Самые популярные новости недели
07.12.2018 Президент России поздравил "КАМАЗ-мастер" 702
05.12.2018 Рынок вагоностроения: конкуренция обострилась, но временно 686
07.12.2018 Опубликованы материалы PTC Forum Europe 2018 644
04.12.2018 Александр Новак: "Прилагаем активные усилия к росту товарооборота между Россией и Саудовской Аравией на долгосрочную перспективу" 639
07.12.2018 Ростех расширяет сотрудничество с Аргентиной 628
07.12.2018 Завершён ремонт главного двигателя поисково-спасательного корабля "Алагез" 606
07.12.2018 "КАМАЗ-мастер" отметил свое 30-летие 595
03.12.2018 On-line трансляция запуска транспортного пилотируемого корабля "Союз МС-11" с участниками длительной экспедиции МКС-58/59 589
03.12.2018 Денис Мантуров: Свыше 70 российских вертолётов поставят в ближайшие три года в страны Азиатско-Тихоокеанского региона 587
04.12.2018 ЦИАМ внес свои предложения по управлению научными исследованиями 585
06.12.2018 Денис Мантуров поздравил коллектив ЦАГИ со 100-летием Института 553
03.12.2018 Двигаемся в правильном направлении: конкурентоспособность российского легпрома обсудили в Иваново 546
05.12.2018 Александр Новак: "Минэнерго России приступило к работе по актуализации Стратегии развития электросетевого комплекса России" 544
05.12.2018 Комиссия по развитию машиностроительного комплекса для обеспечения конкурентоспособности выпускаемой продукции рассмотрела проблемы развития НИОКР 496
06.12.2018 Награждены "гагаринские стипендиаты" 2018–2019 учебного года 491
04.12.2018 Комитет СОСПП по транспорту и логистике провел заседание в рамках форума "TransUral" 489
05.12.2018 В России могут появиться литейный производственный холдинг и инжиниринговый центр 488
03.12.2018 Минпромторг России рассказал о промышленном развитии 
Московской области 487
07.12.2018 Промышленное производство: результаты ноября 486
04.12.2018 Денис Мантуров встретился с премьер-министром федеральной земли Нижняя Саксония Штефаном Вайлем 483
06.12.2018 Дмитрий Медведев: Впервые с 2014 года, страна вышла на профицитный бюджет 474
07.12.2018 Министр науки и высшего образования Российской Федерации Михаил Котюков прибыл с рабочим визитом в Екатеринбург 462
07.12.2018 На форуме в Грозном обсудили инвестиционный и экспортный потенциал Северного Кавказа 449
03.12.2018 ОВК: Обзор железнодорожного рынка РФ в октябре-ноябре 2018 г. 444
07.12.2018 Дмитрий Рогозин назначен спецпредставителем Президента в области космоса 441
06.12.2018 Инновационные полувагоны: рост цен негативно сказывается на спросе 429
04.12.2018 Уникальный автокран на газовом шасси выпустили в России 419
03.12.2018 ITPS представляет цифровые решения для предприятий холдинга Сибур 415
03.12.2018 Бульдозеры ЧТЗ "сбрасывают" вес 414
06.12.2018 Завершается строительство первого котла для мусоросжигательного завода 411
04.12.2018 Металлоинвест завершил создание отказоустойчивой высокопроизводительной инфраструктуры ЦОД в Старом Осколе 410
04.12.2018 Ростех представил "умные" системы для электросетей будущего 403
05.12.2018 Ростех представил беспилотник для мониторинга электрических сетей 400
04.12.2018 В ноябре текущего года погрузка на сети ОАО "РЖД" выросла на 1,5% 400
03.12.2018 Делегация Ростсельмаш посетила "КАМАЗ" 377
03.12.2018 МАЗы приехали в Чебоксары 374
07.12.2018 РусГидро вошло в первую пятерку Национального рейтинга прозрачности закупок 361
07.12.2018 Ростех подтвердил высокий уровень прозрачности закупок 358
07.12.2018 Продукция ПАО "Промтрактор" подтвердила статус "Лучшего товара России" 353
07.12.2018 Прошло успешное испытание 3D-биопринтера на борту МКС 353
07.12.2018 Уфимское предприятие "Технодинамики" нарастило выручку до 3,6 млрд рублей 350
07.12.2018 Перевозки пассажиров двухэтажными поездами выросли более чем на треть за 11 месяцев 349
05.12.2018 Уралвагонзавод принимает участие в выставке Egypt Defence 344
05.12.2018 ПАО "ЧАЗ" поддержало проект "Твой выбор профессии" 336
03.12.2018 CLAAS: Комбайн LEXION 760 добавил два рекорда в Книгу Гиннеса 295
03.12.2018 Первый российский циклолет поднимется в небо в 2020 году 293
06.12.2018 "Алнас" успешно прошел инспекционный аудит систем менеджмента качества и экологического менеджмента 292
07.12.2018 ООО "Инжитех" ведет переговоры о продаже контрольного пакета акций фонду прямых инвестиций Russian Friends Capital 290
06.12.2018 ЧМК наращивает поставки балки на рынок Европы 290
06.12.2018 ПСМ: Энергокомплекс для логистического комплекса в Твери 255

Опубликовано: 14 ноября 2017 г.

