AI vid ratten: Hur artificiell intelligens driver utvecklingen av autonoma fordon

För ungefär 200 år sedan var högkvalitativa fordon med unika funktioner otänkbara för en vanlig person, men vi har kommit långt sedan dess, med el‑ och hybridfordon som blir en daglig del av våra liv. 

Idag leder autonoma fordon (AV) innovationen inom bilindustrin som har gått in i mainstream med stor spektakel och förväntningar. Men vad är det, och hur förändrar de bilarnas ansikte? Låt oss se!

En titt på automation i bilar 

Autonoma fordon (AV) är fordon som använder teknik för att delvis eller helt ersätta den mänskliga föraren och köra sig själva till en förutbestämd destination i ”autopilot”-läge. Samtidigt svarar dessa AV på trafikförhållanden, undviker väghinder och ger ökad säkerhet.

Olika typer av teknik som används av dessa fordon inkluderar sensorer, laser, radar, adaptiv farthållare, aktiv styrning, anti‑låsningsbromssystem och GPS‑navigeringsteknik.

Enligt Society of Automotive Engineers (SAE) finns det sex nivåer av autonoma fordon baserat på mänsklig inblandning. Denna klassificering, som också används av US National Highway Traffic Safety Administration (NHTSA), är som följer:

Nivå 0: Fordonet har ingen kontroll över sin drift, den mänskliga föraren gör allt körande. Nivå 1: Fordonets avancerade förarassistanssystem (ADAS) kan stödja föraren med styrning och bromsning. Nivå 2: Fordonets ADAS övervakar acceleration och bromsning i vissa förhållanden, men den mänskliga föraren måste utföra nödvändiga uppgifter och hålla full uppmärksamhet på omgivningen under hela resan. Nivå 3: Fordonets ADAS kan utföra alla delar av köruppgiften i vissa förhållanden, men när det behövs måste den mänskliga föraren ta kontroll. Denna nivå av autonomi uppnås för närvarande av AV. Nivå 4: Fordonets avancerade förarassistanssystem kan utföra alla uppgifter utan mänsklig uppmärksamhet eller hjälp i vissa förhållanden. Nivå 5: Fordonets ADAS kan utföra alla körrelaterade uppgifter i alla förhållanden utan någon mänsklig assistans. I detta skede är full automatisering uppnådd. 

Autonoma fordon erbjuder fördelar som bekvämlighet och förbättrad livskvalitet. Dessutom kan fysiskt funktionshindrade och äldre få ökad självständighet. Det finns också potential att minska trafikstockningar, sänka transportkostnader, frigöra parkeringsplatser och dramatiskt minska CO₂‑utsläpp. 

Trots all uppståndelse kring autonoma fordon har de ännu inte uppnått den framgång som förväntades. Så vad är problemet?

Utmaningar för autonoma fordon

Autonoma eller förarlösa fordon har lockat miljarder dollar i investeringar de senaste åren, men det har också funnits många motgångar i lanseringar av AV samt fördröjd kundacceptans. Låt oss därför titta på några av de mest framträdande utmaningarna dessa fordon står inför. 

Komplex körmiljö 

Systemen som AV använder för att spåra vägmärken, trafiksignaler och rörelsen av objekt på vägen är inte idiotsäkra. De misslyckas särskilt med att förstå verkliga scenarier.

Till exempel, om en flock fåglar sitter på vägen, förstår mänskliga förare att fåglarna flyger iväg när fordonet rör sig framåt, men AV kan antingen stanna onödigt eller bromsa kraftigt. AV misslyckas också med att upptäcka komplexa sociala interaktioner som en annan förares handrörelse eller ögonkontakt som signalerar att du kan köra vidare.

Inte att förglömma, AV kan för närvarande inte agera säkert när det saknas vägmärken på vägen. Detta betyder att AV ännu inte kan operera med maximal precision på alla platser i olika länder.

Om en passagerare vill besöka en plats som inte finns i kartsystemet kan det också bli mycket svårt eftersom AV kan bli desorienterade. Detta kräver komplexa tredimensionella (3D) ruttkartor för att vägleda fordonet, vilket är en tidskrävande process om man vill uppnå täckning och noggrannhet.

