ADAS en autonoom rijden: grondbeginselen van waarnemen — Kunstmatige intelligentie in de autotechniek

Winst:

Mogelijkheid om de rollen van camera-, radar-, LiDAR- en sensorfusie in de detectieketen en SAE-automatiseringsniveaus uit te leggen
Mogelijkheid om gegevenslabels, scenariodefinitie en evaluatiestatistieken te creëren voor objectdetectie, classificatie en tracking
Mogelijkheid om randgevallen, vals-positieve/negatieve balans en veiligheidsmarge in de uitvoer van het detectiemodel kritisch te evalueren

De meeste voertuigen hebben tegenwoordig functies zoals Lane Departure Warning, automatisch noodremmen of adaptieve cruisecontrol. Deze vallen allemaal onder de paraplu van ADAS (Advanced Driver Assistance Systems). De kern van deze systemen en verder autonoom rijden is perceptie: de manier waarop het voertuig de wereld om zich heen ‘ziet’ met sensoren en deze ‘begrijpt’ met kunstmatige intelligentie. In deze unit behandelen we de detectieketen, sensoren, automatiseringsniveaus en het meest kritieke probleem: beveiligingsgrenzen.

Een waarschuwing vanaf het begin: dit gebied is van cruciaal belang voor de veiligheid. Als het detectiemodel een voetganger niet detecteert, kan het resultaat fataal zijn. Daarom moet elke AI-output hier omgeven zijn door beveiligingstechnische processen (ISO 26262 en SOTIF in de volgende eenheden).

Sensoren: ogen, oren en radar

Een autonome rijstapel combineert verschillende sensoren omdat ze allemaal sterke en zwakke punten hebben:

Camera: De camera "ziet" kleur, tekst (verkeersbord), rijstrooklijn en objecttype het beste. Maar het is 's nachts slecht, mist, sterke schittering van de zon en afstandsschatting.
Radar (Radiodetectie en bereik): Meet afstand en snelheid met radiogolven. Het heeft minder last van regen/mist en meet de snelheid direct (met het Doppler-effect); maar de resolutie is laag, waardoor het moeilijk is om te onderscheiden "is dit een voetganger of een doos?"
LiDAR (Light Detection and Ranging): schiet met een laser en produceert een nauwkeurige driedimensionale "puntenwolk" van de omgeving; Het geeft heel goed afstand en vorm. Maar het is duur en kan worden aangetast door zware mist/regen.
Ultrasoon: Kort bereik, zoals parkeersensoren.

Omdat geen van beide op zichzelf voldoende is, wordt sensorfusie uitgevoerd: door de gegevens van verschillende sensoren te combineren, wordt de zwakte van de een gecompenseerd door de kracht van de ander. De camera zegt bijvoorbeeld "voetganger", de radar zegt "op 12 meter, bijna 5 km/u"; Fusion combineert de twee en creëert een betrouwbare track.

Tip: Bij het evalueren van een detectieclaim: "welke sensor kan deze zien en hoe goed?" vragen. Als de afstandsschatting van de camera 's nachts slecht is, is een afstandsbeslissing op basis van een enkele camera twijfelachtig.

Detectieketen

De typische keten van ruwe sensorgegevens tot besluitvorming is als volgt:

Detectie: objecten vinden in de afbeelding/puntenwolk ("hier is een hulpmiddel").
Classificatie: Bepalen van het type object (voetganger, fiets, voertuig, bord).
Volgen: het object tussen frames volgen en de snelheid en richting ervan inschatten.
Fusion: het combineren van sensoren om een consistent wereldmodel te creëren.
Voorspelling: "Zal deze voetganger de straat oversteken?"
Planning en controle: Beslissingen en stuur-/rem-/gaspedaalcommando's.

Kunstmatige intelligentie (vooral deep learning) 1-3. zeer sterk in stappen; 5-6. De stappen worden steeds meer omgeven door technische regels en beveiligingslogica.

SAE-automatiseringsniveaus

Autonomie is geen kwestie van ‘ja/nee’, het gaat geleidelijk. De SAE J3016-standaard definieert zes niveaus:

Niveau

Naam

Wie rijdt?

voorbeeld

Geen automatisering

allemaal rijden

Alleen waarschuwing (dodehoekwaarschuwing)

Ondersteuning van chauffeurs

bestuurder + enkele ondersteuning

Adaptieve cruise OF rijstrookbehoud

Gedeeltelijke automatisering

Chauffeur (constant toezicht)

Snelheid + rijstrook samen, bestuurder verantwoordelijk

Voorwaardelijke automatisering

Systeem (onder bepaalde voorwaarden)

Onder bepaalde omstandigheden rijdt het systeem, de bestuurder is klaar om het over te nemen

hoge automatisering

Systeem (in specifiek gebied)

Zonder bestuurder in een bepaald gebied

Volledige automatisering

Systeem (onder alle omstandigheden)

Overal bestuurderloos (nog niet)

Let op: Het gevaarlijkste misverstand is niveau 2. In niveau 2 ondersteunt het voertuig de besturing en snelheid, maar behoudt de bestuurder voortdurend toezicht en verantwoordelijkheid. Het verkeerd interpreteren van het systeem als ‘automatische piloot’ en niet opletten heeft tot dodelijke ongelukken geleid. Niveau 2 betekent niet "bestuurderloos".

