AI i rattet: Hvordan kunstig intelligens driver utviklingen av autonome kjøretøy

For omtrent 200 år siden var høykvalitets kjøretøy med unike funksjoner utenkelig for en vanlig person, men vi har kommet langt siden da, med elektriske og hybride kjøretøy som blir en daglig del av livene våre. 

I dag leder autonome kjøretøy (AV) innovasjonen innen bilindustrien som har kommet inn i mainstream med mye spektakel og forventninger. Men hva er det, og hvordan endrer de bilens ansikt? La oss se!

Et blikk på automatisering i biler 

Autonome kjøretøy (AV) er en type kjøretøy som bruker teknologi til delvis eller fullstendig å erstatte den menneskelige sjåføren og kjører seg selv til en forhåndsbestemt destinasjon i «autopilot»-modus. Samtidig reagerer disse AV-ene på trafikkforhold, unngår veihindringer og gir økt sikkerhet.

Ulike typer teknologi som brukes av disse kjøretøyene inkluderer sensorer, laser, radar, adaptiv cruisekontroll, aktiv styring, antispinn-bremse (ABS) og GPS-navigasjonsteknologi.

Ifølge Society of Automotive Engineers (SAE) finnes det seks nivåer av autonome kjøretøy basert på menneskelig inngripen. Denne klassifiseringen, som også brukes av USAs National Highway Traffic Safety Administration (NHTSA), er som følger:

Level 0: Kjøretøyet har ingen kontroll over driften, med den menneskelige sjåføren som gjør all kjøring.
Level 1: Kjøretøyets avanserte førerassistansesystem (ADAS) har muligheten til å støtte sjåføren med styring og bremsing.
Level 2: Kjøretøyets ADAS overvåker akselerasjon og bremsing under noen forhold, selv om den menneskelige sjåføren må utføre nødvendige oppgaver og holde full oppmerksomhet på omgivelsene gjennom hele reisen.
Level 3: Kjøretøyets ADAS kan utføre alle deler av kjøreoppgaven under noen forhold, men når det er nødvendig må den menneskelige sjåføren ta kontroll. Dette nivået av autonomi oppnås i dag av AV-er.
Level 4: Det avanserte førerassistansesystemet i kjøretøyet kan utføre alle oppgaver uten behov for menneskelig oppmerksomhet eller assistanse under visse forhold.
Level 5: ADAS i kjøretøyet kan utføre absolutt alle oppgaver knyttet til kjøring under alle forhold uten behov for førerassistanse. På dette stadiet er full automatisering oppnådd. 

Autonome kjøretøy gir fordelen med bekvemmelighet og forbedret livskvalitet. Dessuten kan fysisk funksjonshemmede og eldre oppnå selvstendighet. Det er også potensial for å redusere trafikkbelastning, kutte transportkostnader, frigjøre parkeringsplasser og dramatisk senke CO₂-utslipp. 

Imidlertid, til tross for all oppstyr rundt autonome kjøretøy, har de ennå ikke oppnådd den suksessen de ble forventet. Så hva er problemet her?

Utfordringer som autonome kjøretøy står overfor

Autonome eller førerløse kjøretøy har tiltrukket milliarder av dollar i investeringer de siste årene, men det har vært mange tilbakeslag i lanseringen av AV-er samt forsinket kundeadopsjon. Så la oss se på noen av de mest fremtredende utfordringene disse kjøretøyene står overfor. 

Kompleks kjøremiljø 

Systemene som AV-er bruker for å spore veiskilt, trafikklys og bevegelsen av objekter på veien er ikke idiotsikre. De mislykkes spesielt i å forstå virkelige situasjoner. 

For eksempel, hvis en flokk med fugler sitter på veien, forstår menneskelige sjåfører at fuglene vil fly bort når kjøretøyet beveger seg fremover, men AV-er vil enten stoppe unødvendig eller bremse hardt. AV-er mislykkes også i å oppdage komplekse sosiale interaksjoner som håndbevegelser eller øyekontakt fra en annen sjåfør som signaliserer deg å gå videre. 

For ikke å nevne at AV-er foreløpig ikke kan oppføre seg trygt når det ikke finnes trafikkskilt på veien. Dette betyr at AV-er ennå ikke kan operere med maksimal nøyaktighet i noen lokasjon i ulike land. 

Hvis en passasjer ønsker å besøke en lokasjon som ikke er inkludert i kartsystemet, kan det også bli svært vanskelig ettersom AV-ene kan bli desorienterte. Dette krever komplekse tredimensjonale (3D) rutekart for å veilede kjøretøyet, noe som er en tidkrevende prosess dersom man vil oppnå dekning og nøyaktighet.

