กำไร:
- ความสามารถในการอธิบายบทบาทของกล้อง เรดาร์ LiDAR และการรวมเซ็นเซอร์ในห่วงโซ่การตรวจจับและระดับอัตโนมัติ SAE
- ความสามารถในการสร้างการติดป้ายกำกับข้อมูล การกำหนดสถานการณ์ และตัวชี้วัดการประเมินสำหรับการตรวจจับวัตถุ การจำแนกประเภท และการติดตาม
- ความสามารถในการประเมินกรณี Edge อย่างมีวิจารณญาณ ความสมดุลเชิงบวก/ลบลวง และขอบเขตความปลอดภัยในเอาท์พุตแบบจำลองการตรวจจับ
ยานพาหนะส่วนใหญ่ในปัจจุบันมีคุณสมบัติต่างๆ เช่น การเตือนการออกนอกเลน การเบรกฉุกเฉินอัตโนมัติ หรือระบบควบคุมความเร็วคงที่แบบปรับได้ ทั้งหมดนี้อยู่ภายใต้ ADAS (Advanced Driver Assistance Systems) หัวใจสำคัญของระบบเหล่านี้และการขับขี่แบบอัตโนมัติเพิ่มเติมคือการรับรู้ วิธีที่ยานพาหนะ "มองเห็น" โลกรอบตัวด้วยเซ็นเซอร์ และ "เข้าใจ" โลกด้วยปัญญาประดิษฐ์ ในบทนี้ เราจะพูดถึงห่วงโซ่การตรวจจับ เซ็นเซอร์ ระดับการทำงานอัตโนมัติ และปัญหาที่สำคัญที่สุด ซึ่งก็คือขอบเขตด้านความปลอดภัย
คำเตือนตั้งแต่ต้น: พื้นที่นี้มีความสำคัญต่อความปลอดภัย หากโมเดลการตรวจจับตรวจไม่พบคนเดินถนน ผลลัพธ์ที่ได้อาจถึงแก่ชีวิตได้ นั่นคือเหตุผลที่เอาต์พุต AI ทุกรายการที่นี่ต้องรายล้อมไปด้วยกระบวนการทางวิศวกรรมความปลอดภัย (ISO 26262 และ SOTIF ในหน่วยถัดไป)
เซ็นเซอร์: ตา หู และเรดาร์
ระบบขับเคลื่อนอัตโนมัติผสมผสานเซ็นเซอร์ต่างๆ เข้าด้วยกัน เนื่องจากเซ็นเซอร์แต่ละตัวมีจุดแข็งและจุดอ่อน:
- กล้อง: กล้อง "มองเห็น" สี ข้อความ (ป้ายจราจร) เส้นเลน และประเภทของวัตถุได้ดีที่สุด แต่ในเวลากลางคืนมีหมอก แสงจ้าจากดวงอาทิตย์ที่รุนแรง และการประมาณระยะทาง
- เรดาร์ (Radio Detection and Ranging): วัดระยะทางและความเร็วด้วยคลื่นวิทยุ ไม่ได้รับผลกระทบจากฝน/หมอก และวัดความเร็วได้โดยตรง (ด้วย Doppler Effect) แต่มีความละเอียดต่ำ ทำให้แยกแยะได้ยากว่า "นี่คนเดินถนนหรือกล่อง"
- LiDAR (การตรวจจับและกำหนดระยะแสง): ยิงเลเซอร์และสร้าง "เมฆจุด" สามมิติที่แม่นยำของบริเวณโดยรอบ ทำให้มีระยะห่างและรูปทรงได้ดีมาก แต่มีราคาแพงและอาจได้รับผลกระทบจากหมอก/ฝนที่ตกหนักได้
- อัลตราโซนิก: ระยะใกล้ เช่น เซ็นเซอร์จอดรถ
