In de afgelopen tien jaar of minder was elke autofabrikant die u ontmoette enthousiast over de vooruitzichten dat zelfrijdende auto's de markt zouden overspoelen. Terwijl een paar grote autofabrikanten 'niet-helemaal autonome' voertuigen hebben gelanceerd die zichzelf over de snelweg kunnen rijden (uiteraard met een constant toezicht van de chauffeurs), is de autonome technologie niet gebeurd zoals experts dachten.
In 2019 waren er wereldwijd ongeveer 31 miljoen autonome voertuigen (enig niveau van autonomie) in operaties. Dit aantal zal naar verwachting groeien tot 54 miljoen in het jaar 2024. De trends laten zien dat de markt met 60% zou kunnen groeien ondanks een daling van 3% in 2020.
Hoewel er veel redenen zijn waarom zelfrijdende auto's veel later dan verwacht op de markt zouden kunnen komen, is een van de belangrijkste redenen het gebrek aan hoogwaardige trainingsgegevens in termen van volume, diversiteit en validatie. Maar waarom zijn trainingsgegevens belangrijk voor de ontwikkeling van autonome voertuigen?
Belang van trainingsgegevens voor autonome voertuigen
Autonome voertuigen zijn meer datagedreven en data-afhankelijk dan enige andere toepassing van AI. De kwaliteit van autonome voertuigsystemen hangt grotendeels af van het type, het volume en de diversiteit van de gebruikte trainingsgegevens.
Om ervoor te zorgen dat autonome voertuigen kunnen rijden met beperkte of geen menselijke interactie, moeten ze realtime stimuli op straat begrijpen, herkennen en ermee omgaan. Om dit te laten gebeuren, zijn verschillende neurale netwerken moeten samenwerken en de verzamelde gegevens van sensoren verwerken om veilige navigatie te bieden.
Hoe trainingsgegevens voor autonome voertuigen verkrijgen?
Een betrouwbaar AV-systeem wordt getraind op elk mogelijk scenario dat een voertuig in realtime kan tegenkomen. Het moet voorbereid zijn om objecten te herkennen en rekening te houden met omgevingsvariabelen om nauwkeurig voertuiggedrag te produceren. Maar het is een uitdaging om zulke grote hoeveelheden datasets te verzamelen om elke edge-case nauwkeurig aan te pakken.
Om het AV-systeem goed te trainen, worden video- en beeldannotatietechnieken gebruikt om objecten in een afbeelding te identificeren en te beschrijven. Trainingsgegevens worden verzameld met behulp van door de camera gegenereerde foto's, waarbij de afbeeldingen worden geïdentificeerd door ze nauwkeurig te categoriseren en te labelen.
Geannoteerde afbeeldingen helpen machine learning-systemen en computers te leren hoe ze de vereiste taken moeten uitvoeren. Contextuele zaken zoals de signalen, verkeersborden, voetgangers, weersomstandigheden, de afstand tussen voertuigen, diepte en andere relevante informatie worden verstrekt.
Verschillende eersteklas bedrijven bieden trainingsdatasets in verschillende afbeeldings- en video-annotatie formaten die ontwikkelaars kunnen gebruiken om AI-modellen te ontwikkelen.
Waar komen de trainingsgegevens vandaan?
Autonome voertuigen gebruiken verschillende sensoren en apparaten om de informatie rondom hun omgeving te verzamelen, te herkennen en te interpreteren. Er zijn verschillende gegevens en annotaties nodig om hoogwaardige AV-systemen te ontwikkelen die worden aangedreven door kunstmatige intelligentie.
Enkele van de gebruikte tools zijn:
Camera:
De camera's die op het voertuig aanwezig zijn, nemen 3D- en 2D-beelden en video's op
Radar:
Radar levert cruciale gegevens aan het voertuig met betrekking tot het volgen van objecten, detectie en bewegingsvoorspelling. Het helpt ook bij het bouwen van een gegevensrijke weergave van de dynamische omgeving.
LiDaR (lichtdetectie en bereik):
Om 2D-beelden in een 3D-ruimte nauwkeurig te interpreteren, is het van vitaal belang om LiDAR te gebruiken. LiDAR helpt bij het meten van diepte en afstand en nabijheidsdetectie met behulp van laser.
Aandachtspunt bij het verzamelen van trainingsgegevens voor autonome voertuigen
Het trainen van een zelfrijdend voertuig is geen eenmalige taak. Het vraagt om continue verbetering. Een volledig autonoom voertuig kan een veiliger alternatief zijn voor auto's zonder bestuurder die menselijke hulp nodig hebben. Maar hiervoor moet het systeem worden getraind op grote hoeveelheden diverse en hoogwaardige trainingsgegevens.