Evaluatiestatistieken: vals-positief en vals-negatief

Er zijn twee soorten fouten van cruciaal belang bij het evalueren van een detectiemodel:

Vals positief: denken dat er iets is dat niet bestaat. Bijvoorbeeld denken dat een brugschaduw een ‘obstakel’ is en onnodig remmen. Verontrustend en soms gevaarlijk (kop-staartbotsing).
Vals negatief (vals negatief/misser): Niet in staat zijn iets te zien dat bestaat. Bijvoorbeeld het niet zien van een echte voetganger. Dit is de dodelijkste fout bij autonoom rijden.

Statistieken die deze samenvatten:

Precisie: hoeveel van wat u hebt gemarkeerd, is daadwerkelijk correct.
Terugroepen (gevoeligheid): Hoeveel van wat er feitelijk bestaat, heb je vastgelegd.
mAP (gemiddelde gemiddelde precisie): algemene samengestelde metriek voor objectdetectie.

Recall (geen voetganger missen) is van cruciaal belang bij zaken als voetgangersdetectie bij autonoom rijden; Als u dit vergroot, vergroot u soms het vals-positieve resultaat. Deze afweging is een beslissing op het gebied van beveiligingstechniek en geen pure modelnauwkeurigheid.

Randkasten en de lange staart

Het moeilijkste deel van autonoom rijden zijn niet de gewone situaties, maar de zeldzame en vreemde: het bord dat half zichtbaar is onder de sneeuw, de omgekeerde vrachtwagen, een gekostumeerde voetganger, op de weg gevallen meubilair. Deze zeldzame maar gevaarlijke situaties worden lange staart genoemd. Hoewel een model perfect kan zijn voor miljoenen ‘normale’ kilometers, kan het kapot gaan in een extreme situatie die nog nooit eerder is voorgekomen. Daarom zijn scenariogebaseerd testen, simulatie en real-world validatie eindeloos.

Mini-casestudies

Geval 1 – De waarde van fusie. Tijdens het testen van de automatische noodremming ontdekte een ADAS-team dat het in de felle zon traag was om met alleen de camera een donkergekleurd voertuig voor zich te zien. Wanneer radargegevens worden toegevoegd (radar wordt niet beïnvloed door verblinding) detecteert het systeem het voertuig 0,4 seconden eerder; Dit betekent een remafstand van circa 10 meter bij 90 km/u. Resultaat: Fusion sloot de dode hoek met één sensor.

Geval 2 - Terugroep-/precisiebalans. Wanneer de drempel van het voetgangersdetectiemodel wordt verlaagd, neemt de herinnering toe van 96% naar 99%, maar nemen de valse positieven (schaduw, struiken) toe, wat leidt tot onnodig remmen. Het beveiligingsteam neemt de beslissing: voetgangers vermijden is een prioriteit, maar het comfort wordt gehandhaafd door valse positieven te elimineren met fusie- en volglogica. Conclusie: Metriekselectie is een technische/veiligheidsbeslissing; er is niet één ‘juist getal’.

Geval 3 - Randgevalverrassing. Hoewel een model 99,8% succesvol was in zijn validatieset, zag het een foto van een gigantische voetganger achter een vrachtwagen met reclame voor sneeuwbanden in het veld aan voor een 'echte voetganger' en remde plotseling. Het team voegt dit randgeval toe aan de scenariobibliotheek en traint het model opnieuw. Conclusie: De lange staart ‘eindigt’ nooit; Er is een constante verzameling van scenario's vereist.

snelle sjablonen

Sjabloon 1 - Een scenariolijst genereren:

Rol: Jij bent de ADAS testcase engineer. Taak: Produceer uitdagende (edge case) testscenario's voor automatisch noodremmen. Context: Stedelijk, 30-50 km/u, gemengde voetganger en fietser. Beperking: geef prioriteit aan zeldzame/gevaarlijke scenario's, niet aan frequent voorkomende scenario's; schrijf het verwachte juiste gedrag voor elk scenario.Uitvoer: Scenario | voorwaarde | verwacht gedrag | risico niveau.

