AI ved Rattet: Sådan driver kunstig intelligens udviklingen af autonome køretøjer

Mens for omkring 200 år siden var biler af høj kvalitet med unikke funktioner ubegribelige for den almindelige person, er vi kommet langt siden da, med elektriske og hybride køretøjer, der er blevet en daglig del af vores liv. 

I dag er autonome køretøjer (AV’er) i front inden for innovation i bilindustrien, som er trådt ind i mainstream med stor spektakel og forventninger. Men hvad er de, og hvordan ændrer de bilernes ansigt? Lad os se!

Et kig på automatisering i biler 

Autonome køretøjer (AV) er den type køretøjer, der bruger teknologi til delvist eller fuldstændigt at erstatte den menneskelige fører og kører selv til en forudbestemt destination i “autopilot”-tilstand. Samtidig reagerer disse AV’er på trafiksituationer, undgår vejfarer og giver større sikkerhed.

Forskellige typer af teknologier, der anvendes af disse køretøjer, inkluderer sensorer, laser, radar, adaptiv fartpilot, aktiv styring, antiblokeringsbremsesystemer og GPS-navigations‑teknologi.

Ifølge Society of Automotive Engineers (SAE) findes der seks niveauer af autonome køretøjer baseret på menneskelig indgriben. Denne klassifikation, som også anvendes af USAs National Highway Traffic Safety Administration (NHTSA), er som følger:

Niveau 0: Køretøjet har ingen kontrol over sin drift, og den menneskelige fører udfører al kørsel.
Niveau 1: Køretøjets avancerede førerassistentsystem (ADAS) kan støtte føreren med styring og bremsning.
Niveau 2: Køretøjets ADAS styrer acceleration og bremsning under visse forhold, men den menneskelige fører skal udføre nødvendige opgaver og holde fuld opmærksomhed på omgivelserne gennem hele turen.
Niveau 3: Køretøjets ADAS kan udføre alle dele af kørselsopgaven under visse forhold, men når det er nødvendigt, skal den menneskelige fører overtage kontrollen. Dette autonominiveau opnås i øjeblikket af AV’er.
Niveau 4: Det avancerede førerassistentsystem i køretøjet kan udføre alle opgaver uden behov for menneskelig opmærksomhed eller assistance under bestemte betingelser.
Niveau 5: ADAS i køretøjet kan udføre absolut alle kørselsrelaterede opgaver i alle forhold uden nogen førerassistance. På dette stadium er fuld automatisering opnået. 

Autonome køretøjer giver fordelene med bekvemmelighed og forbedret livskvalitet. Desuden kan fysisk handicappede og ældre opnå selvstændighed. Der er også potentiale for at reducere trafikpropper, sænke transportomkostninger, frigøre parkeringspladser og dramatisk reducere CO₂‑udledninger. 

Men på trods af al opsigten omkring autonome køretøjer har de endnu ikke opnået den succes, de blev forventet at få. Så hvad er problemet?

Udfordringer for autonome køretøjer

Autonome eller førerløse køretøjer har tiltrukket milliarder af dollars i investeringer i de seneste år, men der har været mange tilbageslag i lanceringen af AV’er samt forsinket kundeadoption. Lad os derfor se på nogle af de mest fremtrædende udfordringer, som disse køretøjer står overfor. 

Komplekst kørselsmiljø 

De systemer, som AV’er bruger til at spore vejskilte, trafiksignaler og bevægelse af objekter på vejen, er ikke fejlsikre. De fejler især i at forstå virkelige scenarier. 

For eksempel, hvis en flok fugle sidder på vejen, forstår menneskelige førere, at fuglene vil flyve væk, når køretøjet bevæger sig fremad, men AV’er vil enten stoppe unødvendigt eller bremse hårdt. AV’er fejler også i at opdage komplekse sociale interaktioner som håndbevægelser eller øjenkontakt fra en anden fører, der signalerer, at du kan fortsætte. 

Derudover kan AV’er på nuværende tidspunkt ikke opføre sig sikkert, når der ikke er vejskilte på vejen. Det betyder, at AV’er endnu ikke kan operere med maksimal nøjagtighed i enhver lokation i forskellige lande. 

Hvis en passager ønsker at besøge et sted, der ikke er inkluderet i kortsystemet, kan han også finde det meget svært, da AV’erne kan blive desorienterede. Dette kræver komplekse tredimensionelle (3D) rute‑kort for at guide køretøjet, hvilket er en tidskrævende proces, hvis man ønsker fuld dækning og nøjagtighed.

