Dobički:
- Sposobnost razlage vlog kamere, radarja, LiDAR-ja in fuzije senzorjev v verigi zaznavanja in ravni avtomatizacije SAE
- Sposobnost ustvarjanja označevanja podatkov, definicije scenarija in meritev vrednotenja za odkrivanje, razvrščanje in sledenje predmetov
- Sposobnost kritičnega ocenjevanja robnih primerov, lažno pozitivnega/negativnega ravnotežja in varnostne meje v izhodu modela zaznavanja
Večina današnjih vozil ima funkcije, kot so opozorilo o menjavi voznega pasu, samodejno zaviranje v sili ali prilagodljivi tempomat. Vsi ti so pod okriljem ADAS (Advanced Driver Assistance Systems). V središču teh sistemov in nadaljnje avtonomne vožnje je zaznavanje: način, kako vozilo "vidi" svet okoli sebe s senzorji in ga "razume" z umetno inteligenco. V tej enoti bomo obravnavali verigo zaznavanja, senzorje, ravni avtomatizacije in najbolj kritično vprašanje, varnostne meje.
Opozorilo že na začetku: To področje je varnostno kritično. Če model detekcije ne zazna pešca, je rezultat lahko usoden. Zato mora biti vsak izhod umetne inteligence tukaj obdan s postopki varnostnega inženiringa (ISO 26262 in SOTIF v naslednjih enotah).
Senzorji: oči, ušesa in radar
Avtonomni vozni sklop združuje različne senzorje, saj ima vsak svoje prednosti in slabosti:
- Kamera: Kamera najbolje »vidi« barvo, besedilo (prometni znak), črto voznega pasu in vrsto predmeta. Je pa slab ponoči, megla, močno sonce in ocena razdalje.
- Radar (radijsko zaznavanje in določanje razdalje): meri razdaljo in hitrost z radijskimi valovi. Nanj manj vpliva dež/megla in neposredno meri hitrost (z Dopplerjevim učinkom); vendar je njegova ločljivost nizka, zaradi česar je težko razlikovati "je to pešec ali škatla?"
- LiDAR (Light Detection and Ranging): izstreli laser in ustvari natančen tridimenzionalni "oblak točk" okolice; Zelo dobro daje razdaljo in obliko. Vendar je drago in nanj lahko vpliva močna megla/dež.
- Ultrazvok: kratkega dosega, kot parkirni senzorji.
Ker nobeden sam po sebi ne zadostuje, se izvede zlitje senzorjev: s kombiniranjem podatkov različnih senzorjev se šibkost vsakega kompenzira z močjo drugega. Na primer, kamera pravi "pešec", radar pravi "na 12 metrih, približuje se 5 km/h"; Fusion združuje oboje in ustvarja zanesljivo progo.
Namig: pri ocenjevanju trditve o zaznavi, "kateri senzor ga lahko vidi in kako dobro?" vprašaj. Če je ocena razdalje kamere ponoči slaba, je odločitev o razdalji na podlagi ene kamere vprašljiva.
Veriga odkrivanja
Tipična veriga od neobdelanih senzorskih podatkov do odločitve je naslednja:
- Zaznavanje: iskanje predmetov v sliki/oblaku točk ("tukaj je orodje").
- Klasifikacija: Določitev vrste predmeta (pešec, kolo, vozilo, znak).
- Sledenje: Sledite predmetu med sličicami, ocenite njegovo hitrost in smer.
- Fuzija: združevanje senzorjev za ustvarjanje skladnega modela sveta.
- Napoved: "Ali bo ta pešec prečkal ulico?"
- Načrtovanje in nadzor: Odločitev in ukaz za krmiljenje/zaviranje/pedal za plin.
Umetna inteligenca (zlasti globoko učenje) 1-3. zelo močan v korakih; 5-6. Stopnice so vse bolj obkrožene z inženirskimi pravili in varnostno logiko.
Stopnje avtomatizacije SAE
Avtonomija ni stvar "da/ne", je postopna. Standard SAE J3016 določa šest stopenj:
Raven
Ime
Kdo vozi?
primer
0
Brez avtomatizacije
vsi voziti
Samo opozorilo (opozorilo o mrtvem kotu)
1
Podpora voznikom
voznik + enojna podpora
Prilagodljivo tempomatiranje ALI ohranjanje voznega pasu
2
Delna avtomatizacija
Voznik (stalni nadzor)
Hitrost + pas skupaj, voznik odgovoren
3
Pogojna avtomatizacija
Sistem (pod določenimi pogoji)
Pod določenimi pogoji, ko sistem deluje, je voznik pripravljen prevzeti
4
visoka avtomatizacija
Sistem (na določenem območju)
Brez voznika na določenem območju
5
Popolna avtomatizacija
Sistem (v vseh pogojih)
Povsod brez voznika (še ne)
Pozor: najbolj nevaren nesporazum je 2. stopnja. Na 2. stopnji vozilo podpira krmiljenje in hitrost, vendar voznik ohranja stalen nadzor in odgovornost. Zamenjanje sistema za "avtopilota" in neupoštevanje je povzročilo nesreče s smrtnim izidom. 2. stopnja ne pomeni "brez voznika".
