Menu

سیستم هشدار سریع بر پایه هوش مصنوعی برای اتومبیل های خودران

سیستم هشدار سریع بر پایه هوش مصنوعی برای اتومبیل های خودران
کارپرس

محققان دانشگاه فنی مونیخ با همکاری گروه خودروسازی ب ام و یک سیستم هشدار سریع و زودهنگام (Early Warning) برپایه هوش مصنوعی برای اتومبیل های خودران ساخته اند.

به گزارش خودروپرس، اتومبیل های خودران ممکن است گاهی اوقات در شرایط و اوضاع بحرانی قرار گیرند که در این گونه مواقع لازم است راننده انسانی به دلایل ایمنی کنترل خودرو را در دست بگیرد.

با توجه به این نکته محققان دانشگاه فنی مونیخ یک سیستم هشدار سریع و زودهنگام (Early Warning) بر پایه هوش مصنوعی برای اتومبیل های خودران ساخته اند که می تواند هفت ثانیه قبل از وقوع این سناریوهای بحرانی راننده را با اعلام وضعیت هشدار آگاه سازد.

این سیستم هوش مصنوعی با همکاری گروه خودروسازی ب ام و ساخته شده و از 2500 وضعیت که در گذشته در دنیای واقعی رخ داده و طی آنها راننده مجبور به مداخله و در دست گرفتن کنترل خودرو شده است برای پیش بینی وضعیت های بالقوه بحرانی استفاده می کند.

سیستم مذکور از داده های سنسور خودرو شامل شرایط جاده، آب و هوا، سرعت، دید و زاویه فرمان بهره می گیرد.

محققان از کارت های گرافیکی شرکت انویدیا برای آموزش و استخراج مدل های هوش مصنوعی در پیش بینی شکست استفاده کردند.

هنگام آزمایش در جاده های عمومی با استفاده از وسایل نقلیه خودران گروه ب ام و، مدل هوش مصنوعی توانست وضعیت هایی که اتومبیل های خودران به تنهایی قادر به کنترل اوضاع نبودند را هفت ثانیه قبل از وقوع آن با دقت بیش از 85 درصد پیش بینی کند.

اکهارد اشتاین باخ رئیس فناوری رسانه و عضو هیأت مدیره دانشکده روباتیک و هوش ماشین مونیخ گفت: "مزیت بزرگ فناوری ما این است که از آنچه اتومبیل فکر می کند به طور کامل چشم پوشی و در عوض خود را به داده های مبتنی بر آنچه در عمل اتفاق می افتد محدود می کنیم و به دنبال الگوها می گردیم."

وی افزود: "به این ترتیب، هوش مصنوعی می تواند وضعیت های بالقوه بحرانی که ممکن است مدل ها قادر به تشخیص یا کشف آنها نباشند را شناسایی می کند."

براساس این گزارش هشدار زودهنگام می تواند به رانندگان انسانی کمک کند تا سریع تر در شرایط بحرانی مانند تقاطع های شلوغ، ترمز ناگهانی یا انحراف خطرناک واکنش نشان دهند.

به علاوه این سیستم را می توان با حجم بیشتری از داده های بدست آمده از وسایل نقلیه خودران که تحت ساخت و آزمایش جاده ای هستند، بهبود بخشید. داده های جمع آوری شده از هر وسیله نقلیه می تواند برای تکرارهای بعدی مدل استفاده شود.

کریستوفر کوهن نویسنده این مطالعه گفت: "هر زمان که یک وضعیت بالقوه بحرانی در یک تست رانندگی ایجاد شود، ما با یک نمونه آموزشی جدید مواجه می شویم."

منبع: Nvidia Developer