Добици:
- Способност да се објасни улога камере, радара, ЛиДАР-а и фузије сензора у ланцу детекције и нивоима аутоматизације САЕ
- Способност креирања означавања података, дефиниције сценарија и метрике евалуације за откривање, класификацију и праћење објеката
- Способност критичке процене ивичних случајева, лажно позитивног/негативног баланса и маргине сигурности у излазу модела детекције
Већина данашњих возила има функције као што су упозорење о напуштању траке, аутоматско кочење у случају нужде или прилагодљиви темпомат. Све су то под окриљем АДАС-а (Напредни системи за помоћ возачу). У срцу ових система и даље аутономне вожње је перцепција: начин на који возило „види“ свет око себе помоћу сензора и „разуме“ га помоћу вештачке интелигенције. У овој јединици ћемо покрити ланац детекције, сензоре, нивое аутоматизације и најкритичније питање, безбедносне границе.
Упозорење од почетка: Ова област је безбедносно критична. Ако модел детекције не открије пешака, резултат може бити фаталан. Зато сваки АИ излаз овде мора бити окружен процесима безбедносног инжењеринга (ИСО 26262 и СОТИФ у наредним јединицама).
Сензори: очи, уши и радар
Систем за аутономну вожњу комбинује различите сензоре јер сваки има предности и недостатке:
- Камера: Камера најбоље "види" боју, текст (саобраћајни знак), линију траке и тип објекта. Али ноћу је слабо, магла, јак одсјај сунца и процена удаљености.
- Радар (Радио Детецтион анд Рангинг): Мери растојање и брзину помоћу радио таласа. На њега мање утичу киша/магла и директно мери брзину (са Доплеровим ефектом); али његова резолуција је ниска, што отежава разликовање „да ли је ово пешак или кутија?“
- ЛиДАР (детекција и домет светлости): пуца ласером и производи прецизан тродимензионални „облак тачака“ околине; Врло добро даје удаљеност и облик. Али то је скупо и на њега може утицати јака магла/киша.
- Ултразвучни: Кратки домет, попут паркинг сензора.
Пошто ниједно није довољно само по себи, врши се спајање сензора: комбиновањем података различитих сензора, слабост сваког се компензује снагом другог. На пример, камера каже „пешак“, радар каже „на 12 метара, приближава се 5 км/х“; Фусион комбинује то двоје и ствара поуздану стазу.
Савет: Када процењујете тврдњу о детекцији, „који сензор то може да види и колико добро?“ питати. Ако је процена удаљености камере ноћу лоша, одлука о удаљености заснована на једној камери је упитна.
Ланац детекције
Типичан ланац од необрађених података сензора до одлуке је следећи:
- Детекција: Проналажење објеката у облаку слика/тачака („овде постоји алатка“).
- Класификација: Одређивање врсте објекта (пешак, бицикл, возило, знак).
- Праћење: Праћење објекта између кадрова, процена његове брзине и правца.
- Фузија: Комбиновање сензора да би се створио конзистентан светски модел.
- Предвиђање: "Да ли ће овај пешак прећи улицу?"
- Планирање и контрола: Одлука и команда за управљање/кочницу/акцелератор.
Вештачка интелигенција (нарочито дубоко учење) 1-3. веома јак у корацима; 5-6. Кораци су све више окружени инжењерским правилима и безбедносном логиком.
САЕ нивои аутоматизације
Аутономија није ствар „да/не“, она је постепена. Стандард САЕ Ј3016 дефинише шест нивоа:
Ниво
Име
Ко вози?
пример
0
Нема аутоматизације
сви возе
Само упозорење (упозорење на мртву тачку)
1
Подршка за возаче
возач + појединачна подршка
Адаптивно крстарење ИЛИ држање траке
2
Делимична аутоматизација
Возач (стални надзор)
Брзина + трака заједно, возач одговоран
3
Условна аутоматизација
Систем (под одређеним условима)
Под одређеним условима систем ради, возач је спреман да преузме
4
висока аутоматизација
Систем (у одређеној области)
Без возача у дефинисаној области
5
Потпуна аутоматизација
Систем (у свим условима)
Свуда без возача (још не)
Опрез: Најопаснији неспоразум је ниво 2. У нивоу 2, возило подржава управљање и брзину, али возач задржава стални надзор и одговорност. Погрешити систем као „аутопилот“ и не обраћати пажњу довели су до фаталних несрећа. Ниво 2 не значи "без возача".