Dåligt väder

En stor utmaning för AV är dåligt väder. Dessa fordon använder ett brett spektrum av sensorer: kameror för att se och identifiera objekt, laser för att spåra avståndet, och radar för att mäta objektets hastighet och rörelsens riktning.

När data har samlats gör systemet ett beslut, men snö, dimma eller kraftigt regn gör det svårt för sensorerna att fungera korrekt. Således påverkar ogynnsamt väder negativt AV:s sensorernas noggrannhet, vilket kan äventyra användarsäkerheten. Dessutom kan kraftig nederbörd och ämnen som vatten, olja, is eller skräp dölja körfältmarkeringarna.

Kostnad

En annan stor fråga med AV är kostnaden; sensorer som Lidar och radar är dyra. Dessutom försöker Lidar fortfarande hitta rätt balans mellan räckvidd och upplösning. Så frågan blir: om flera AV kör på samma väg, hindrar deras lidar‑signaler varandra?

Ansvar

Ytterligare en stor fråga med AV är ansvar vid olyckor; vem är ansvarig för olyckor som orsakas av AV? Detta blir ännu viktigare för helt autonoma fordon som saknar ratt för en människa att ta kontroll i en nödsituation. Dessutom finns försäkring, vilket är ett annat oklart område för dessa fordon.

Lagar & regleringar

Trots att AV har kommit in i mainstream är lagar och regleringar kring dem fortfarande få och utspridda. På senare tid har den regulatoriska processen för AV i USA skiftat från federala riktlinjer till delstats‑för‑delstat‑mandat.

För att förhindra uppkomsten av ”zombie‑bilar” har vissa delstater till och med föreslagit en per‑mile‑skatt på dem. Lagstiftare har också skrivit lagförslag som föreslår att alla AV måste ha en panikknapp installerad.

Cybersecurity 

Med tanke på det starkt uppkopplade transportsystemet och utrullningen av 5G är dataskydd och cybersäkerhet andra problem med dessa fordon. Till exempel, 2015 återkallade Fiat Chrysler 1,4 miljoner av sina fordon för att åtgärda buggar eftersom de kunde hackas och fjärrstyras. AV måste säkerställa att de inte bara respekterar konsumentens dataskydd utan också skyddar data från hackare. 

Infrastructure 

För att få AV på vägarna krävs massiva investeringar i infrastruktur. AV behöver ofta tydliga körfältmarkeringar, platser för att lagra data och ett mer robust laddningsnätverk. Detta påverkar stadens budget. Därför behövs dialog för offentliga investeringar samt samhälls‑ och industrisamarbeten för att expandera befintlig infrastruktur.

AI banar vägen framåt för autonoma fordon

I mötet med alla dessa utmaningar tar artificiell intelligens (AI) kommandot och banar vägen framåt för autonoma fordon.

Saken är att bilindustrin har utvecklats snabbt de senaste åren med nya teknologiers framväxt. AI är en sådan teknik som hjälper bilindustrin att transformeras. I grund och botten handlar AI om att göra maskiner mer intelligenta. Det innebär simulering av mänsklig intelligens i maskiner för att få dem att tänka och agera som vi människor.

AI gör det möjligt för fordon att känna igen objekt, förutsäga vad som kan hända härnäst, till och med reagera på oväntade situationer, och vara bättre än mänskliga förare i komplexa trafikförhållanden. Enligt Statista, förväntas den globala marknaden för automotive AI nå en storlek på 74,5 miljarder dollar.

Enligt NHTSA:s studie, orsakar mänskliga fel som nedsatt syn och hörsel cirka 93 % av väglolyckorna. Genom att använda AI i AV i form av sensorer och algoritmer kan man möjliggöra säkrare och mer pålitliga transportsätt, vilket kan minska antalet offer som orsakas av mänskliga fel avsevärt. AI:s förmåga att lära sig miljön och sedan anpassa sig gör tekniken mer kompetent i att hantera komplexa vägar och situationer.

