Zpět

Autonomní vozidla mohou být neúčinná v důsledku deště, sněhu nebo ledu. Je strojové učení řešením? V moderním automobilovém průmyslu mají řidiči přístup k vozidlům, schopným čelit mnoha potenciálním nebezpečím. Software a algoritmy pohánějí účinné bezpečnostní systémy, které mohou například varovat řidiče před nadcházející kolizí. Některé problémy ale zatím vlivu technologií tvrdošíjně odolávají.

Vezměme si například počasí – pokud je silnice namrzlá nebo mokrá, nemůže řidič vždy pokračovat v cestě přesně podle plánu. Musí být opatrnější s pomocí nejlepších dostupných informací. Ty obvykle to přichází buď ve formě předpovědi počasí, která není vždy nejpřesnější. Nebo ve formě důkazů na vlastní oči, kdy je ale často pozdě na drastickou změnu.

Havárie související s počasím

Výsledkem je, že jedna z pěti z téměř šesti milionů nehod, ke kterým v USA každý rok v průměru dojde, souvisí s počasím, uvádí Federal Highway Administration. Jen málo z těchto nehod je způsobeno extrémními podmínkami. Mnohé jsou spíše způsobeny stejnými podmínkami, které řidiči vidí každou zimu, 70 % je způsobeno mokrou vozovkou a 46 % deštěm. Tento problém je akutní zejména u autonomních vozidel. Například LiDAR může být v zimních podmínkách neúčinný. „Padající sníh by mohl spustit nepřetržité pípání ultrazvukových senzorů ve vozidle a vydávat falešné poplachy o překážkách, když kolem vozidla nic není,“ uvádí technická zpráva na toto téma od amerického ministerstva dopravy. „Odraz způsobený mokrými a zledovatělými povrchy nebo odlesky od slunce může mít za následek chybné čtení a také přesnost snímače nárazu.“

Déšť, sníh a led, to vše může způsobit problémy senzorům na autonomních vozidlech

Jak mohou být řidiči lépe připraveni na potenciálně nebezpečné počasí, když jsou takové podmínky v mnoha zemích poměrně běžné? Stefan Schneider, produktový manažer společnosti Continental, věří, že odpověď spočívá v předpovědích založených na umělé inteligenci, které informují řidiče o podmínkách v dostatečném předstihu. „Představte si, že sedíte za volantem auta a jedete po dálnici s některými automatizovanými jízdními funkcemi, jako je aktivní tempomat nebo v budoucnu dokonce dálniční pilot, který rozhoduje o rychlosti a vzdálenosti vozidla před vámi. “ řekl na nedávném webináři Mobex. „Bylo by vám příjemné, kdyby vaše vozidlo neznalo stav vozovky příštích 500-1000 metrů? Myslím, že odpověď by byla ne.“

Stávající řešení

Již existují řešení, která pomáhají řidičům přizpůsobit se počasí. Ale tato řešení nejdou dostatečně daleko, tvrdí Schneider. Senzory mohou například sledovat, co se děje mimo vozidlo. „Ale nehledí dostatečně dopředu,“ říká.

S tím, jak se vozidla stále více propojují s jinými zařízeními a sítěmi, může být dalším zdrojem předpovědí sdílení informací o počasí napříč vozidly a značkami. To by však nemohlo poskytnout dostatečné pokrytí, tvrdí Schneider, zejména pro velké geografické oblasti s hranicemi, které budou řidiči pravděpodobně chtít často překračovat – například USA nebo kontinentální Evropa. Zatímco moderní předpovědi počasí bývají sofistikované, zřídka poskytují podrobné údaje o jednotlivých silnicích. To vede k situaci, kdy předpovědi počasí mohou být zavádějící, pokud jde o skutečný stav vozovky. „To, že neprší, neznamená, že je silnice suchá,“ říká.

Podle Schneidera by sběr rozsáhlejšího množství dat mohla pomoci získat mnohem podrobnější informace o předpovědi. Jedním zdrojem by mohly být silniční meteorologické informační systémy (RWIS), které pravidelně zaznamenávají údaje o teplotě, viditelnosti a stavu vozovky v reálném čase. Ty jsou oblíbené zejména v Německu, Skandinávii a USA. Další zdroje dat mohou zahrnovat mapy, dopravní informace, infrastrukturu a senzory. „Odpovědí jsou data,“ říká Schneider, „a využití dat a jejich inteligentní kombinování.“

Strojové učení

Ale shromažďování všech těchto informací bez jasného účelu pravděpodobně nebude pro řidiče velkou pomocí. Přístup společnosti Continental spočívá v aplikaci strojového učení k využití těchto dat. Vývojáři začínají s daty „základní pravdy“ z RWIS nebo senzorů vozidel, což znamená stav silnic ve skutečnosti, které čistí, vylepšují a poté používají k trénování modelu strojového učení. Později je tento model ověřen, než do něj vývojáři zapojí další zdroje dat, jako jsou předpovědi počasí.

Výsledkem je umělá inteligence, které podle Schneidera dokáže předvídat podmínky na silnici. Podle Continentalu byla technologie v testech z velké části úspěšná. Vývojáři porovnávali jednu funkci AI – upozorňovat řidiče na nebezpečné podmínky – se skutečnými informacemi z RWIS na evropských silnicích a zjistili, že předpovědi byly přesné v 80,6 % případů. Scénáře, kdy předpovědi vedly k riziku pro řidiče, například pokud předpovídaly suchou vozovku, která se ukázala být namrzlá, se vyskytly pouze v 1,3 % případů.

Zpětná vazba pro vozidla

Kromě výstrah má systém dvě další hlavní funkce: přizpůsobit funkce hnacího ústrojí a podvozku nebezpečným podmínkám, například úpravou řízení pohybu nebo trakce, a zlepšit autonomní funkce a funkce ADAS (Advanced Driver Assistance Systems). Poslední bod je obzvláště důležitý, říká Schneider. „Vozidlo se musí rozhodnout, zda je silnice dostatečně bezpečná k řízení, aniž by byl řidič aktivní.“ Ale i když teplota klesne pod čtyři stupně Celsia, což je práh, při kterém může být autonomní řízení považováno za nebezpečné, a tudíž nedostupné, může být stále slunečno, vysoká viditelnost nebo může být silnice suchá. V testech provedených s blíže nespecifikovanou automobilkou Continental zjistil, že její technologie AI dokázala předvídat mokré nebo ledové podmínky s 93% přesností.

Přestože systém ještě není 100% přesný, tyto testy vykazují slibné známky. Pokud se autonomní vozidla mají stát realitou, pak budou muset automobilky, dodavatelé a vývojáři počítat s vlivem povětrnostních podmínek a integrovat do svých vozidel skutečná řešení. V případě neúspěchu se pravděpodobně pokrok v tomto segmentu zdrží.

 

Zdroj: automotiveworld.com