Dårlig vær

En stor utfordring for AV-er er dårlig vær. Disse kjøretøyene bruker et bredt spekter av sensorer: kameraer for å se og identifisere objektet, laser for å spore avstanden til det, og radar for å måle objektets hastighet og bevegelsesretning. 

Når data er samlet inn, tar systemet en beslutning, men snø, tåke eller kraftig regn gjør det vanskelig for sensorene å fungere korrekt. Således påvirker dårlig vær negativt nøyaktigheten til AV-ens sansingskapasitet, noe som kan gå på bekostning av brukersikkerheten. I tillegg er det problemer med kraftig nedbør og stoffer som vann, olje, is eller rusk som skjuler kjørefeltmarkeringene.

Kostnad

Et annet stort problem med AV-er er kostnad; sensorer som brukes av disse kjøretøyene, som Lidar og radar, er dyre. I tillegg prøver Lidar fortsatt å finne riktig balanse mellom rekkevidde og oppløsning. Dette reiser spørsmålet: hvis flere AV-er kjører på samme vei, forårsaker deres lidar-signaler interferens med hverandre?  

Ansvar

Enda et stort spørsmål med AV-er er ansvar ved ulykker; hvem er ansvarlig for ulykker forårsaket av AV-er? Dette vil bli enda viktigere for fullt autonome nivå-AV-er som ikke har ratt for at et menneske kan ta kontroll over kjøretøyet i en nødsituasjon. Deretter er det forsikring, som er et annet uklart område for disse kjøretøyene.

Lover og forskrifter

Til tross for at AV-er har kommet inn i mainstream, er lover og forskrifter rundt dem fortsatt få og spredte. Nylig har den regulatoriske prosessen for AV-er i USA skiftet fra føderal veiledning til statlige pålegg. 

For å forhindre fremveksten av «zombie‑biler», har noen stater til og med foreslått en per‑mil skatt på dem. Lovgivere har også skrevet lovforslag som krever at alle AV-er må ha en panikk‑knapp installert. 

Cybersikkerhet 

Gitt det høyt tilkoblede transportsystemet og utrullingen av 5G, er dataprivatliv og cybersikkerhet også problemer med disse kjøretøyene. For eksempel, i 2015, Fiat Chrysler rekallerte 1,4 millioner av sine kjøretøy for å fikse feil som kunne bli hacket og fjernstyrt. AV-er må sikre at de ikke bare ikke krenker forbrukerens dataprivatliv, men også beskytter dataene mot hackere. 

Infrastruktur 

For å få AV-er på veien, må massive investeringer gjøres i infrastruktur. AV-er trenger ofte tydelige kjørefeltmarkeringer, lagringsplasser for data, og et mer robust ladningsnettverk. Dette vil påvirke byens budsjett. Derfor må det være dialog om offentlige investeringer samt samfunns- og industrinærvær for å utvide eksisterende infrastruktur.

AI baner vei for autonome kjøretøy

I møte med alle disse utfordringene tar kunstig intelligens (AI) ledelsen og baner vei for autonome kjøretøy.

Saken er at bilindustrien har utviklet seg raskt de siste årene med fremkomsten av ny teknologi. AI er en slik teknologi som hjelper bilindustrien med å transformere. I hovedsak handler AI om å gjøre maskiner smartere. Det innebærer simulering av menneskelig intelligens i maskiner for å få dem til å tenke og handle som oss mennesker.

AI gjør det mulig for kjøretøy å gjenkjenne objekter, forutsi hva som kan skje neste, til og med reagere på uventede situasjoner, og være bedre enn menneskelige sjåfører i komplekse trafikkforhold. Ifølge Statista, forventes det globale markedet for bil‑AI å nå en markedsstørrelse på 74,5 milliarder dollar. 

I henhold til NHTSA‑studien er menneskelige feil som nedsatt syn og hørsel ansvarlige for omtrent 93 % av veitrafikkulykker. Å bruke AI i AV-er i form av sensorer og algoritmer kan gi tryggere og sikrere transportmidler, noe som kan redusere antall ofre betydelig som følge av menneskelige feil. AI‑evnen til å lære om miljøet og deretter tilpasse seg gjør teknologien mer dyktig i håndtering av komplekse veier og situasjoner.