AI används i AV på flera sätt:

• Tekniken kan hjälpa AV att förutsäga andra förares och fotgängares beteende genom att utrusta fordonet med förmågan att använda analys, förutse problem och sedan förhindra dem.
• Genom maskininlärning, där en modell tränas på märkta dataset för att korrekt mappa indata till utdata, kan AI hjälpa AV med objektigenkänning och modellering. En modell tränad på omärkta dataset kan hjälpa AV med avvikelsedetektion, förstå komplexa situationer och extrahera funktioner.
• AV förlitar sig på sensorer som kameror, Lidar, radar och ultraljudssensorer för att samla information om omgivningen. Här kan AI‑algoritmer analysera dessa data för att skapa detaljerade kartor, vilket möjliggör informerade beslut för AV.
• Genom att utnyttja Natural Language Processing (NLP) kan AV använda röstigenkänning för att interagera med passagerare. På så sätt kan AI hjälpa fordon att förstå mänskliga frågor och svara effektivt. 
• Genom att möjliggöra beslut på plats baserat på realtidsdata från sensorer hjälper AI AV att avgöra om den bästa responsen är att sakta ner eller stanna. Detta hjälper AV i farliga situationer där människor är benägna att göra fel. Tekniken gör detta genom att analysera dataflöden från sina sensorer. Den presterar faktiskt mycket bättre vid korsande trafikdetektion, aktiv övervakning av döda vinklar, synkronisering med trafiksignaler och nödstyrning av fordonet.

Sammanfattningsvis kan AI i AV hjälpa till att samla data i realtid, upptäcka och identifiera objekt, optimera bana, navigera vägförhållanden och förutsäga fel. Alla dessa AI‑användningsområden hjälper autonoma fordon att minska trafik, spara energi, förbättra tillgänglighet, öka effektivitet och öka säkerheten. 

Tekniken används redan av biltillverkare världen över. Till exempel har Teslas Autopilot kört mer än 3 miljarder mil i detta läge under nästan ett decennium. Elon Musks Tesla (TSLA ) utnyttjar sofistikerade AI‑algoritmer för exakt kontroll. 

Waymo är ett annat företag som använder ett AI‑baserat självkörande system för komplex ruttplanering och intelligenta reaktioner på sin omgivning. Företaget har testat sina fordon genom att köra tiotals miljarder mil i simulering.

Daimlers digitala assistent, Audis R10 e‑tron SUV och Mercedes‑Benzs EQR4‑autonoma körsystem är några andra exempel. Andra stora bidragsgivare till AI i AV inkluderar BMW, GM, Nissan, Uber, Volvo, Bosch, Mobileye, Valeo, Continental, Velodyne, Nvidia (NVDA ) och Ford.

Klicka här för att lära dig hur 2023 var genombrottsåret för AI och vad vi kan förvänta oss framöver. 

De viktigaste AI‑genombrotten inom det autonoma fordon‑området

2023 var ett stort år för AI‑framsteg, vilket påverkade allt från konst, finans, hälsovård och utbildning till klimatförändringar, forskning, finansiering och AV. Låt oss därför titta på några av de viktigaste AI‑genombrotten 2023 inom det autonoma fordon‑området.

Senast har forskare från Koreas Incheon National University (INU) utvecklat ett nytt end‑to‑end 3D‑objektdetekteringssystem, som är djupinlärningsbaserat och IoT‑aktiverat. Detta system ger AV förbättrade detekteringsmöjligheter, även under ogynnsamma förhållanden. 

För att lösa problemet med att sensorer som kameror, lidar och radar är sårbara för hinder, väder och oordnade vägar, anpassade studien YOLOv3‑algoritmen (You Only Look Once) för att identifiera 3D‑objekt genom att integrera IoT, vilket möjliggör datautbyte och kommunikation över internet.

Det föreslagna systemet är konstruerat för att bearbeta RGB‑bilder och punktmolnsdata som indata. Det genererar sedan avgränsningsrutor som klassificeras och märks för att identifiera hinder. Systemet är skickligt på att upptäcka en mängd olika föremål och kan hantera variationer i både skala och rotation.

Studien testade systemet med Lyft‑datasetet och fann att det visade högre noggrannhet och lägre latens. Enligt teamet sträcker sig systemets mångsidighet bortom autonoma fordon och kan potentiellt tillämpas inom övervakning, robotik och spel.

Ett annat projekt, Helm.ai, gjorde ett AI‑genombrott som förutsäger förares avsikter och planerar optimala vägar. Företaget som skapar AI‑programvara för automatisering av robotar och fordon meddelade att detta gör det möjligt för Helm.ai att ha skalbara L2/L3‑ och L4‑distributioner. 

