In de TUM onderzoekers hebben een nieuwe early warning system voor autonome voertuigen ontwikkelde dat met Kunstmatige intelligentie (AI) gebaseerd terugkerende neurale netwerken leert van duizenden echte verkeerssituaties. Met een nauwkeurigheid van meer dan 85 procent in de huidige zelfrijdende ontwikkelingsvoertuigen, kan het systeem al binnen 7 seconden waarschuwen voor een mogelijk kritieke situatie. Zelfs vandaag de dag kunnen zelfrijdende auto's dit niet alleen. TUM voerde het onderzoek samen met de BMW Group uit.
Inhoud van het onderzoeksrapport
Zo zelfrijdende auto's Veel ontwikkelaars vertrouwen op geavanceerde modellen waarmee de auto's het gedrag van alle deelnemers aan het wegverkeer kunnen inschatten. Er zijn echter complexe, onvoorziene situaties waarin dergelijke modellen momenteel nog niet voldoen.
6G-netwerk | Bidirectionele radioverbinding en Thz-ontvanger
Een team van Technische Universiteit van München (TUM) onder leiding van prof. Eckehard Steinbach, voorzitter van de leerstoel mediatechnologie en lid van de raad van bestuur van de Munich School of Robotics and Machine Intelligence (MSRM) bij TUM. Kunstmatige intelligentie stelt uw systeem in staat om te leren van eerdere situaties waarin autonome testvoertuigen hun systeemlimieten bereikten in het echte verkeer. In dergelijke situaties nemen mensen de auto weer in handen omdat ze hiertoe om veiligheidsredenen hebben besloten of de auto hen heeft gevraagd in te grijpen.
De nieuwe technologie overwint Camera's en sensoren het milieu en registreert de voertuig- en omgevingsconditie. Dit kan de positie van het stuur zijn, de staat van de weg, het weer of snelheid en zicht. De AI, gebaseerd op recurrent neurale netwerken (RNN), leert patronen te herkennen uit deze data. Als de technologie een patroon herkent in een nieuwe rijsituatie, die in het verleden de geautomatiseerde besturing onder deze omstandigheden al overweldigde, waarschuwt ze dankzij de AI de bestuurder vroegtijdig voor de mogelijk kritieke situatie.
Zelfrijdende auto's vanuit het perspectief van een autoleverancier
“Om voertuigen meer autonoom te maken, onderzoeken veel van de eerdere methoden wat de auto's tot nu toe hebben begrepen over het verkeer en vervolgens verbeteren ze de modellen waarop de auto's zijn gebaseerd. Het grote voordeel van onze technologie is dat we de mening van de auto volledig negeren en in plaats daarvan puur kijken naar de gegevens van wat er werkelijk gebeurt en patronen vinden ”, zegt Professor Steinbach “Op deze manier ontdekt de AI ook potentieel kritieke situaties die mogelijk niet of nog niet herkend zijn in modellen. Ons systeem biedt daarmee een veiligheidsfunctie die weet wanneer en waar de auto's zwak zijn. "
De onderzoekers kregen de technologie mee BMW en hun geautomatiseerde ontwikkelingsvoertuigen werden op de openbare weg getest. Er werden ongeveer 2500 situaties geëvalueerd waarin de chauffeurs moesten ingrijpen. De studie vond een 85% nauwkeurige voorspelling van potentieel kritieke situaties tot 7 seconden voordat ze zich voordeden.
Zelfrijdende auto's met Continental | Nvidia-supercomputer
Er is een grote hoeveelheid gegevens nodig om de technologie te laten werken. Alleen dan kan AI dan ervaringen met de systeemgrens herkennen en voorspellen die al zijn gemaakt. Gezien het grote aantal ontwikkelingsvoertuigen zouden gegevens vrijwel automatisch worden gegenereerd. Studie auteur Christoffel Kuhn zegt: “Elke keer dat zich tijdens testritten een potentieel kritieke situatie voordoet, verliezen we een nieuw trainingsvoorbeeld.” Door de centrale opslag van de data kan elk voertuig leren van de records van het hele wagenpark.
Algemene technische kennis
Wat zijn terugkerende neurale netwerken?
Terugkerende neurale netwerken (RNN) zijn neurale netwerken waarin neuronen van dezelfde laag of neuronen van verschillende lagen feedback geven. RNN's lijken meer op het neuroncircuit van het menselijk brein dan op de feedforwad-netwerken. Dankzij de feedback kan tijdgecodeerde informatie in de gegevens worden verkregen. Voorbeelden van terugkerende neurale netwerken zijn het Jordan-netwerk, het Elman-netwerk, het Hopfield-netwerk en het volledig onderling verbonden neurale netwerk.