zisky:
- Schopnosť vysvetliť úlohy kamery, radaru, LiDAR a fúzie senzorov v reťazci detekcie a úrovniach automatizácie SAE
- Schopnosť vytvárať označovanie údajov, definíciu scenára a vyhodnocovacie metriky pre detekciu, klasifikáciu a sledovanie objektov
- Schopnosť kriticky vyhodnotiť okrajové prípady, falošne pozitívnu/negatívnu bilanciu a mieru bezpečnosti vo výstupe detekčného modelu
Väčšina vozidiel má dnes funkcie ako varovanie pred opustením jazdného pruhu, automatické núdzové brzdenie alebo adaptívny tempomat. To všetko zastrešuje ADAS (Advanced Driver Assistance Systems). Základom týchto systémov a ďalšej autonómnej jazdy je vnímanie: spôsob, akým vozidlo „vidí“ svet okolo seba pomocou senzorov a „rozumie“ mu pomocou umelej inteligencie. V tejto jednotke pokryjeme detekčný reťazec, senzory, úrovne automatizácie a najkritickejší problém, bezpečnostné hranice.
Upozornenie od začiatku: Táto oblasť je kritická z hľadiska bezpečnosti. Ak detekčný model nezaznamená chodca, výsledok môže byť fatálny. Preto každý výstup AI tu musí byť obklopený procesmi bezpečnostného inžinierstva (ISO 26262 a SOTIF v ďalších jednotkách).
Senzory: oči, uši a radar
Stoh autonómneho riadenia kombinuje rôzne senzory, pretože každý má silné a slabé stránky:
- Kamera: Kamera najlepšie „vidí“ farbu, text (dopravnú značku), čiaru jazdného pruhu a typ objektu. V noci je to ale biedne, hmla, silné slnečné lúče a odhad vzdialenosti.
- Radar (rádiová detekcia a meranie): Meria vzdialenosť a rýchlosť pomocou rádiových vĺn. Je menej ovplyvnený dažďom/hmlou a meria rýchlosť priamo (s Dopplerovým efektom); ale jeho rozlíšenie je nízke, takže je ťažké rozlíšiť "je to chodec alebo box?"
- LiDAR (Detekcia a meranie svetla): Sníma laser a vytvára presný trojrozmerný „mrak bodov“ okolia; Veľmi dobre dáva vzdialenosť a tvar. Ale je to drahé a môže byť ovplyvnené silnou hmlou/dažďom.
- Ultrazvuk: krátky dosah, ako parkovacie senzory.
Keďže ani jeden sám o sebe nestačí, vykoná sa fúzia senzorov: spojením údajov rôznych senzorov je slabosť každého kompenzovaná silou druhého. Napríklad kamera hovorí „chodec“, radar hovorí „na 12 metrov, blíži sa k 5 km/h“; Fusion spája oboje a vytvára spoľahlivú stopu.
Tip: Pri vyhodnocovaní požiadavky na detekciu „ktorý senzor to vidí a ako dobre?“ spýtaj sa. Ak je odhad vzdialenosti kamery v noci zlý, rozhodnutie o vzdialenosti na základe jednej kamery je otázne.
Detekčný reťazec
Typický reťazec od nespracovaných údajov senzora po rozhodnutie je nasledovný:
- Detekcia: Hľadanie objektov v obraze/oblaku bodov („tu je nástroj“).
- Klasifikácia: Určenie druhu objektu (chodec, bicykel, vozidlo, značka).
- Sledovanie: Sledovanie objektu medzi snímkami, odhad jeho rýchlosti a smeru.
- Fusion: Kombinácia senzorov na vytvorenie konzistentného modelu sveta.
- Predpoveď: "Prejde tento chodec cez ulicu?"
- Plánovanie a riadenie: Rozhodovanie a príkaz riadenia/brzdy/plynu.
Umelá inteligencia (najmä hlboké učenie) 1-3. veľmi silný v krokoch; 5-6. Kroky sú čoraz viac obklopené technickými pravidlami a bezpečnostnou logikou.
Úrovne automatizácie SAE
Autonómia nie je vec „áno/nie“, je postupná. Norma SAE J3016 definuje šesť úrovní:
úroveň
Meno
kto šoféruje?
príklad
0
Žiadna automatizácia
všetok pohon
Iba výstraha (upozornenie na mŕtvy uhol)
1
Podpora vodičov
ovládač + samostatná podpora
Adaptívna plavba ALEBO udržiavanie v jazdnom pruhu
2
Čiastočná automatizácia
Vodič (stály dohľad)
Rýchlosť + jazdný pruh spolu, zodpovedný vodič
3
Podmienená automatizácia
Systém (za určitých podmienok)
Za určitých podmienok systém jazdí, vodič je pripravený prevziať riadenie
4
vysoká automatizácia
Systém (v konkrétnej oblasti)
Bez vodiča vo vymedzenom priestore
5
Plná automatizácia
Systém (za všetkých podmienok)
Všade bez vodiča (zatiaľ nie)
Pozor: Najnebezpečnejším nedorozumením je úroveň 2. V úrovni 2 vozidlo podporuje riadenie a rýchlosť, ale vodič si zachováva neustály dohľad a zodpovednosť. Zamenenie systému za „autopilota“ a nevenovanie pozornosti viedlo k smrteľným nehodám. Úroveň 2 neznamená „bez vodiča“.