Система автономного вождения Delphi научилась соблюдать правила благодаря искусственному интеллекту

Источник информации: Пресс-служба компании Delphi

Развитие систем автономного вождения меняет технологическую основу транспорта. Это можно сравнить с переходом от "Дикого Запада" к новой эпохе.

Вы можете привести свою аналогию, но один факт остается очевидным: в настоящее время возможности в сфере разработки систем автономного вождения очень широки, несмотря на высокий уровень конкуренции в этой области. Многие компании выбирают различные пути и подходы к созданию первой системы автономного вождения, адаптированной для серийного производства. В то же время формулируются новые правила и технологические концепции становятся реальностью.

Суть в том, что в соревновании по созданию систем полностью автономного вождения не существует каких-либо общепринятых правил.

Тем не менее платформа Delphi Centralized Sensing Localization Planning (CSLP) создана на базе предустановленных обобщенных правил, описывающих основные безопасные действия автомобиля, и использует искусственный интеллект (ИИ) для выбора оптимального пути. Это означает, что инструкции или набор правил, которым должен следовать автомобиль, закладываются в алгоритм. Таким образом мы получаем транспортное средство, способное принимать решения с помощью искусственного интеллекта.

Однако правила существуют не для всех ситуаций, по крайней мере в настоящий момент. По одной простой причине — пока что ни одному из игроков просто-напросто не удалось провести всех испытаний. Собственно, в том числе поэтому множество беспилотных автомобилей постоянно испытываются по всему миру — они собирают данные. Затем эти данные используются для каталогизации огромного количества возможных ситуаций, с которыми может столкнуться автомобиль, а следовательно, и способов безопасного реагирования.

То, как автомобиль реагирует на ситуацию, зависит от того, что он "видит" и "слышит" с помощью своих датчиков. Существует три типа датчиков: радары, видеодатчики (камеры) и лидары. Некоторые компании используют только один тип датчиков, но платформа Delphi CSLP полагается на все три типа.

Анализируя сигналы от всех датчиков, система автономного вождения Delphi обеспечивает высокую достоверность информации об окружающей обстановке. Почему мы используем датчики всех типов? Потому что у каждого датчика есть своя сильная сторона:

- радар не подвержен воздействию погодных условий;
- лидар обеспечивает высокую точность измерения расстояний, и
- видеодатчик обеспечивает точное распознавание объекта.

Комбинация всех трех датчиков позволяет системе получать всеобъемлющее представление о том, что окружает автомобиль, увеличивая уровень безопасности и надежности.

Искусственный интеллект используется в основном для обработки визуальной информации, тогда как методы машинного обучения применяются для классификации и распознавания объектов. Что такое машинное обучение? Эта концепция исходит из идеи, что компьютер может обучаться без дополнительного программирования точных инструкций, предписывающих реакцию на ситуацию.

Алгоритмы должны быть "натренированы" на распознавание обстановки, окружающей автомобиль. Машинное обучение работает на основе так называемой нейронной сети. Исходя из названия, ее функционирование аналогично работе мозга человека. Она "живет" в автомобиле и классифицирует объекты в режиме реального времени. Так автомобиль может "следовать" определенным правилам. Это очень сложная задача. И это одна из причин, по которой гибридный подход, комбинирующий ИИ и машинное обучение, помогает беспилотным автомобилям принимать решения подобно тому, как это делает человек. В определенных случаях, например при включении красного сигнала светофора или остановке другого автомобиля на пути следования, важно обеспечить торможение вплоть до полной остановки. Но в других ситуациях, например когда пластиковый пакет пролетает над дорогой, хотелось бы, чтобы автомобиль определил, что это не препятствие и можно безопасно продолжить движение.

В случае со сценариями, для которых (еще) не предписаны правила, ИИ принимает решения на основе входящей информации.

"Нейронная сеть знает, что предпринять, только если обучена этим действиям, — объясняет Глен Де Вос (Glen De Vos), технический директор компании Delphi. — Однако невозможно учесть все сценарии, с которыми может столкнуться автомобиль. Вы не всегда можете правильно спрогнозировать, как именно нейронная сеть "заполнит пробелы" и, соответственно, отреагирует на ситуацию, с которой не сталкивалась ранее. В тех случаях, когда автомобиль неспособен что-то распознать, правила, заложенные в нейронную сеть, потребуют от него совершить безопасную остановку. Так что, используя комбинацию правил нейронной сети и искусственного интеллекта, мы сможем охватить практически все возможные ситуации".

             
         Добавить в Google Reader  Читать в Яндекс Ленте

Подписка на почтовую рассылку
Для подписки на почтовую рассылку Вам необходимо войти или зарегистрироваться.

Последний выпуск
 Новости машиностроения   |   Новости компаний   |   Архив новостных рассылок 
© 2018 Портал машиностроения