Dårligt vejr

En stor udfordring for AV’er er dårligt vejr. Disse køretøjer bruger et bredt udvalg af sensorer: kameraer til at se og identificere objekter, laser til at måle afstanden, og radar til at måle objektets hastighed og bevægelsesretning. 

Når data er indsamlet, træffer systemet en beslutning, men sne, tåge eller kraftig regn gør det svært for sensorerne at fungere korrekt. Således påvirker dårligt vejr nøjagtigheden af AV’ernes sansning negativt, hvilket kan gå ud over brugernes sikkerhed. Derudover er der problemer med kraftig nedbør og stoffer som vand, olie, is eller affald, der skjuler vejmarkeringerne.

Omkostninger

Et andet stort problem med AV’er er omkostningerne; sensorer som Lidar og radar er dyre. Derudover kæmper Lidar stadig med at finde den rette balance mellem rækkevidde og opløsning. Så dette rejser spørgsmålet: hvis flere AV’er kører på samme vej, forårsager deres lidar‑signaler gensidig interferens?  

Ansvar

Endnu et stort spørgsmål ved AV’er er ansvaret for ulykker; hvem er ansvarlig for ulykker forårsaget af AV’er? Dette vil blive endnu vigtigere i forhold til fuldt autonome niveau‑AV’er, som ikke har et rat, så en menneskelig fører kan tage kontrol i en nødsituation. Derudover er forsikring et andet uklart område for disse køretøjer.

Love & Regler

Selvom AV’er er ved at blive en del af mainstream, er lovgivning og regulering omkring dem stadig få og langt imellem. For nylig er den regulatoriske proces for AV’er i USA skiftet fra føderal vejledning til stat‑for‑stat krav. 

For at forhindre fremkomsten af “zombie‑biler”, har nogle stater endda foreslået en per‑mile skat på dem. Lovgivere har også udarbejdet lovforslag, der foreslår, at alle AV’er skal have en panikknap installeret. 

Cybersikkerhed 

Givet det stærkt forbundne transportsystem og udrulningen af 5G, er databeskyttelse og cybersikkerhed andre problemer med disse køretøjer. For eksempel, i 2015, Fiat Chrysler tilbagekaldte 1,4 millioner af sine køretøjer for at rette fejl, da de kunne blive hacket og fjernstyret. AV’er skal sikre, at de ikke kun overtræder forbrugerens databeskyttelse, men også beskytte data mod hackere. 

Infrastruktur 

For at bringe AV’er på vejen kræves massive investeringer i infrastruktur. AV’er har ofte brug for klare vognbanemærkninger, steder til at gemme data og et mere robust ladnetværk. Dette vil påvirke byens budget. Derfor er der behov for dialog om offentlige investeringer samt fællesskabs‑ og industrisamarbejde for at udvide den eksisterende infrastruktur.

AI baner vejen frem for autonome køretøjer

I lyset af alle disse udfordringer tager kunstig intelligens (AI) styringen og baner vejen frem for autonome køretøjer.

Sagen er, at bilindustrien har udviklet sig hurtigt i de senere år med fremkomsten af nye teknologier. AI er en sådan teknologi, der hjælper bilindustrien med at transformere. Grundlæggende handler AI om at gøre maskiner mere intelligente. Det indebærer simulering af menneskelig intelligens i maskiner for at få dem til at tænke og handle som os mennesker.

AI gør det muligt for køretøjer at genkende objekter, forudsige hvad der kan ske næste, endda reagere på uventede situationer, og være bedre end menneskelige førere i komplekse trafiksituationer. Ifølge Statista, forventes det globale marked for automotive AI at nå en størrelse på $74,5 mia. 

Ifølge NHTSA’s undersøgelse, forårsager menneskelige fejl som nedsat syn og hørelse omkring 93 % af vejulykkerne. Anvendelse af AI i AV’er i form af sensorer og algoritmer kan muliggøre sikrere og mere sikker transport, hvilket kan reducere antallet af ofre forårsaget af menneskelige fejl markant. AI’s evne til at lære miljøet og derefter tilpasse sig gør teknologien mere dygtig til at håndtere komplekse veje og situationer.