เนื่องจากทั้งสองเซ็นเซอร์นั้นไม่เพียงพอในตัวมันเอง จึงดำเนินการฟิวชั่นเซ็นเซอร์ ด้วยการรวมข้อมูลของเซ็นเซอร์ต่างๆ จุดอ่อนของเซ็นเซอร์แต่ละตัวจะได้รับการชดเชยด้วยความแข็งแกร่งของเซ็นเซอร์อื่นๆ ตัวอย่างเช่น กล้องเขียนว่า "คนเดินเท้า" เรดาร์บอกว่า "ที่ 12 เมตร กำลังเข้าใกล้ 5 กม./ชม."; ฟิวชั่นผสมผสานทั้งสองอย่างเข้าด้วยกันและสร้างแทร็กที่เชื่อถือได้
เคล็ดลับ: เมื่อประเมินคำกล่าวอ้างการตรวจจับ "เซ็นเซอร์ตัวใดที่สามารถมองเห็นได้และดีเพียงใด" ถาม. หากการประมาณระยะทางของกล้องในเวลากลางคืนไม่ดี การตัดสินใจเกี่ยวกับระยะทางจากกล้องตัวเดียวอาจเป็นที่น่าสงสัย
ห่วงโซ่การตรวจจับ
ห่วงโซ่ทั่วไปตั้งแต่ข้อมูลเซ็นเซอร์ดิบไปจนถึงการตัดสินใจมีดังนี้:
- การตรวจจับ: การค้นหาวัตถุในภาพ/พอยต์คลาวด์ ("มีเครื่องมืออยู่ที่นี่")
- การจัดหมวดหมู่: การกำหนดประเภทของวัตถุ (คนเดินเท้า จักรยาน ยานพาหนะ ป้าย)
- การติดตาม: ติดตามวัตถุระหว่างเฟรม เพื่อประมาณความเร็วและทิศทาง
- ฟิวชั่น: การรวมเซ็นเซอร์เพื่อสร้างแบบจำลองโลกที่สอดคล้องกัน
- คำทำนาย: "คนเดินถนนคนนี้จะข้ามถนนหรือไม่?"
- การวางแผนและการควบคุม: การตัดสินใจและการบังคับเลี้ยว/เบรก/คันเร่ง
ปัญญาประดิษฐ์ (โดยเฉพาะการเรียนรู้เชิงลึก) 1-3 แข็งแกร่งมากในขั้นตอน; 5-6. ขั้นตอนต่างๆ ล้อมรอบด้วยกฎทางวิศวกรรมและตรรกะด้านความปลอดภัยมากขึ้น
ระดับอัตโนมัติ SAE
เอกราชไม่ใช่สิ่งที่ "ใช่/ไม่ใช่" แต่เป็นไปทีละน้อย มาตรฐาน SAE J3016 กำหนดหกระดับ:
ระดับ
ชื่อ
ใครกำลังขับรถ?
ตัวอย่าง
0
ไม่มีระบบอัตโนมัติ
ขับรถทั้งหมด
การเตือนเท่านั้น (การเตือนจุดบอด)
1
การสนับสนุนไดรเวอร์
ไดร์เวอร์ + การสนับสนุนเดี่ยว
การล่องเรือแบบปรับได้หรือการรักษาเลน
2
ระบบอัตโนมัติบางส่วน
พนักงานขับรถ (ควบคุมดูแลอย่างต่อเนื่อง)
ความเร็ว+เลนรวมกัน คนขับรับผิดชอบ
3
ระบบอัตโนมัติแบบมีเงื่อนไข
ระบบ (ภายใต้เงื่อนไขบางประการ)
ภายใต้เงื่อนไขบางประการที่ระบบขับเคลื่อน ผู้ขับขี่ก็พร้อมที่จะเข้าควบคุม
4
ระบบอัตโนมัติสูง
ระบบ (เฉพาะพื้นที่)
ไม่มีคนขับในพื้นที่ที่กำหนด
5
ระบบอัตโนมัติเต็มรูปแบบ
ระบบ (ในทุกสภาวะ)
ไร้คนขับทุกที่ (ยัง)
ข้อควรระวัง: ความเข้าใจผิดที่อันตรายที่สุดคือระดับ 2 ในระดับ 2 ยานพาหนะรองรับการบังคับเลี้ยวและความเร็ว แต่คนขับยังคงมีการควบคุมดูแลและความรับผิดชอบอย่างต่อเนื่อง การเข้าใจผิดว่าระบบเป็น "ออโต้ไพลอต" และไม่ใส่ใจทำให้เกิดอุบัติเหตุร้ายแรง ระดับ 2 ไม่ได้หมายความว่า "ไร้คนขับ"
ตัวชี้วัดการประเมินผล: ผลบวกลวงและผลลบลวง
