ADAS și conducerea autonomă: elemente fundamentale de detectare — Inteligența artificială în inginerie auto

Câștiguri:

Abilitatea de a explica rolurile camerei, radarului, LiDAR și fuziunii senzorilor în lanțul de detectare și nivelurile de automatizare SAE
Abilitatea de a crea etichetare a datelor, definire a scenariului și măsurători de evaluare pentru detectarea, clasificarea și urmărirea obiectelor
Abilitatea de a evalua critic cazurile marginale, echilibrul fals pozitiv/negativ și marja de siguranță în rezultatul modelului de detectare

Majoritatea vehiculelor din ziua de azi au funcții precum avertizarea de părăsire a benzii de rulare, frânarea automată de urgență sau controlul adaptiv al vitezei de croazieră. Toate acestea sunt sub umbrela ADAS (Advanced Driver Assistance Systems). În centrul acestor sisteme și a conducerii autonome ulterioare se află percepția: modul în care vehiculul „vede” lumea din jurul său cu ajutorul senzorilor și o „înțelege” cu inteligența artificială. În această unitate, vom acoperi lanțul de detectare, senzori, nivelurile de automatizare și cea mai critică problemă, limitele de securitate.

Un avertisment de la început: această zonă este critică pentru securitate. Dacă modelul de detectare nu detectează un pieton, rezultatul poate fi fatal. De aceea, fiecare ieșire AI de aici trebuie să fie înconjurată de procese de inginerie de securitate (ISO 26262 și SOTIF în unitățile următoare).

Senzori: ochi, urechi și radar

O stivă de conducere autonomă combină diferiți senzori, deoarece fiecare are puncte forte și puncte slabe:

Camera: Camera „vede” cel mai bine culoarea, textul (semnul de circulație), linia benzii și tipul de obiect. Dar este sărac noaptea, ceață, strălucire puternică a soarelui și estimarea distanței.
Radar (detecție și distanță radio): Măsoară distanța și viteza cu unde radio. Este mai puțin afectată de ploaie/ceață și măsoară viteza direct (cu efect Doppler); dar rezoluția sa este scăzută, ceea ce face dificilă distingerea „este un pieton sau o cutie?”
LiDAR (Light Detection and Ranging): trage un laser și produce un „nor de puncte” tridimensional precis al împrejurimilor; Oferă distanță și formă foarte bine. Dar este scump și poate fi afectat de ceață/ploaie abundentă.
Ultrasunete: rază scurtă, cum ar fi senzorii de parcare.

Deoarece niciunul nu este suficient în sine, se realizează fuziunea senzorilor: prin combinarea datelor diferiților senzori, slăbiciunea fiecăruia este compensată de puterea celuilalt. De exemplu, camera spune „pieton”, radarul spune „la 12 metri, apropiindu-se de 5 km/h”; Fusion le combină pe cele două și creează o pistă de încredere.

Sfat: atunci când evaluați o declarație de detectare, „ce senzor o poate vedea și cât de bine?” intreaba. Dacă distanța estimată a camerei pe timp de noapte este slabă, o decizie de distanță bazată pe o singură cameră este discutabilă.

Lanț de detectare

Lanțul tipic de la datele brute ale senzorului până la decizie este următorul:

Detectare: Găsirea obiectelor în imagine/norul de puncte („există un instrument aici”).
Clasificare: Determinarea tipului de obiect (pieton, bicicletă, vehicul, semn).
Urmărire: Urmărirea obiectului între cadre, estimarea vitezei și direcției acestuia.
Fusion: combinarea senzorilor pentru a crea un model mondial consistent.
Predicție: „Va traversa acest pieton strada?”
Planificare și control: Decizie și comandă direcție/frână/accelerator.

Inteligența artificială (în special învățarea profundă) 1-3. foarte puternic în trepte; 5-6. Pașii sunt din ce în ce mai înconjurati de reguli de inginerie și de logica de securitate.