AI brukes i AV-er på flere måter:

• Teknologien kan hjelpe AV-er med å forutsi oppførselen til andre sjåfører og fotgjengere ved å utstyre kjøretøyet med evnen til å bruke analyse, forutsi problemer og deretter forhindre at de oppstår.
• Ved å bruke maskinlæring, der en modell trenes på merkede datasett for å korrekt kartlegge innganger til utganger, kan AI hjelpe AV-er med objektgjenkjenning og modellering. Samtidig kan en modell trent på umerkede datasett hjelpe AV-er med avviksdeteksjon, forstå komplekse situasjoner og funksjonsuttrekk.
• AV-er er avhengige av sensorer som kameraer, Lidar, radar og ultrasoniske sensorer for å innhente informasjon om omgivelsene. Her kan AI‑algoritmer analysere disse dataene for å generere detaljerte kart, slik at AV-er kan ta informerte beslutninger.
• Ved å utnytte naturlig språkbehandling (NLP) kan AV-er bruke stemmegjenkjenning for å samhandle med passasjerer. På denne måten kan AI hjelpe kjøretøyene med å forstå menneskelige forespørsler og svare effektivt.
• Ved å muliggjøre beslutninger på stedet basert på sanntids sensor­data, hjelper AI AV-er med å avgjøre om den beste responsen er å bremse ned eller stoppe. På denne måten hjelper AI AV-er i farlige situasjoner hvor mennesker er tilbøyelige til å gjøre feil. Teknologien gjør dette ved å analysere datastrømmer fra sine sensorer. Den presterer faktisk mye bedre i kryss‑trafikksdeteksjon, aktiv overvåking av blindsoner, synkronisering med trafikklys, og nødstyring av kjøretøyet.

Alt i alt kan AI i AV-er hjelpe med å samle data i sanntid, oppdage og identifisere objekter, optimalisere trajektorie, navigere veiforhold, og forutsi feil. Alle disse AI‑bruksområdene hjelper autonome kjøretøy med å oppnå redusert trafikk, akselerert energisparing, forbedret tilgjengelighet, økt effektivitet og økt sikkerhet. 

Allerede blir teknologien brukt av bilprodusenter over hele verden. For eksempel, Teslas Autopilot kjørte mer enn 3 milliarder mil i denne modusen i nesten et tiår. Elon Musks Tesla (TSLA ) utnytter sofistikerte AI‑algoritmer for nøyaktig kontroll. 

Waymo er en annen som bruker et AI‑basert selvkjørende system for kompleks ruteplanlegging og intelligente reaksjoner på omgivelsene. Selskapet har testet sine kjøretøy ved å kjøre titalls milliarder av mil i simulering.

Daimlers digitale assistent, Audis R10 e‑tron SUV, og Mercedes‑Benz’ EQR4 autonome kjøresystem er noen andre eksempler. Andre store bidragsytere til AI i AV-er inkluderer BMW, GM, Nissan, Uber, Volvo, Bosch, Mobileye, Valeo, Continental, Velodyne, Nvidia (NVDA ) og Ford.

Klikk her for å lære hvordan 2023 var gjennombruddsåret for AI og hva vi kan forvente fremover. 

Viktigste AI‑gjennombrudd innen autonome kjøretøy

2023 var et flott år for fremskritt innen AI, som påvirket alt fra kunst, finans, helsevesen og utdanning til klimaendringer, forskning, finansiering og AV-er. Så la oss se på noen av de viktigste AI‑gjennombruddene i 2023 innen det autonome kjøretøyområdet.

Nylig utviklet forskere fra Sør‑Koreas Incheon National University (INU) et nytt ende‑til‑ende 3D‑objektdeteksjonssystem, som er basert på dyp læring og IoT‑aktivert. Dette systemet gir AV-er forbedrede deteksjonsmuligheter, selv under ugunstige forhold. 

For å takle vanskeligheten med at sensorer som kameraer, lidar og radar er sårbare for hindringer, vær og uorganiserte veier, tilpasset denne studien YOLOv3‑algoritmen (You Only Look Once) for å identifisere 3D‑objekter ved å innlemme IoT, som gjør at objekter kan utveksle data og kommunisere over internett. 

Det foreslåtte systemet er designet for å behandle RGB‑bilder og punkt‑sky‑data som innganger. Det produserer deretter avgrensningsbokser som er vurdert og merket for å identifisere hindringer. Systemet er dyktig til å oppdage et mangfold av objekter og kan håndtere variasjoner i både skala og rotasjon.

Studien testet systemet ved bruk av Lyft‑datasettet og fant at det viste høyere nøyaktighet og lavere latens. Ifølge teamet strekker allsidigheten til det foreslåtte systemet seg utover autonome kjøretøy, med potensielle anvendelser innen overvåkning, robotikk og spill.

Et annet prosjekt, Helm.ai, gjorde et AI‑gjennombrudd som forutsier førerens intensjon og planlegger optimale ruter. Selskapet som lager AI‑programvare for automatisering av roboter og kjøretøy kunngjorde at dette vil tillate Helm.ai å ha skalerbare L2/L3‑ og L4‑utplasseringer. 