ข้อผิดพลาดสองประเภทมีความสำคัญเมื่อประเมินแบบจำลองการตรวจจับ:
- ผลบวกลวง: คิดว่ามีบางสิ่งที่ไม่มีอยู่จริง เช่น คิดว่าเงาสะพานเป็น "อุปสรรค" และการเบรกโดยไม่จำเป็น ก่อกวนและบางครั้งก็เป็นอันตราย (ชนท้าย)
- ลบลวง (ลบลวง / พลาด): ไม่สามารถมองเห็นสิ่งที่มีอยู่ได้ เช่น ไม่เห็นคนเดินถนนจริงๆ นี่เป็นข้อผิดพลาดที่ร้ายแรงที่สุดในการขับขี่แบบอัตโนมัติ
เมตริกที่สรุปสิ่งเหล่านี้:
- ความแม่นยำ: สิ่งที่คุณทำเครื่องหมายไว้นั้นถูกต้องจริงมากน้อยเพียงใด
- การเรียกคืน (ความไว): คุณจับภาพสิ่งที่มีอยู่จริงได้มากเพียงใด
- mAP (ค่าเฉลี่ยความแม่นยำเฉลี่ย): หน่วยเมตริกคอมโพสิตทั่วไปสำหรับการตรวจจับวัตถุ
การเรียกคืน (ไม่พลาดคนเดินถนน) มีความสำคัญในเรื่องต่างๆ เช่น การตรวจจับคนเดินถนนในการขับขี่แบบอัตโนมัติ การเพิ่มขึ้นนี้บางครั้งจะเพิ่มผลบวกลวง ข้อเสียเปรียบนี้เป็นการตัดสินใจทางวิศวกรรมความปลอดภัย ไม่ใช่ความแม่นยำของโมเดลเพียงอย่างเดียว
ขอบเคสและหางยาว
ส่วนที่ยากที่สุดของการขับขี่อัตโนมัติไม่ใช่สถานการณ์ทั่วไป แต่เป็นสถานการณ์ที่หายากและแปลก: ป้ายที่มองเห็นได้ครึ่งหนึ่งใต้หิมะ รถบรรทุกกลับหัว คนเดินถนนในชุดคอสตูม เฟอร์นิเจอร์ที่หล่นอยู่บนถนน สถานการณ์ที่หายากแต่อันตรายเหล่านี้เรียกว่าหางยาว แม้ว่าแบบจำลองอาจสมบูรณ์แบบสำหรับระยะทาง "ปกติ" นับล้านไมล์ แต่ก็อาจล้มเหลวในสถานการณ์ที่รุนแรงอย่างที่ไม่เคยพบเห็นมาก่อน นั่นเป็นเหตุผลว่าทำไมการทดสอบ การจำลอง และการตรวจสอบตามสถานการณ์จริงจึงไม่มีที่สิ้นสุด
กรณีศึกษาขนาดเล็ก
กรณีที่ 1 - มูลค่าของฟิวชัน ขณะทดสอบระบบเบรกฉุกเฉินอัตโนมัติ ทีม ADAS พบว่ามองเห็นยานพาหนะสีเข้มที่อยู่ข้างหน้าได้ช้าโดยใช้เพียงกล้องเท่านั้น เมื่อเพิ่มข้อมูลเรดาร์ (เรดาร์ไม่ได้รับผลกระทบจากแสงสะท้อน) ระบบจะตรวจจับยานพาหนะเร็วขึ้น 0.4 วินาที; นั่นหมายถึงระยะเบรกประมาณ 10 เมตร ที่ความเร็ว 90 กม./ชม. ผลลัพธ์: ฟิวชั่นปิดจุดบอดของเซ็นเซอร์ตัวเดียว
กรณีที่ 2 - การเรียกคืน/ความสมดุลที่แม่นยำ เมื่อเกณฑ์ของโมเดลการตรวจจับคนเดินถนนลดลง การเรียกคืนจะเพิ่มขึ้นจาก 96% เป็น 99% แต่ผลบวกลวง (เงา พุ่มไม้) จะเพิ่มขึ้น ซึ่งนำไปสู่การเบรกโดยไม่จำเป็น ทีมรักษาความปลอดภัยเป็นผู้ตัดสินใจ: การหลีกเลี่ยงคนเดินถนนเป็นสิ่งสำคัญที่สุด แต่ความสะดวกสบายยังคงอยู่โดยการกำจัดผลบวกลวงด้วยตรรกะฟิวชั่นและการติดตาม สรุป: การเลือกหน่วยเมตริกเป็นการตัดสินใจทางวิศวกรรม/ความปลอดภัย ไม่มี "หมายเลขที่ถูกต้อง" เพียงตัวเดียว