Niveluri de automatizare SAE

Autonomia nu este o chestie „da/nu”, este treptată. Standardul SAE J3016 definește șase niveluri:

Nivel

Nume

Cine conduce?

exemplu

Fără automatizare

toate conduc

Doar avertisment (avertizare punct mort)

Suport șofer

driver + suport unic

Croazieră adaptivă SAU menținerea benzii

Automatizare parțială

Șofer (supraveghere constantă)

Viteză + bandă împreună, șofer responsabil

Automatizare condiționată

Sistem (în anumite condiții)

În anumite condiții, sistemul conduce, șoferul este gata să preia conducerea

automatizare ridicată

Sistem (în zonă specifică)

Fără șofer în zonă definită

Automatizare completă

Sistem (in toate conditiile)

Fără șofer peste tot (nu încă)

Atenție: Cea mai periculoasă neînțelegere este Nivelul 2. La Nivelul 2, vehiculul acceptă direcția și viteza, dar șoferul își păstrează supravegherea și responsabilitatea constantă. A greșit sistemul ca fiind „pilot automat” și a nu acorda atenție a dus la accidente mortale. Nivelul 2 nu înseamnă „fără șofer”.

Măsuri de evaluare: fals pozitiv și fals negativ

Două tipuri de erori sunt critice atunci când se evaluează un model de detectare:

Fals pozitiv: Gândirea că există ceva care nu există. De exemplu, să te gândești că o umbră de pod este un „obstacol” și să frânezi inutil. Deranjant și uneori periculos (coliziune din spate).
Fals negativ (fals negativ / dor): Nu puteți vedea ceva care există. De exemplu, să nu vezi un pieton adevărat. Aceasta este cea mai mortală greșeală în conducerea autonomă.

Valori care le rezumă:

Precizie: cât de mult din ceea ce ai marcat este de fapt corect.
Amintire (sensibilitate): Cât de mult din ceea ce există de fapt ai capturat.
mAP (precizie medie medie): măsurătoare compozită comună pentru detectarea obiectelor.

Rechemarea (să nu lipsească niciun pieton) este vitală în chestiuni precum detectarea pietonilor în conducerea autonomă; Creșterea acesteia crește uneori falsul pozitiv. Acest compromis este o decizie de inginerie de securitate, nu o precizie pură a modelului.

Carcase marginale și coada lungă

Cea mai dificilă parte a condusului autonom nu sunt situațiile obișnuite, ci cele rare și ciudate: semnul pe jumătate vizibil sub zăpadă, camioneta cu susul în jos, un pieton costumat, mobilier căzut pe drum. Aceste situații rare, dar periculoase, se numesc coadă lungă. În timp ce un model poate fi perfect pentru milioane de mile „normale”, acesta poate eșua într-o situație extremă pe care nu a mai văzut-o până acum. De aceea, testele bazate pe scenarii, simularea și validarea în lumea reală sunt nesfârșite.

Mini studii de caz

Cazul 1 - Valoarea fuziunii. În timp ce a testat frânarea automată de urgență, o echipă ADAS a constatat că a întârziat să repereze un vehicul de culoare închisă în fața lui, în soare strălucitor, doar cu camera. Când sunt adăugate date radar (radarul nu este afectat de strălucire), sistemul detectează vehiculul cu 0,4 secunde mai devreme; Aceasta înseamnă o distanță de frânare de aproximativ 10 metri la 90 km/h. Rezultat: Fusion a închis punctul mort cu un singur senzor.

Cazul 2 - Recall/balanță de precizie. Când pragul modelului de detectare a pietonilor este coborât, rechemarea crește de la 96% la 99%, dar falsele pozitive (umbră, tufișuri) cresc, ceea ce duce la frânări inutile. Echipa de securitate ia decizia: evitarea pietonilor este o prioritate, dar confortul este menținut prin eliminarea fals pozitive cu logica de fuziune și urmărire. Concluzie: Selecția metrică este o decizie de inginerie/securitate, nu există un singur „număr corect”.

Cazul 3 - Carcasa Edge surpriză. În timp ce un model a avut succes în proporție de 99,8% în setul său de validare, a confundat o fotografie cu un pieton uriaș în spatele unui camion care transporta o reclamă pentru anvelope de zăpadă pe câmp cu un „pieton adevărat” și a frânat brusc. Echipa adaugă acest caz limită la biblioteca de scenarii și reantrenează modelul. Concluzie: Coada lungă nu se „termină” niciodată; Este necesară colectarea constantă a scenariilor.

șabloane prompte

Șablon 1 - Generarea unei liste de scenarii:

Rol: Sunteți inginerul de caz de testare ADAS. Sarcină: Produceți scenarii de testare provocatoare (cazuri marginale) pentru frânarea automată de urgență. Context: Urban, 30-50 km/h, mixt pieton și biciclist. Constrângere: prioritizează scenariile rare/periculoase, nu scenariile frecvente; scrieți comportamentul corect așteptat pentru fiecare scenariu.Ieșire: Scenariu | stare | comportament așteptat | nivelul de risc.