Hodnotiace metriky: falošne pozitívne a falošne negatívne
Pri hodnotení modelu detekcie sú kritické dva typy chýb:
- Falošne pozitívne: Myslenie si, že existuje niečo, čo neexistuje. Napríklad myslieť si, že tieň mosta je „prekážka“ a zbytočne brzdiť. Rušivé a niekedy nebezpečné (zrážka zozadu).
- Falošne negatívne (falošne negatívne / miss): Neschopnosť vidieť niečo, čo existuje. Napríklad nevidieť skutočného chodca. Toto je najsmrteľnejšia chyba v autonómnej jazde.
Metriky, ktoré tieto zhrňujú:
- Presnosť: Koľko z toho, čo ste označili, je skutočne správne.
- Pripomeňme si (citlivosť): Koľko z toho, čo skutočne existuje, ste zachytili.
- mAP (priemerná priemerná presnosť): Bežná zložená metrika pre detekciu objektov.
Privolanie (neprehliadnutie žiadneho chodca) je životne dôležité v záležitostiach, ako je detekcia chodcov pri autonómnom riadení; Zvýšenie tejto hodnoty niekedy zvyšuje falošne pozitívne. Tento kompromis je rozhodnutím bezpečnostného inžinierstva, nie čistou presnosťou modelu.
Okrajové puzdrá a dlhý chvost
Najťažšie na autonómnom riadení nie sú bežné situácie, ale tie vzácne a zvláštne: značka napoly viditeľná pod snehom, prevrátený kamión, chodec v kostýme, spadnutý nábytok na ceste. Tieto zriedkavé, ale nebezpečné situácie sa nazývajú dlhý chvost. Zatiaľ čo model môže byť dokonalý na milióny „normálnych“ kilometrov, môže zlyhať v extrémnej situácii, akú ešte nevidel. To je dôvod, prečo je testovanie, simulácia a overovanie v reálnom svete nekonečné.
Mini prípadové štúdie
Prípad 1 - Hodnota fúzie. Pri testovaní automatického núdzového brzdenia tím ADAS zistil, že bolo pomalé zbadať vozidlo tmavej farby pred ním na jasnom slnku len pomocou fotoaparátu. Po pridaní radarových údajov (radar nie je ovplyvnený oslnením) systém rozpozná vozidlo o 0,4 sekundy skôr; To znamená brzdnú dráhu približne 10 metrov pri rýchlosti 90 km/h. Výsledok: Fusion uzavrel slepý uhol jedného snímača.
Prípad 2 – Vyvolanie/presné vyváženie. Keď sa prah modelu detekcie chodcov zníži, privolanie sa zvýši z 96 % na 99 %, ale zvýši sa počet falošných poplachov (tieň, kríky), čo vedie k zbytočnému brzdeniu. Bezpečnostný tím robí rozhodnutie: vyhýbanie sa chodcom je prioritou, ale pohodlie je zachované odstránením falošných poplachov pomocou logiky fúzie a sledovania. Záver: Metrický výber je inžinierske/bezpečnostné rozhodnutie, neexistuje jediné „správne číslo“.
Prípad 3 – Okrajové prekvapenie. Zatiaľ čo model bol 99,8 % úspešný vo svojej overovacej súprave, pomýlil si fotografiu obrieho chodca za kamiónom nesúcim reklamu na snehové pneumatiky v teréne so „skutočným chodcom“ a náhle zabrzdil. Tím pridá tento okrajový prípad do knižnice scenárov a preškolí model. Záver: Dlhý chvost nikdy "nekončí"; Vyžaduje sa neustále zhromažďovanie scenárov.
šablóny výzvy
Šablóna 1 – Generovanie zoznamu scenárov:
Úloha: Ste inžinier testovacích prípadov ADAS. Úloha: Vytvorte náročné (okrajové) testovacie scenáre pre automatické núdzové brzdenie. Kontext: Mesto, 30-50 km/h, zmiešaný chodec a cyklista. Obmedzenie: Uprednostňujte zriedkavé/nebezpečné, nie časté scenáre; napíšte očakávané správne správanie pre každý scenár.Výstup: Scenár | stav | očakávané správanie | úroveň rizika.