Sjabloon 2 - Overzicht van de etiketteringsgids:

Rol: Kwaliteitsleider gegevenslabeling. Taak: Schrijf een ontwerp van consistentieregels voor labeling voor voetgangers. Context: Er zijn voetgangers gedeeltelijk zichtbaar, zittend, in een rolstoel en in groepen. Output: Regel | voorbeeld | grensstatustabel.

Sjabloon 3 - Metrische interpretatie:

Rol: Evaluatie-expert op het gebied van computervisie. Taak: Interpreteer mijn voetgangersdetectieresultaten. Context: precisie 0,93, herinnering 0,90, meeste missers 's nachts of in de regen. Beperking: Benadruk het belang van terugroepactie voor de veiligheid; Vertel mij onder welke voorwaarden aanvullende verificatie vereist is. Output: Commentaar + prioritaire gebieden voor verbetering.

Sjabloon 4 - Overzicht van fusielogica:

Rol: Je bent een sensorfusie-ingenieur. Taak: Stel een ontwerpbeslissingslogica voor wanneer camera- en radarconflicten optreden. Context: Radar ziet bewegend klein object op 15 m afstand terwijl camera zegt 'geen voetganger'. Beperking: Pas het aannameprincipe toe ten gunste van de veiligheid (veilige kant). Output: Beslissingstabel + motivering.

Zwakke prompt/sterke prompt

Zwakke prompt:

Is mijn autonome voertuigmodel veilig?

Zonder context; "veilig" is niet gedefinieerd; AI spreekt alleen in algemene termen en kan misleidend vertrouwen geven.

Krachtige prompt:

Rol: Jij bent de ADAS-beveiligingsbeoordelingsconsulent. Taak: Maak een checklist waarmee ik de kwetsbaarheden van mijn voetgangersdetectiemodel in twijfel kan trekken. Context: Stedelijk niveau 2-systeem; Recall valt 's nachts en in de regen; Er is alleen camera + radar, geen LiDAR. Beperking: Verklaar niet 'veilig'; specificeer onder welke omstandigheden het systeem aan zijn limiet zit en welke aanvullende tests nodig zijn. Output: Risicogebied | waarom | aanbevolen test | belangrijkheidstabel.

Veel voorkomende fouten

Niveau 2 verwarren met "zonder bestuurder". De verantwoordelijkheid ligt bij de chauffeur; Deze misvatting is fataal.
Vertrouwen op één enkele sensor. Elke sensor heeft een dode hoek; fusie is essentieel.
Kijk gewoon naar de gemiddelde nauwkeurigheid. 99% succes, 1% gemiste voetganger kan fataal zijn; terugroep- en randgevallen zijn van cruciaal belang.
Extreme gevallen negeren. De lange staart eindigt nooit; Het verzamelen van scenario's is continu.
De veiligheidsbeslissing wordt aan het model overgelaten. Beslissingen over drempels en evenwichten vallen onder de verantwoordelijkheid van de beveiligingstechniek.

Samengevat

De kern van ADAS en autonome rijdetectie is camera-, radar-, LiDAR- en sensorfusie; Elke sensor heeft verschillende sterke/zwakke punten.
De detectieketen bestaat uit detectie, classificatie, monitoring, fusie, voorspelling en controle; AI is sterk in de eerste stappen.
SAE-niveaus variëren van 0 tot 5; Bij niveau 2 ligt de verantwoordelijkheid bij de chauffeur.
Vals negatief (voetgangersontvoering) is de meest fatale fout; terugroep- en randgevallen hebben prioriteit.
Beveiligingsbeslissingen zijn technische verantwoordelijkheid; Modelnauwkeurigheid is niet het enige criterium.

Applicatie taak

Selecteer een ADAS-functie (bijvoorbeeld Lane Keeping Assist). (1) Schrijf in een tabel welke sensoren deze functie ondersteunen en hoe goed. (2) Genereer 5 edge case-scenario's met sjabloon 1 en specificeer voor elk scenario het verwachte veilige gedrag. (3) Vergelijk de resultaten van vals-positief en vals-negatief voor deze functie. (4) Noem welke onafhankelijke tests vereist zijn voordat wordt beweerd dat het model "veilig" is.

controlelijst

[ ] Ik heb de sterke/zwakke punten van de sensoren beoordeeld op basis van hun functie.
[ ] Ik heb ook de eindscenario's (lange staart) vermeld.
[ ] Ik heb vals-positieve/negatieve resultaten vergeleken voor de veiligheid.
[ ] Ik heb rekening gehouden met het veiligheidskritische belang van Recall.
[ ] Ik heb het SAE-niveau verduidelijkt en wie verantwoordelijk is.
[ ] Ik heb een onafhankelijk testplan opgesteld voordat ik "veilig" claimde.