Șablonul 2 - Ghid de etichetare:

Rol: conducerea calității etichetării datelor. Sarcină: Scrieți o schiță de reguli de coerență pentru etichetarea pietonilor. Context: sunt pietoni parțial vizibili, așezați, în scaune cu rotile și în grupuri. Ieșire: Regula | exemplu | tabelul de grad de stare limită.

Șablonul 3 - Interpretare metrică:

Rol: expert în evaluarea vederii computerizate. Sarcină: Interpretați rezultatele detectării pietonilor. Context: precizie 0,93, rechemare 0,90, majoritatea ratelor noaptea sau pe ploaie. Constrângere: Subliniați importanța retragerii pentru securitate; Spuneți-mi în ce condiții este necesară verificarea suplimentară. Rezultat: Comentariu + domenii prioritare de îmbunătățire.

Șablonul 4 - Contur logic de fuziune:

Rol: Sunteți inginer de fuziune a senzorilor. Sarcină: sugerați o schiță de logică de decizie atunci când camera și radar sunt în conflict. Context: radarul vede un obiect mic în mișcare la 15 m, în timp ce camera spune „fără pieton”. Constrângere: Aplicați principiul ipotezei în favoarea siguranței (partea sigură). Rezultat: Tabel de decizie + justificare.

Prompt slab / Prompt puternic

Prompt slab:

Modelul meu de vehicul autonom este sigur?

Fără context; „sigur” este nedefinit; AI vorbește doar în termeni generali și poate oferi o încredere înșelătoare.

Solicitare puternică:

Rol: Sunteți consultantul de evaluare a securității ADAS. Sarcină: Creați o listă de verificare pentru ca eu să pun la îndoială vulnerabilitățile modelului meu de detectare a pietonilor. Context: sistem Urban Nivel 2; Rechemarea cade noaptea și în ploaie; Există doar cameră + radar, nu LiDAR. Constrângere: Nu declarați „sigur”; specificați în ce condiții sistemul este la limită și ce teste suplimentare sunt necesare. Rezultat: Zona de risc | de ce | test recomandat | tabel de importanță.

Greșeli comune

Confundând nivelul 2 cu „fără șofer”. Responsabilitatea revine șoferului; Această concepție greșită este fatală.
Bazându-se pe un singur senzor. Fiecare senzor are un punct mort; fuziunea este esențială.
Privind doar acuratețea medie. 99% succes, 1% pieton ratat ar putea fi fatal; rechemarea și cazurile marginale sunt critice.
Ignorarea cazurilor extreme. Coada lungă nu se termină niciodată; Colectarea scenariilor este continuă.
Lăsând decizia de securitate în seama modelului. Deciziile de prag și echilibru sunt responsabilitatea ingineriei de securitate.

Pe scurt

În centrul ADAS și a detectării conducerii autonome se află camera, radarul, LiDAR și fuziunea senzorilor; Fiecare senzor are puncte forte/slăbiciuni diferite.
Lanțul de detectare constă din detectare, clasificare, monitorizare, fuziune, predicție și control; AI este puternică în primii pași.
Nivelurile SAE variază de la 0 la 5; La nivelul 2, responsabilitatea revine șoferului.
Fals negativ (răpirea pietonului) este cea mai fatală eroare; rechemarea și cazurile marginale au prioritate.
Deciziile de securitate sunt responsabilitatea inginerească; Precizia modelului nu este singurul criteriu.

Sarcina de aplicare

Selectați o funcție ADAS (de exemplu, asistență pentru menținerea benzii). (1) Scrieți într-un tabel ce senzori acceptă această funcție și cât de bine. (2) Generați 5 scenarii marginale cu șablonul 1 și specificați comportamentul sigur așteptat pentru fiecare. (3) Comparați rezultatele fals pozitive și fals negative pentru această funcție. (4) Enumerați ce teste independente sunt necesare înainte de a afirma că modelul este „sigur”.

lista de verificare

[ ] Am evaluat punctele forte/slăbiciuni ale senzorilor în funcție de funcție.
[ ] Am enumerat, de asemenea, scenariile cazului final (coada lungă).
[ ] Am comparat rezultate fals pozitive/negative pentru siguranță.
[ ] Am luat în considerare importanța critică pentru securitate a Recall.
[ ] Am clarificat nivelul SAE și cine este responsabil.
[ ] Am pregătit un plan de testare independent înainte de a afirma „sigur”.