Selskapets DNN‑baserte grunnmodeller er trent ved hjelp av deres proprietære teknologi, Deep Teaching, som bruker ekte kjøredata for komplekse kjøremiljøer. 

Nå analyserer modellen også omkringliggende kjøretøy og fotgjengere for nøyaktig å forutsi deres sannsynlige handlinger i ulike urbane situasjoner, og basert på dette genererer den den mest effektive og sikre ruten for AV-ene. Selskapets plattform fungerer sømløst med ulike maskinvarekonfigurasjoner og muliggjør effektiv trening og validering.

“Vår programvareplattform adresserer de kritiske persepsjonsutfordringene i urbane miljøer, og baner vei for skalerbar utvikling og validering av AI‑drevet intensjonsforutsigelse og ruteplanlegging.” 

– Vladislav Voroninski, administrerende direktør i Helm.ai

I år har elbilpioneren Tesla også gjort fremskritt i sin Full Self‑Driving (FSD)-programvare. Den nyeste versjonen, 12 (v12), gjør at selskapet kommer ett skritt nærmere å oppnå nivå 4 eller nivå 5 autonomi med sine biler. 

I august demonstrerte Musk FSD v12 som kjørte kjøretøyet autonomt og utførte oppgaver som parallellparkering, overholdelse av trafikklys og navigering i rundkjøringer. Det som skiller denne versjonen fra de tidligere, er den sterke avhengigheten av AI‑drevne selv‑trenende nevrale nettverk. 

Dette betyr at i stedet for å kreve at menneskelige programmerere hardkoder svar for ulike kjørescenarier, vil AI analysere store mengder data samlet inn fra Teslas kjøretøy og deretter velge den mest passende responsen.

Denne utviklingen bringer Tesla ett skritt nærmere å oppnå sitt brede mål om en robotaxi‑virksomhet, som, ifølge Ark Invest, selv i et bearish scenario, genererer 200 milliarder dollar (over 600 milliarder dollar i sin mest optimistiske prognose) i årlig inntekt.

Tidligere i år kom et annet gjennombrudd for AV-er i form av et kamera‑avbildningssystem, HADAR, eller ‘heat‑assisted detection and ranging’. Forskere fra Michigan State University og Purdue University benyttet AI for å utvikle HADAR, som tolker varmesignaturer for å gi detaljerte og skarpe bilder mens den skjærer gjennom optisk støy. 

Deres AI‑modell utnyttet maskinlæringsalgoritmer som samler data fra kommersielle infrarøde kameraer for å gjenkjenne fysiske egenskaper ved objekter og deres omgivelser, noe som gjør at HADAR kan rekonstruere klare nattscener.

Ettersom systemet kan oppdage termiske strålingsmønstre, materialdannelse og temperatur med stor suksess, har det enormt potensial, inkludert kontaktløse offentlige sikkerhetskontroller og til og med å overvinne frykten for mørket. Imidlertid har HADAR utfordringer knyttet til utstyrskostnader og behovet for sanntidskalibrering.

Ford Motor Company (F ) opprettet også et heleid datterselskap kalt Latitude AI for å utvikle et hendelsesfritt, øyefritt automatisert kjøresystem. Bilgiganten har allerede over 50 millioner mil med hendelsesfri kjøring i sin Ford BlueCruise.

Nå, med Latitude, er idéen å automatisere kjøring i kjedelige, stressende og ubehagelige situasjoner som lange motorveistrekninger eller kø på vei. Når det gjelder automatisert kjøring, sa Fords teknologidirektør, Doug Field:

“Vi ser automatisert kjøretøyteknologi som en mulighet til å redefinere forholdet mellom mennesker og deres kjøretøy.” 

Avsluttende tanker

Så, som vi har sett, avhenger av nivået av menneskelig hjelp som kreves, autonome kjøretøy faller inn i ulike kategorier, nemlig automatisering for førerassistanse, delvis automatisert kjøring, høyt automatisert kjøring, fullt automatisert kjøring og helt automatisert kjøretøy. Med AI‑ens ankomst er muligheten for at AV-er endelig når sine siste stadier nærmere enn noen gang.

Fremtiden for AI‑markedet i bilindustrien er tydelig lovende. Det lå på over 6 milliarder dollar i 2022 og forventes å vokse med en CAGR på 55 % innen 2032. 

Fremskritt innen AI‑algoritmer, som sensorteknologier, datakraft og prediktive vedlikeholdsløsninger, vil ytterligere hjelpe autonome kjøretøy med å takle sine utfordringer og oppnå mainstream‑adopsjon!

Klikk her for å lære alt om investering i kunstig intelligens.