AI anvendes i AV’er på flere måder:

• Teknologien kan hjælpe AV’er med at forudsige andre føreres og fodgængeres adfærd ved at udstyre køretøjet med evnen til at anvende analyser, forudsige problemer og så forhindre dem i at ske.
• Ved at bruge maskinlæring, hvor en model trænes på mærkede datasæt for korrekt at mappe input til output, kan AI hjælpe AV’er med objektgenkendelse og modellering. Samtidig kan en model trænet på umærkede datasæt hjælpe med at opdage anomalier, forstå komplekse situationer og udtrække funktioner.
• AV’er er afhængige af sensorer som kameraer, Lidar, radar og ultrasoniske sensorer for at indhente information om deres omgivelser. Her kan AI‑algoritmer analysere disse data for at generere detaljerede kort, så AV’er kan træffe informerede beslutninger.
• Ved at udnytte Natural Language Processing (NLP) kan AV’er bruge stemmegenkendelse til at interagere med passagerer. På den måde kan AI hjælpe køretøjerne med at forstå menneskelige forespørgsler og svare effektivt. 
• Ved at muliggøre beslutninger på stedet baseret på real‑tidssensor‑data, hjælper AI AV’er med at afgøre, om den bedste reaktion er at bremse ned eller stoppe. Således hjælper AI AV’er i farlige situationer, hvor mennesker er tilbøjelige til at begå fejl. Teknologien gør det ved at analysere data fra alle sensorer. Den klarer sig faktisk meget bedre ved krydstrafikdetektion, aktiv overvågning af blinde vinkler, synkronisering med trafiklys og nødstyring af køretøjet.

Samlet set kan AI i AV’er hjælpe med at indsamle data i realtid, opdage og identificere objekter, optimere trajectorie, navigere vejforhold og forudsige fejl. Alle disse anvendelser af AI hjælper autonome køretøjer med at opnå reduceret trafik, accelereret energibesparelse, forbedret tilgængelighed, øget effektivitet og øget sikkerhed. 

Allerede er teknologien brugt af bilproducenter over hele verden. For eksempel, Teslas Autopilot kørte mere end 3 milliarder miles i denne tilstand i næsten et årti. Elon Musks Tesla udnytter sofistikerede AI‑algoritmer til præcis kontrol. 

Waymo er en anden, der bruger et AI‑baseret selvkørende system til kompleks ruteplanlægning og intelligente reaktioner på miljøet. Virksomheden har testet sine køretøjer ved at køre titusinder af milliarder af miles i simulation.

Daimlers digitale assistent, Audis R10 e‑tron SUV og Mercedes‑Benz’ EQR4 autonome kørselssystem er nogle andre eksempler. Andre store bidragydere til AI i AV’er inkluderer BMW, GM, Nissan, Uber, Volvo, Bosch, Mobileye, Valeo, Continental, Velodyne, Nvidia og Ford.

Klik her for at lære, hvordan 2023 var gennembrudsåret for AI, og hvad vi kan forvente fremadrettet. 

De vigtigste AI‑gennembrud inden for autonome køretøjer

2023 var et stort år for fremskridt inden for AI, som påvirkede alt fra kunst, finans, sundhedspleje og uddannelse til klimaændringer, forskning, finansiering og AV’er. Så lad os se på nogle af de vigtigste AI‑gennembrud i 2023 inden for det autonome køretøjsområde.

Senest har forskere fra Incheon National University (INU) i Korea udviklet et nyt end‑to‑end 3D‑objektdetekteringssystem, som er dyb‑læringsbaseret og IoT‑aktiveret. Dette system giver AV’er forbedrede detekteringsmuligheder, selv under ugunstige forhold. 

For at løse problemet med, at sensorer som kameraer, lidar’er og radarer er sårbare over for forhindringer, vejr og uorganiserede veje, tilpassede denne undersøgelse YOLOv3‑algoritmen (You Only Look Once) til at identificere 3D‑objekter ved at integrere IoT, da det muliggør udveksling af data mellem objekter over internettet. 

Det foreslåede system er designet til at behandle RGB‑billeder og point‑cloud‑data som input. Det udskriver derefter afgrænsningsbokse, der er vurderet og mærket for at identificere forhindringer. Systemet er dygtigt til at opdage en bred vifte af genstande og kan håndtere variationer i både skala og rotation.

Undersøgelsen testede systemet ved hjælp af Lyft‑datasættet og fandt, at det viste højere nøjagtighed og lavere latenstid. Ifølge holdet strækker systemets alsidighed sig ud over autonome køretøjer og har potentielle anvendelser inden for overvågning, robotteknik og spil.

Et andet projekt, Helm.ai, gjorde et AI‑gennembrud der forudsiger førerens intention og planlægger optimale ruter. Virksomheden, der udvikler AI‑software til automatisering af robotter og køretøjer, annoncerede, at dette vil gøre det muligt for Helm.ai at have skalerbare L2/L3‑ og L4‑implementeringer. 