Šablóna 2 – Náčrt sprievodcu označovaním:
Úloha: Vedenie kvality označovania údajov. Úloha: Napíšte návrh pravidiel konzistentnosti označovania chodcov. Kontext: Chodci sú čiastočne viditeľní, sediaci, na invalidných vozíkoch a v skupinách. Výstup: Pravidlo | príklad | tabuľka medzných stavov.
Šablóna 3 – Metrická interpretácia:
Úloha: Expert na hodnotenie počítačového videnia. Úloha: Interpretujte moje výsledky detekcie chodcov. Kontext: presnosť 0,93, odvolanie 0,90, väčšina chýba v noci alebo v daždi. Obmedzenie: Zdôraznite dôležitosť stiahnutia z trhu pre bezpečnosť; Povedzte mi, za akých podmienok sa vyžaduje dodatočné overenie. Výstup: Komentár + prioritné oblasti na zlepšenie.
Šablóna 4 – Náčrt logiky fúzie:
Úloha: Ste inžinierom senzorovej fúzie. Úloha: Navrhnite návrh logiky rozhodovania v prípade konfliktu kamery a radaru. Kontext: Radar vidí pohybujúci sa malý objekt vo vzdialenosti 15 m, zatiaľ čo kamera hovorí „žiadny chodec“. Obmedzenie: Aplikujte princíp predpokladu v prospech bezpečnosti (bezpečná strana). Výstup: Rozhodovacia tabuľka + zdôvodnenie.
Slabá výzva / Silná výzva
Slabá výzva:
Je môj model autonómneho vozidla bezpečný?
Bez kontextu; "bezpečné" nie je definované; AI hovorí len všeobecne a môže poskytnúť zavádzajúcu dôveru.
Výkonná výzva:
Úloha: Ste konzultant pre hodnotenie bezpečnosti ADAS. Úloha: Vytvorte kontrolný zoznam, aby som mohol spochybniť zraniteľné miesta môjho modelu detekcie chodcov. Kontext: Mestský systém úrovne 2; Pripomeňme, že padá v noci a v daždi; Je tam len kamera + radar, ziadny LiDAR. Obmedzenie: Nevyhlasujte za „bezpečné“; špecifikujte, za akých podmienok je systém na hranici svojich možností a aké dodatočné testovanie je potrebné. Výstup: Riziková oblasť | prečo | odporúčaný test | tabuľka dôležitosti.
Časté chyby
- Chyba úrovne 2 pre „bez vodiča“. Zodpovednosť nesie vodič; Táto mylná predstava je smrteľná.
- Spoliehanie sa na jeden senzor. Každý senzor má slepý uhol; fúzia je nevyhnutná.
- Stačí sa pozrieť na priemernú presnosť. 99 % úspešnosť, 1 % zmeškaný chodec môže byť smrteľné; odvolanie a okrajové prípady sú kritické.
- Ignorovanie extrémnych prípadov. Dlhý chvost nikdy nekončí; Zber scenárov je nepretržitý.
- Rozhodnutie o bezpečnosti necháme na modeli. Rozhodnutia o prahu a rovnováhe sú zodpovednosťou bezpečnostného inžinierstva.
V súhrne
- Srdcom systému ADAS a snímania autonómnej jazdy je kamera, radar, LiDAR a fúzia senzorov; Každý senzor má iné silné/slabé stránky.
- Detekčný reťazec pozostáva z detekcie, klasifikácie, monitorovania, fúzie, predikcie a kontroly; AI je v prvých krokoch silná.
- Úrovne SAE sa pohybujú od 0 do 5; Na úrovni 2 je zodpovednosť na vodičovi.
- Falošne negatívny (únos chodcov) je najfatálnejšou chybou; odvolanie a okrajové prípady majú prednosť.
- Bezpečnostné rozhodnutia sú inžinierskou zodpovednosťou; Presnosť modelu nie je jediným kritériom.
Aplikačná úloha
Vyberte funkciu ADAS (napríklad asistent udržiavania v jazdnom pruhu). (1) Napíšte do tabuľky, ktoré senzory podporujú túto funkciu a ako dobre. (2) Vygenerujte 5 scenárov okrajových prípadov so šablónou 1 a pre každý špecifikujte očakávané bezpečné správanie. (3) Porovnajte výsledky falošne pozitívnych a falošne negatívnych výsledkov pre túto funkciu. (4) Uveďte, aké nezávislé testovanie sa vyžaduje pred vyhlásením, že model je „bezpečný“.
kontrolný zoznam
- [ ] Silné/slabé stránky snímačov som vyhodnotil podľa funkcie.
- [ ] Uviedol som aj scenáre koncového prípadu (long tail).
- [ ] Porovnal som falošne pozitívne/negatívne výsledky kvôli bezpečnosti.
- [ ] Zohľadnil som bezpečnostne kritický význam funkcie Recall.
- [ ] Objasnil som úroveň SAE a kto je zodpovedný.
- [ ] Pred vyhlásením „bezpečného“ som pripravil nezávislý testovací plán.