oleh silau) sistem mengesan kenderaan 0.4 saat lebih awal; Ini bermakna jarak brek lebih kurang 10 meter pada 90 km/j. Keputusan: Gabungan menutup titik buta sensor tunggal.
Kes 2 - Imbangan ingat/ketepatan. Apabila ambang model pengesanan pejalan kaki diturunkan, penarikan balik meningkat daripada 96% kepada 99%, tetapi positif palsu (bayangan, semak) meningkat, yang membawa kepada brek yang tidak perlu. Pasukan keselamatan membuat keputusan: mengelak pejalan kaki adalah keutamaan, tetapi keselesaan dikekalkan dengan menghapuskan positif palsu dengan gabungan dan logik penjejakan. Kesimpulan: Pemilihan metrik adalah keputusan kejuruteraan/keselamatan, tidak ada satu "nombor yang betul".
Kes 3 - Kejutan kes tepi. Walaupun model 99.8% berjaya dalam set pengesahannya, ia menyangka gambar pejalan kaki gergasi di belakang trak yang membawa iklan tayar salji di padang sebagai "pejalan kaki sebenar" dan brek secara tiba-tiba. Pasukan itu menambahkan bekas tepi ini ke perpustakaan senario dan melatih semula model. Kesimpulan: Ekor panjang tidak pernah "berakhir"; Pengumpulan senario berterusan diperlukan.
templat segera
Templat 1 - Menjana senarai senario:
Peranan: Anda ialah jurutera kes ujian ADAS. Tugasan: Menghasilkan senario ujian (kes tepi) yang mencabar untuk brek kecemasan automatik. Konteks: Bandar, 30-50 km/j, pejalan kaki bercampur dan penunggang basikal. Kekangan: Utamakan yang jarang/berbahaya, bukan senario yang kerap; tulis kelakuan betul yang dijangkakan untuk setiap senario.Output: Senario | syarat | tingkah laku yang dijangka | tahap risiko.
Templat 2 - Garis panduan pelabelan:
Peranan: Pelabelan kualiti petunjuk data.Tugas: Tulis draf peraturan ketekalan untuk pelabelan pejalan kaki.Konteks: Terdapat pejalan kaki yang kelihatan sebahagiannya, duduk, berkerusi roda dan berkumpulan.Output: Peraturan | contoh | hadkan jadual gred negeri.
Templat 3 - Tafsiran metrik:
Peranan: Pakar penilaian penglihatan komputer. Tugas: Tafsirkan hasil pengesanan pejalan kaki saya. Konteks: ketepatan 0.93, ingat 0.90, kebanyakannya terlepas pada waktu malam atau dalam hujan. Kekangan: Tekankan kepentingan panggilan balik untuk keselamatan; Beritahu saya di bawah syarat apakah pengesahan tambahan diperlukan. Output: Komen + bidang keutamaan untuk penambahbaikan.
Templat 4 - Rangka logik gabungan:
Peranan: Anda seorang jurutera gabungan sensor. Tugas: Cadangkan draf logik keputusan apabila kamera dan radar bercanggah. Konteks: Radar melihat objek kecil bergerak pada 15 m manakala kamera berkata 'tiada pejalan kaki'. Kekangan: Gunakan prinsip andaian yang memihak kepada keselamatan (sebelah selamat). Output: Jadual keputusan + justifikasi.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Adakah model kenderaan autonomi saya selamat?
Tanpa konteks; "selamat" tidak ditentukan; AI hanya bercakap secara umum dan boleh memberikan keyakinan yang mengelirukan.
Gesaan kuat:
Peranan: Anda adalah perunding penilaian keselamatan ADAS. Tugas: Buat senarai semak untuk saya mempersoalkan kelemahan model pengesanan pejalan kaki saya. Konteks: Sistem Aras 2 Bandar; Ingatan jatuh pada waktu malam dan dalam hujan; Hanya ada kamera + radar, tiada LiDAR. Kekangan: Jangan isytiharkan 'selamat'; nyatakan dalam keadaan apa sistem berada pada hadnya dan ujian tambahan yang diperlukan. Output: Kawasan risiko | kenapa | ujian yang disyorkan | jadual kepentingan.
Kesilapan biasa
- Tersilap Tahap 2 untuk "tanpa pemandu". Tanggungjawab terletak pada pemandu; Salah tanggapan ini membawa maut.
- Bergantung pada satu sensor. Setiap sensor mempunyai titik buta; gabungan adalah penting.
- Hanya melihat pada ketepatan purata. 99% kejayaan, 1% terlepas pejalan kaki boleh membawa maut; ingat dan kes tepi adalah kritikal.
- Mengabaikan kes yang melampau. Ekor panjang tidak pernah berakhir; Pengumpulan senario adalah berterusan.
- Serahkan keputusan keselamatan kepada model. Keputusan ambang dan imbangan adalah tanggungjawab kejuruteraan keselamatan.
Secara ringkasnya
- Di tengah-tengah ADAS dan penderiaan pemanduan autonomi ialah kamera, radar, LiDAR dan gabungan sensor; Setiap sensor mempunyai kekuatan/kelemahan yang berbeza.
- Rantaian pengesanan terdiri daripada pengesanan, pengelasan, pemantauan, gabungan, ramalan dan kawalan; AI kukuh pada langkah pertama.
- Tahap SAE berkisar antara 0 hingga 5; Di Tahap 2, tanggungjawab terletak pada pemandu.
- Negatif palsu (penculikan pejalan kaki) adalah kesilapan yang paling membawa maut; ingat dan kes tepi diutamakan.
- Keputusan keselamatan adalah tanggungjawab kejuruteraan; Ketepatan model bukan satu-satunya kriteria.
Tugasan permohonan
Pilih fungsi ADAS (cth. bantuan menjaga lorong). (1) Tulis dalam jadual penderia yang menyokong fungsi ini dan sejauh mana. (2) Hasilkan 5 senario kes tepi dengan Templat 1 dan nyatakan kelakuan selamat yang dijangkakan untuk setiap satu. (3) Bandingkan keputusan positif palsu dan negatif palsu untuk fungsi ini. (4) Senaraikan ujian bebas yang diperlukan sebelum mendakwa model itu "selamat".
senarai semak
- [ ] Saya menilai kekuatan/kelemahan penderia mengikut fungsi.
- [ ] Saya juga telah menyenaraikan senario kes akhir (ekor panjang).
- [ ] Saya membandingkan keputusan positif/negatif palsu untuk keselamatan.
- [ ] Saya mengambil kira kepentingan kritikal keselamatan Recall.
- [ ] Saya menjelaskan tahap SAE dan siapa yang bertanggungjawab.
- [ ] Saya menyediakan pelan ujian bebas sebelum mendakwa "selamat".