กรณีที่ 3 - กรณีที่ Edge ประหลาดใจ แม้ว่าแบบจำลองจะประสบความสำเร็จ 99.8% ในชุดการตรวจสอบความถูกต้อง แต่กลับเข้าใจผิดว่ามีคนเดินถนนขนาดยักษ์อยู่หลังรถบรรทุกที่บรรทุกโฆษณายางสำหรับลุยหิมะในสนามว่าเป็น "คนเดินถนนจริงๆ" และเบรกกะทันหัน ทีมเพิ่ม Edge Case นี้ลงในไลบรารีสถานการณ์และฝึกโมเดลใหม่ สรุป: หางยาวไม่เคย "สิ้นสุด"; จำเป็นต้องมีการรวบรวมสถานการณ์อย่างต่อเนื่อง
เทมเพลตพร้อมท์
เทมเพลต 1 - การสร้างรายการสถานการณ์จำลอง:
บทบาท: คุณเป็นวิศวกรกรณีทดสอบ ADAS ภารกิจ: สร้างสถานการณ์การทดสอบที่ท้าทาย (กรณีขอบ) สำหรับการเบรกฉุกเฉินอัตโนมัติ บริบท: ในเมือง, 30-50 กม./ชม., คนเดินเท้าและนักปั่นจักรยานผสมกัน ข้อจำกัด: จัดลำดับความสำคัญของสิ่งที่หายาก/เป็นอันตราย ไม่ใช่สถานการณ์ที่เกิดบ่อย เขียนลักษณะการทำงานที่ถูกต้องที่คาดหวังสำหรับแต่ละสถานการณ์ ผลลัพธ์: สถานการณ์ | เงื่อนไข | พฤติกรรมที่คาดหวัง | ระดับความเสี่ยง
เทมเพลต 2 - โครงร่างคู่มือการติดป้ายกำกับ:
บทบาท: ผู้นำด้านคุณภาพการติดฉลากข้อมูล งาน: เขียนร่างกฎความสอดคล้องสำหรับการติดฉลากคนเดินเท้า บริบท: มีคนเดินถนนที่มองเห็นได้บางส่วน นั่งอยู่บนรถเข็น และเป็นกลุ่ม ผลลัพธ์: กฎ | ตัวอย่าง | ตารางเกรดของรัฐที่จำกัด
เทมเพลต 3 - การตีความเมตริก:
บทบาท: ผู้เชี่ยวชาญด้านการประเมินการมองเห็นคอมพิวเตอร์ งาน: ตีความผลการตรวจจับคนเดินถนนของฉัน บริบท: ความแม่นยำ 0.93 เรียกคืน 0.90 ส่วนใหญ่พลาดตอนกลางคืนหรือกลางสายฝน ข้อจำกัด: เน้นความสำคัญของการเรียกคืนเพื่อความปลอดภัย บอกฉันว่าต้องมีการตรวจสอบเพิ่มเติมภายใต้เงื่อนไขใด ผลลัพธ์: ความคิดเห็น + พื้นที่สำคัญสำหรับการปรับปรุง
เทมเพลต 4 - โครงร่างลอจิกฟิวชั่น:
บทบาท: คุณเป็นวิศวกรฟิวชันเซ็นเซอร์ งาน: แนะนำร่างตรรกะการตัดสินใจเมื่อกล้องและเรดาร์ขัดแย้งกัน บริบท: เรดาร์มองเห็นวัตถุขนาดเล็กที่กำลังเคลื่อนที่ที่ระยะ 15 เมตร ขณะที่กล้องแจ้งว่า 'ห้ามคนเดินเท้า' ข้อจำกัด: ใช้หลักสมมติฐานเพื่อความปลอดภัย (ด้านปลอดภัย) ผลลัพธ์: ตารางการตัดสินใจ + การให้เหตุผล
พรอมต์อ่อน / พรอมต์แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
รถยนต์ขับเคลื่อนอัตโนมัติรุ่นของฉันปลอดภัยหรือไม่?