Показатељи евалуације: лажно позитивни и лажно негативни
Две врсте грешака су критичне када се оцењује модел детекције:
- Лажно позитивно: Мислите да постоји нешто што не постоји. На пример, мислећи да је сенка моста „препрека“ и непотребно кочење. Узнемирујуће и понекад опасно (судар од позади).
- Лажно негативан (лажно негативан/промашај): Немогућност да се види нешто што постоји. На пример, не видети правог пешака. Ово је најсмртоноснија грешка у аутономној вожњи.
Показатељи који ово сумирају:
- Прецизност: Колико је од онога што сте означили заправо тачно.
- Подсетите се (осетљивост): Колико од онога што стварно постоји сте ухватили.
- мАП (средња просечна прецизност): Уобичајена композитна метрика за детекцију објеката.
Подсећање (не пропустити ниједног пешака) је од виталног значаја у стварима као што је откривање пешака у аутономној вожњи; Повећање овог понекад повећава лажно позитиван резултат. Овај компромис је одлука безбедносног инжењеринга, а не чиста тачност модела.
Рубне кутије и дугачак реп
Најтежи део аутономне вожње нису уобичајене ситуације, већ оне ретке и чудне: знак напола видљив под снегом, наопако камион, костимирани пешак, намештај пао на коловоз. Ове ретке, али опасне ситуације називају се дугим репом. Иако модел може бити савршен за милионе „нормалних“ миља, може покварити у екстремној ситуацији коју никада раније није видео. Зато су тестирање засновано на сценарију, симулација и валидација у стварном свету бескрајни.
Мини студије случаја
Случај 1 – Вредност фузије. Док је тестирао аутоматско кочење у случају нужде, тим АДАС-а је открио да је само камером споро уочио возило тамне боје испред себе на јаком сунцу. Када се додају радарски подаци (на радар не утиче одсјај) систем детектује возило 0,4 секунде раније; То значи кочиони пут од око 10 метара при 90 км/х. Резултат: Фусион је затворио слепу тачку са једним сензором.
Случај 2 - Баланс опозива/прецизности. Када се спусти праг модела детекције пешака, опозив се повећава са 96% на 99%, али се повећавају лажни позитивни резултати (сенка, жбуње), што доводи до непотребног кочења. Безбедносни тим доноси одлуку: избегавање пешака је приоритет, али удобност се одржава елиминисањем лажних позитивних резултата помоћу фузије и логике праћења. Закључак: Избор метрике је инжењерска/безбедносна одлука, не постоји један „тачан број“.
Случај 3 - Едге цасе изненађење. Док је модел био 99,8% успешан у сету за валидацију, он је заменио фотографију огромног пешака иза камиона који носи рекламу за снег на терену за „правог пешака“ и изненада закочио. Тим додаје овај ивични случај у библиотеку сценарија и поново обучава модел. Закључак: Дугачак реп никада не „завршава“; Потребно је стално прикупљање сценарија.
брзи шаблони
Шаблон 1 – Генерисање листе сценарија:
Улога: Ви сте инжењер АДАС тест случаја. Задатак: Израдити изазовне тестне сценарије (ивични случај) за аутоматско кочење у случају нужде. Контекст: Урбано, 30-50 км/х, мешано пешак и бициклиста. Ограничење: Дајте приоритет ретким/опасним сценаријима, а не честим; напишите очекивано исправно понашање за сваки сценарио.Излаз: Сценарио | стање | очекивано понашање | ниво ризика.