Företagets DNN‑baserade grundmodeller tränas med deras proprietära teknik, Deep Teaching, som använder verkliga kördata för komplexa körmiljöer. 

Nu analyserar deras modell även omgivande fordon och fotgängare för att exakt förutsäga deras sannolika handlingar i olika urbana situationer och, baserat på detta, generera den mest effektiva och säkra vägen för AV att ta. Plattformen fungerar sömlöst med olika hårdvarukonfigurationer och möjliggör effektiv träning och validering.

“Vår mjukvaruplattform adresserar de kritiska perceptionsutmaningarna i urbana miljöer och banar vägen för skalbar utveckling och validering av AI‑driven avsiktsförutsägelse och ruttplanering.” 

– Vladislav Voroninski, VD för Helm.ai

I år har elfordonspionjären Tesla också gjort framsteg i sin Full Self‑Driving (FSD)‑programvara. Dess senaste version, 12 (v12), tar företaget ett steg närmare att uppnå nivå 4 eller nivå 5 autonomi med sina bilar. 

I augusti demonstrerade Musk FSD v12 som körde fordonet autonomt och utförde uppgifter som parallellparkering, följa trafikljus och navigera rondeller. Vad som särskiljer denna version är det starka beroendet av AI‑drivna självtränande neurala nätverk.

Det betyder att istället för att mänskliga programmerare måste hårdkoda svar för olika körscenarier, analyserar AI enorma mängder data som samlats in från Teslas fordon och väljer det mest lämpliga svaret.

Denna utveckling tar Tesla ett steg närmare sitt breda mål att skapa en robotaxi‑verksamhet, som, enligt Ark Invest, även i ett pessimistiskt scenario, genererar 200 miljarder dollar (över 600 miljarder dollar enligt den mest optimistiska prognosen) i årlig intäkt.

Tidigare i år kom ett annat genombrott för AV i form av ett kamera‑avbildningssystem, HADAR, eller ”heat‑assisted detection and ranging”. Forskare från Michigan State University och Purdue University använde AI för att utveckla HADAR, som tolkar värmesignaturer för att leverera detaljerade och skarpa bilder samtidigt som den tränger igenom optiskt brus.

Deras AI‑modell utnyttjade maskininlärningsalgoritmer som samlar data från kommersiella infraröda kameror för att känna igen fysiska egenskaper hos objekt och deras omgivning, vilket möjliggör att HADAR kan återge tydliga nattliga scener.

Eftersom systemet kan upptäcka termisk strålning, materialformation och temperatur med stor framgång har det enorm potential, inklusive kontaktlös offentlig säkerhetsskanning och att övervinna rädsla för mörker. HADAR har dock utmaningar i form av utrustningskostnad och behov av realtidskalibrering.

Ford Motor Company (F ) skapade också ett helägt dotterbolag kallat Latitude AI för att utveckla ett händer‑fri, ögon‑fri automatiskt körsystem. Biljätten har redan samlat över 50 miljoner mil av händer‑fri körning i sin Ford BlueCruise.

Nu, med Latitude, är tanken att automatisera körning under tråkiga, stressiga och obehagliga tider som långa motorvägssträckor eller köer. När det gäller automatiserad körning sade Fords chef för teknik, Doug Field:

“Vi ser automatiserad körteknik som en möjlighet att omdefiniera relationen mellan människor och deras fordon.” 

Avslutande tankar

Så, som vi såg, beroende på hur mycket mänsklig hjälp som behövs faller autonoma fordon in i olika kategorier, dvs. automation för förarassistans, delvis automatiserad körning, höggradigt automatiserad körning, fullt automatiserad körning och helt automatiserat fordon. Med AI:s intåg är möjligheten att AV äntligen når sina sista steg närmare än någonsin.

Framtiden för AI‑marknaden inom bilindustrin är tydligt lovande. Den stod på över 6 miljarder dollar 2022 och förväntas växa med en CAGR på 55 % till 2032. 

Framsteg inom AI‑algoritmer, såsom sensor‑teknologier, beräkningskraft och prediktiva underhållslösningar, kommer ytterligare att hjälpa autonoma fordon att tackla sina utmaningar och nå massadoption!

Klicka här för att lära dig allt om investering i artificiell intelligens.