Meritve ocenjevanja: lažno pozitivne in lažno negativne
Pri ocenjevanju modela zaznavanja sta kritični dve vrsti napak:
- Napačno pozitivno: Misliti, da obstaja nekaj, kar ne obstaja. Na primer misliti, da je senca mostu "ovira" in zavirati po nepotrebnem. Moteče in včasih nevarno (trčenje od zadaj).
- Lažno negativen (lažno negativen/zgrešen): Nezmožnost videti nekaj, kar obstaja. Na primer, ne videti pravega pešca. To je najbolj smrtonosna napaka pri avtonomni vožnji.
Meritve, ki povzemajo to:
- Natančnost: koliko tega, kar ste označili, je dejansko pravilnega.
- Priklic (občutljivost): koliko tega, kar dejansko obstaja, ste zajeli.
- mAP (srednja povprečna natančnost): skupna sestavljena metrika za zaznavanje predmetov.
Priklic (nezgrešen noben pešec) je ključnega pomena pri zadevah, kot je zaznavanje pešcev pri avtonomni vožnji; Povečanje tega včasih poveča lažno pozitivno. Ta kompromis je odločitev varnostnega inženiringa in ne čista natančnost modela.
Edge etuiji in dolg rep
Najtežji del avtonomne vožnje niso običajne situacije, ampak redke in nenavadne: napol viden znak pod snegom, narobe obrnjen tovornjak, kostumirana peška, pohištvo, podrto na cestišče. Te redke, a nevarne situacije imenujemo dolgi rep. Čeprav je model lahko popoln za milijone "normalnih" kilometrov, lahko odpove v ekstremnih razmerah, kot jih še nikoli ni videl. Zato so testiranja, simulacije in validacije v resničnem svetu neskončna.
Mini študije primerov
Primer 1 - Vrednost fuzije. Med preizkušanjem samodejnega zaviranja v sili je skupina ADAS ugotovila, da je na močnem soncu počasi opaziti temno vozilo pred seboj samo s kamero. Ko so dodani radarski podatki (na radar ne vpliva bleščanje), sistem zazna vozilo 0,4 sekunde prej; To pomeni približno 10 metrov zavorne poti pri 90 km/h. Rezultat: Fusion je zaprl mrtvi kot z enim senzorjem.
Primer 2 – Odpoklic/natančna tehtnica. Ko se zniža prag modela zaznavanja pešcev, se priklic poveča s 96 % na 99 %, vendar se povečajo lažni pozitivni rezultati (senca, grmovje), kar povzroči nepotrebno zaviranje. Varnostna skupina sprejme odločitev: izogibanje pešcem je prednostna naloga, vendar se udobje ohranja z odpravljanjem lažnih pozitivnih rezultatov s fuzijo in logiko sledenja. Zaključek: izbira metrike je inženirska/varnostna odločitev, ni ene same "pravilne številke".
Primer 3 – Presenečenje na robu. Medtem ko je bil model 99,8-odstotno uspešen pri svojem validacijskem nizu, je fotografijo velikanskega pešca za tovornjakom, ki je na polje prevažal reklamo za zimske gume, zamenjal za "pravega pešca" in nenadoma zaviral. Ekipa doda ta robni primer v knjižnico scenarijev in ponovno usposobi model. Zaključek: dolg rep se nikoli ne »konča«; Potrebno je nenehno zbiranje scenarijev.
predloge pozivov
Predloga 1 – Ustvarjanje seznama scenarijev:
Vloga: Ste inženir testnih primerov ADAS. Naloga: Izdelajte zahtevne (robni primer) testne scenarije za samodejno zaviranje v sili. Kontekst: Mestno, 30-50 km/h, mešano pešec in kolesar. Omejitev: dajte prednost redkim/nevarnim, ne pogostim scenarijem; zapišite pričakovano pravilno vedenje za vsak scenarij. Rezultat: Scenarij | stanje | pričakovano vedenje | stopnjo tveganja.