Шаблон 2 – Преглед водича за означавање:
Улога: вођа квалитета означавања података. Задатак: Напишите нацрт правила доследности за обележавање пешака. Контекст: пешаци су делимично видљиви, седе, у инвалидским колицима иу групама. Исход: Правило | пример | табела оцена граничног стања.
Шаблон 3 – метричко тумачење:
Улога: Стручњак за евалуацију компјутерског вида. Задатак: Протумачити моје резултате детекције пешака. Контекст: прецизност 0,93, опозив 0,90, већина промашаја ноћу или по киши. Ограничење: Нагласите важност опозива за сигурност; Реците ми под којим условима је потребна додатна верификација. Резултат: Коментар + приоритетне области за побољшање.
Шаблон 4 – Нацрт Фусион логике:
Улога: Ви сте инжењер фузије сензора. Задатак: Предложите нацрт логике одлуке када се камера и радар сукобе. Контекст: Радар види покретни мали објекат на 15 м док камера каже „нема пешака“. Ограничење: Примените принцип претпоставке у корист безбедности (безбедна страна). Исход: Табела одлука + образложење.
Слаби промпт / Јаки промпт
Слабо обавештење:
Да ли је мој аутономни модел возила безбедан?
Без контекста; „сигурно“ је недефинисано; АИ говори само уопштено и може дати погрешно самопоуздање.
Снажан упит:
Улога: Ви сте консултант за процену безбедности АДАС-а. Задатак: Направите контролну листу за мене да испитам рањивости мог модела детекције пешака. Контекст: Урбани ниво 2 систем; Сећање пада ноћу и по киши; Постоји само камера + радар, нема ЛиДАР-а. Ограничење: Немојте декларисати 'безбедно'; навести под којим условима је систем на свом лимиту и која додатна испитивања су потребна. Излаз: Подручје ризика | зашто | препоручени тест | табела важности.
Уобичајене грешке
- Погрешио ниво 2 за "без возача". Одговорност је на возачу; Ово погрешно схватање је погубно.
- Ослањајући се на један сензор. Сваки сензор има мртву тачку; фузија је неопходна.
- Само гледајући просечну тачност. 99% успеха, 1% пропуштеног пешака може бити фатално; опозив и рубни случајеви су критични.
- Игнорисање екстремних случајева. Дуги реп никад не завршава; Прикупљање сценарија је континуирано.
- Препуштајући моделу одлуку о безбедности. Одлуке о прагу и балансу су одговорност безбедносног инжењеринга.
Укратко
- У срцу АДАС-а и детекције аутономне вожње је фузија камере, радара, ЛиДАР-а и сензора; Сваки сензор има различите предности/слабости.
- Ланац детекције се састоји од детекције, класификације, праћења, фузије, предвиђања и контроле; АИ је јак у првим корацима.
- САЕ нивои се крећу од 0 до 5; У нивоу 2, одговорност је на возачу.
- Лажно негативна (отмица пешака) је најфаталнија грешка; опозив и крајњи случајеви имају приоритет.
- Безбедносне одлуке су инжењерска одговорност; Тачност модела није једини критеријум.
Задатак апликације
Изаберите АДАС функцију (нпр. помоћ при задржавању траке). (1) Напишите у табелу који сензори подржавају ову функцију и колико добро. (2) Генеришите 5 крајњих сценарија са шаблоном 1 и наведите очекивано безбедно понашање за сваки. (3) Упоредите резултате лажно позитивних и лажно негативних за ову функцију. (4) Наведите која су независна тестирања потребна пре него што се тврди да је модел „безбедан“.
контролна листа
- [ ] Оценио сам предности/слабости сензора према функцији.
- [ ] Такође сам навео сценарије крајњег случаја (дуги реп).
- [ ] Упоредио сам лажно позитивне/негативне резултате ради сигурности.
- [ ] Узео сам у обзир безбедносно критични значај опозива.
- [ ] Појаснио сам ниво САЕ и ко је одговоран.
- [ ] Припремио сам независан план тестирања пре него што сам рекао да је „безбедно“.