Volume en diversiteit
Een beter en betrouwbaarder systeem kan worden ontwikkeld wanneer u uw machine learning model op grote hoeveelheden verschillende datasets. Er is een datastrategie die nauwkeurig kan identificeren wanneer een dataset voldoende is en wanneer praktijkervaring vereist is.
Bepaalde aspecten van autorijden komen alleen voort uit praktijkervaring. Een autonoom voertuig moet bijvoorbeeld anticiperen op afwijkende real-world scenario's zoals afslaan zonder signalering of het tegenkomen van een voetganger die jaywalking tegenkomt.
Hoewel van hoge kwaliteit gegevens annotatie voor een groot deel helpt, is het ook aan te raden om gegevens in termen van volume en diversiteit te verwerven tijdens de opleiding en ervaring.
Hoge nauwkeurigheid bij annotaties
Uw modellen voor machine learning en deep learning moeten worden getraind op schone en nauwkeurige gegevens. autonoom rijdende auto's worden betrouwbaarder en registreren een hoge mate van nauwkeurigheid, maar ze moeten nog steeds van 95% nauwkeurigheid naar 99% gaan. Om dat te doen, moeten ze de weg beter waarnemen en de ongebruikelijke regels van menselijk gedrag begrijpen.
Het gebruik van annotatietechnieken voor kwaliteitsgegevens kan de nauwkeurigheid van het machine learning-model helpen verbeteren.
- Begin met het identificeren van hiaten en ongelijkheden in de informatiestroom en houd de vereisten voor gegevensetikettering up-to-date.
- Ontwikkel strategieën om real-world edge case-scenario's aan te pakken.
- Verbeter regelmatig het model en de kwaliteitsbenchmarks om de nieuwste trainingsdoelen weer te geven.
- Werk altijd samen met een betrouwbare en ervaren datatrainingspartner die de nieuwste etikettering en annotatie technieken en beste praktijken.
Mogelijke use-cases
Objectdetectie en -tracking
Er worden verschillende annotatietechnieken gebruikt om objecten zoals voetgangers, auto's, verkeerslichten en meer in een afbeelding te annoteren. Het helpt autonome voertuigen om dingen nauwkeuriger te detecteren en te volgen.
Nummerplaatdetectie
Met behulp van de begrenzingsvak-beeldannotatietechniek kunnen kentekenplaten eenvoudig worden gelokaliseerd en uit afbeeldingen van voertuigen worden gehaald.Semafoor analyseren
Nogmaals, met behulp van de begrenzingsdoostechniek kunnen signalen en uithangborden gemakkelijk worden geïdentificeerd en geannoteerd.
Voetgangersvolgsysteem
Voetgangers volgen wordt gedaan door de beweging van de voetganger in elk videoframe te volgen en te annoteren, zodat het autonome voertuig de bewegingen van voetgangers nauwkeurig kan lokaliseren.
Rijbaandifferentiatie
Rijbaandifferentiatie speelt een cruciale rol bij de ontwikkeling van autonome voertuigsystemen. In autonome voertuigen worden lijnen over rijstroken, straten en trottoirs getrokken met behulp van polylijnannotatie om nauwkeurige rijstrookdifferentiatie mogelijk te maken.
ADAS-systemen
Geavanceerde rijhulpsystemen helpen autonome voertuigen verkeersborden, voetgangers, andere auto's, parkeerhulp en botsingswaarschuwing te detecteren. Voor inschakelen computer visie in ADAS, moeten alle afbeeldingen van verkeersborden effectief worden geannoteerd om objecten en scenario's te herkennen en tijdig actie te ondernemen.
Bestuurdersbewakingssysteem / bewaking in de cabine
Monitoring in de cabine helpt ook de veiligheid van de inzittenden van het voertuig en anderen te waarborgen. Een camera die in de cabine is geplaatst, verzamelt essentiële bestuurdersinformatie, zoals slaperigheid, blikken in de ogen, afleiding, emotie en meer. Deze afbeeldingen in de cabine worden nauwkeurig geannoteerd en gebruikt voor het trainen van de machine learning-modellen.
Met behulp van de begrenzingsvak-beeldannotatietechniek kunnen kentekenplaten eenvoudig worden gelokaliseerd en uit afbeeldingen van voertuigen worden gehaald.Shaip is een vooraanstaand bedrijf voor gegevensannotaties en speelt een cruciale rol bij het leveren van hoogwaardige trainingsgegevens aan bedrijven voor het aandrijven van autonome voertuigsystemen. Ons afbeeldingslabels en nauwkeurigheid van annotaties hebben bijgedragen aan het bouwen van toonaangevende AI-producten in verschillende industriesegmenten, zoals de gezondheidszorg, de detailhandel en de auto-industrie.
We bieden grote hoeveelheden diverse trainingsdatasets voor al uw machine learning- en deep learning-modellen tegen concurrerende prijzen.
Bereid u voor om uw AI-projecten te transformeren met een betrouwbare en ervaren leverancier van trainingsgegevens.