ไม่มีบริบท; "ปลอดภัย" ไม่ได้กำหนด; AI พูดเฉพาะในแง่ทั่วไปเท่านั้นและสามารถให้ความมั่นใจที่ทำให้เข้าใจผิดได้
พรอมต์อันทรงพลัง:
บทบาท: คุณเป็นที่ปรึกษาการประเมินความปลอดภัยของ ADAS ภารกิจ: สร้างรายการตรวจสอบให้ฉันตั้งคำถามถึงจุดอ่อนของโมเดลการตรวจจับคนเดินถนนของฉัน บริบท: ระบบเมืองระดับ 2; จำได้ว่าตกในเวลากลางคืนและท่ามกลางสายฝน มีแค่กล้อง+เรดาร์ ไม่มี LiDAR ข้อจำกัด: อย่าประกาศว่า 'ปลอดภัย'; ระบุภายใต้เงื่อนไขที่ระบบอยู่ในขีดจำกัดและต้องมีการทดสอบเพิ่มเติมใดบ้าง เอาท์พุต: พื้นที่เสี่ยง | ทำไม | การทดสอบที่แนะนำ | ตารางความสำคัญ
ข้อผิดพลาดทั่วไป
- ความเข้าใจผิดระดับ 2 สำหรับ "ไร้คนขับ" ความรับผิดชอบอยู่ที่คนขับ ความเข้าใจผิดนี้เป็นอันตรายถึงชีวิต
- อาศัยเซ็นเซอร์ตัวเดียว เซ็นเซอร์ทุกตัวมีจุดบอด ฟิวชั่นเป็นสิ่งจำเป็น
- แค่ดูความแม่นยำโดยเฉลี่ย ความสำเร็จ 99%, คนเดินถนนที่พลาด 1% อาจถึงแก่ชีวิตได้ การเรียกคืนและกรณีขอบเป็นสิ่งสำคัญ
- ละเลยกรณีที่รุนแรง หางยาวไม่สิ้นสุด การรวบรวมสถานการณ์มีความต่อเนื่อง
- ปล่อยให้การตัดสินใจด้านความปลอดภัยเป็นหน้าที่ของโมเดล การตัดสินใจเกี่ยวกับเกณฑ์และความสมดุลถือเป็นความรับผิดชอบของวิศวกรรมความปลอดภัย
โดยสรุป
- หัวใจสำคัญของ ADAS และการตรวจจับการขับขี่อัตโนมัติคือกล้อง เรดาร์ LiDAR และการรวมเซ็นเซอร์ เซ็นเซอร์แต่ละตัวมีจุดแข็ง/จุดอ่อนที่แตกต่างกัน
- ห่วงโซ่การตรวจจับประกอบด้วยการตรวจจับ การจำแนกประเภท การตรวจสอบ การผสม การทำนาย และการควบคุม AI แข็งแกร่งตั้งแต่ก้าวแรก
- ระดับ SAE มีตั้งแต่ 0 ถึง 5; ในระดับ 2 ความรับผิดชอบอยู่ที่คนขับ
- ผลลบลวง (การลักพาตัวคนเดินเท้า) เป็นข้อผิดพลาดร้ายแรงที่สุด การเรียกคืนและกรณีขอบมีความสำคัญ
- การตัดสินใจด้านความปลอดภัยถือเป็นความรับผิดชอบทางวิศวกรรม ความแม่นยำของแบบจำลองไม่ใช่เกณฑ์เดียวเท่านั้น
งานสมัคร
เลือกฟังก์ชัน ADAS (เช่น ระบบช่วยรักษาช่องทางเดินรถ) (1) เขียนลงในตารางว่าเซนเซอร์รองรับฟังก์ชันนี้ว่าเซนเซอร์รองรับฟังก์ชันนี้ได้ดีเพียงใด (2) สร้างสถานการณ์ Edge case 5 กรณีด้วยเทมเพลต 1 และระบุลักษณะการทำงานที่ปลอดภัยที่คาดหวังสำหรับแต่ละสถานการณ์ (3) เปรียบเทียบผลลัพธ์ของผลบวกลวงและผลลบลวงสำหรับฟังก์ชันนี้ (4) ระบุสิ่งที่จำเป็นต้องมีการทดสอบอิสระก่อนที่จะอ้างว่าแบบจำลองนั้น "ปลอดภัย"
รายการตรวจสอบ
- [ ] ฉันประเมินจุดแข็ง/จุดอ่อนของเซนเซอร์ตามฟังก์ชัน
- [ ] ฉันได้ระบุสถานการณ์กรณีสุดท้าย (หางยาว) ไว้ด้วย
- [ ] ฉันเปรียบเทียบผลลัพธ์เชิงบวก/เชิงลบเพื่อความปลอดภัย
- [ ] ฉันคำนึงถึงความสำคัญด้านความปลอดภัยอย่างยิ่งยวดของ Recall
- [ ] ฉันชี้แจงระดับ SAE และใครเป็นผู้รับผิดชอบ
- [ ] ฉันเตรียมแผนการทดสอบอิสระก่อนที่จะอ้างว่า "ปลอดภัย"