Virksomhedens DNN‑baserede grundmodeller er trænet ved hjælp af deres proprietære teknologi, Deep Teaching, som udnytter rigtige kørselsdata til komplekse kørselsmiljøer. 

Nu analyserer deres model også omkringliggende køretøjer og fodgængere for præcist at forudsige deres sandsynlige handlinger i forskellige bymiljøer og, baseret på det, genererer den mest effektive og sikre rute for AV’erne. Platformen fungerer med forskellige hardware‑konfigurationer på en problemfri måde og muliggør effektiv træning og validering.

“Vores softwareplatform adresserer de kritiske opfattelsesudfordringer i bymiljøer og baner vejen for skalerbar udvikling og validering af AI‑drevet intention‑forudsigelse og ruteplanlægning.” 

– Vladislav Voroninski, Helm.ai’s CEO

I år har elbilspioneren Tesla også gjort fremskridt i sin Full Self‑Driving (FSD)‑software. Den seneste version, 12 (v12), bringer virksomheden et skridt tættere på at opnå Niveau 4 eller Niveau 5 autonomi med sine biler. 

I august demonstrerede Musk FSD v12, der kørte køretøjet autonomt og udførte opgaver som parallelparkering, overholdelse af trafiklys og navigation i rundkørsler. Hvad der adskiller denne version fra de tidligere er den store afhængighed af AI‑drevede selv‑trænings‑neuronale netværk. 

Det betyder, at i stedet for at kræve menneskelige programmører til at kode svar for forskellige kørsels‑scenarier, vil AI analysere enorme mængder data indsamlet fra Teslas køretøjer og derefter vælge den mest passende respons.

Denne udvikling bringer Tesla et skridt tættere på at nå sit brede mål om en robotaxi‑forretning, som, ifølge Ark Invest, selv i et bearish scenario, genererer $200 milliarder (over $600 milliarder i den mest optimistiske prognose) i årlig omsætning.

Tidligere i år kom et andet gennembrud for AV’er i form af et kamera‑billedsystem, HADAR, eller ‘heat‑assisted detection and ranging’. Forskere fra Michigan State University og Purdue University brugte AI til at udvikle HADAR, som fortolker varmesignaturer for at give detaljerede og skarpe billeder, mens den skærer igennem den optiske forstyrrelse. 

Deres AI‑model udnyttede maskin‑lærings‑algoritmer, der indsamler data fra kommercielle infrarøde kameraer for at genkende fysiske egenskaber ved objekter og deres omgivelser, så HADAR kan rekonstruere klare nat‑scener. 

Da systemet kan opdage termisk stråling, materialeformation og temperatur med stor succes, har det stort potentiale, herunder kontaktløs offentlig sikkerhedskontrol og endda at overvinde frygten for mørket. Dog har HADAR udfordringer i forhold til udstyrsomkostninger og behovet for real‑tid kalibrering.

Ford Motor Company har også oprettet et fuldt ejet datterselskab kaldet Latitude AI for at udvikle et hænder‑fri, øjen‑fri‑kørsel‑automatiseret system. Bilgiganten har allerede opnået over 50 millioner miles af hænder‑fri kørsel i sin Ford BlueCruise. 

Nu med Latitude er idéen at automatisere kørsel i trætte, stressende og ubehagelige tider som lange motorvejsstrækninger eller tæt trafik. Om automatiseret kørsel sagde Ford’s chief technology officer, Doug Field, at:

“Vi ser automatiseret køretøjsteknologi som en mulighed for at redefinere forholdet mellem mennesker og deres køretøjer.” 

Afsluttende tanker

Så som vi har set, afhængigt af hvor meget menneskelig hjælp der er nødvendig, falder autonome køretøjer ind under forskellige kategorier, dvs. automatisering til førerassistance, delvist automatiseret kørsel, højt automatiseret kørsel, fuldt automatiseret kørsel og fuldstændigt automatiseret køretøj. Med AI’s fremmarch er muligheden for, at AV’er endelig når deres endelige faser, tættere på end nogensinde.

Fremtiden for AI‑markedet i bilindustrien er klart lovende. Det stod på over $6 mia. i 2022 og forventes at vokse med en CAGR på 55 % inden 2032. 

Fremskridt inden for AI‑algoritmer, såsom sensor‑teknologier, beregningskraft og forudsigende vedligeholdelsesløsninger, vil yderligere hjælpe autonome køretøjer med at løse deres udfordringer og opnå mainstream‑adoption!

Klik her for at lære alt om investering i kunstig intelligens.