Predloga 2 – Oris vodnika za označevanje:
Vloga: Vodja kakovosti označevanja podatkov. Naloga: Napišite osnutek pravil doslednosti za označevanje pešcev. Kontekst: Pešci so delno vidni, sedijo, na invalidskih vozičkih in v skupinah. Rezultat: Pravilo | primer | tabela ocen mejnega stanja.
Predloga 3 – Razlaga metrike:
Vloga: Strokovnjak za vrednotenje računalniškega vida. Naloga: Interpretirajte moje rezultate zaznavanja pešcev. Kontekst: natančnost 0,93, odpoklic 0,90, večina zgreši ponoči ali v dežju. Omejitev: poudarite pomen odpoklica za varnost; Povejte mi, pod katerimi pogoji je potrebno dodatno preverjanje. Rezultat: komentar + prednostna področja za izboljšave.
Predloga 4 – oris logike fuzije:
Vloga: Ste inženir za fuzijo senzorjev. Naloga: Predlagajte osnutek odločitvene logike, ko sta kamera in radar v nasprotju. Kontekst: Radar vidi premikajoče se majhne predmete na 15 m, medtem ko kamera pravi 'brez pešca'. Omejitev: Uporabite načelo predpostavke v korist varnosti (varna stran). Rezultat: Tabela odločitev + utemeljitev.
Šibek poziv/močan poziv
Šibek poziv:
Ali je moj model avtonomnega vozila varen?
Brez konteksta; "varno" je nedefinirano; AI govori samo na splošno in lahko daje zavajajoče zaupanje.
Močan poziv:
Vloga: Ste svetovalec za oceno varnosti ADAS. Naloga: ustvarite kontrolni seznam, na katerem se bom vprašal o ranljivostih mojega modela zaznavanja pešcev. Kontekst: sistem Urban Level 2; Odpoklic pada ponoči in v dežju; Obstaja samo kamera + radar, brez LiDAR-ja. Omejitev: Ne razglašajte 'varno'; navedite, pod kakšnimi pogoji je sistem na meji in katera dodatna testiranja so potrebna. Rezultat: območje tveganja | zakaj | priporočen test | tabela pomembnosti.
Pogoste napake
- Napačna stopnja 2 za "brez voznika". Odgovornost nosi voznik; To napačno prepričanje je usodno.
- Zanašanje na en sam senzor. Vsak senzor ima mrtvi kot; fuzija je nujna.
- Če pogledam samo povprečno natančnost. 99 % uspeh, 1 % zgrešenega pešca je lahko usoden; odpoklic in robni primeri so kritični.
- Ignoriranje skrajnih primerov. Dolg rep se nikoli ne konča; Zbiranje scenarijev poteka kontinuirano.
- Prepuščanje varnostne odločitve modelu. Odločitve o pragu in ravnovesju so odgovornost varnostnega inženiringa.
Če povzamem
- V središču ADAS in avtonomnega zaznavanja vožnje je zlitje kamere, radarja, LiDARja in senzorjev; Vsak senzor ima različne prednosti/slabosti.
- Veriga odkrivanja je sestavljena iz odkrivanja, razvrščanja, spremljanja, fuzije, napovedovanja in nadzora; AI je močan v prvih korakih.
- Ravni SAE se gibljejo od 0 do 5; Na stopnji 2 je odgovornost na strani voznika.
- Lažno negativna (ugrabitev pešca) je najbolj usodna napaka; odpoklicni in robni primeri imajo prednost.
- Varnostne odločitve so inženirska odgovornost; Natančnost modela ni edino merilo.
Aplikacijska naloga
Izberite funkcijo ADAS (npr. pomoč pri ohranjanju voznega pasu). (1) V tabelo zapišite, kateri senzorji podpirajo to funkcijo in kako dobro. (2) Ustvarite 5 robnih scenarijev s predlogo 1 in navedite pričakovano varno vedenje za vsakega. (3) Primerjajte lažno pozitivne in lažno negativne rezultate za to funkcijo. (4) Naštejte, katera neodvisna testiranja so potrebna, preden trdite, da je model "varen".
kontrolni seznam
- [ ] Ocenil sem prednosti/slabosti senzorjev glede na funkcijo.
- [ ] Navedel sem tudi scenarije končnega primera (dolgi rep).
- [ ] Zaradi varnosti sem primerjal lažno pozitivne/negativne rezultate.
- [ ] Upošteval sem pomembnost odpoklica za varnost.
- [ ] Pojasnil sem stopnjo SAE in kdo je odgovoren.
- [ ] Pripravil sem načrt neodvisnega testiranja, preden sem trdil, da je "varno".