Återkommande neurala nätverk möjliggör AI i ett tidigt varningssystem
- Detaljer
- Träffar: 5790
I TUM forskare har en ny system för tidig varning für autonoma fordon utvecklat det med Konstgjord intelligens (AI) baserad återkommande neurala nätverk lär sig av tusentals verkliga trafiksituationer. Med mer än 85 procents noggrannhet i dagens självkörande utvecklingsfordon kan systemet varna för en potentiellt kritisk situation så tidigt som 7 sekunder. Även idag kan självkörande bilar inte klara detta på egen hand. TUM genomförde studien tillsammans med BMW Group.
Forskningsrapportens innehåll
- Nytt tillvägagångssätt för artificiell intelligens
- Återkommande neurala nätverk för mönsterigenkänning
- Varning upp till 7 s i förväg och datainsamling
- Vad är återkommande neurala nätverk?
Nytt tillvägagångssätt för artificiell intelligens
Så självkörande bilar Många utvecklare förlitar sig på sofistikerade modeller som bilarna kan bedöma beteendet hos alla deltagare i vägtrafiken. Det finns dock komplexa, oförutsedda situationer där sådana modeller för närvarande fortfarande är otillräckliga.
6G-nätverk | Dubbelriktad radiolänk och Thz-mottagare
Ett team från Tekniska universitetet i München (TUM) ledd av professor Eckehard Steinbach, ordförande för medieteknik och styrelseledamot vid München School of Robotics and Machine Intelligence (MSRM) vid TUM. Artificiell intelligens gör att ditt system kan lära dig av tidigare situationer där autonoma testfordon nådde sina systemgränser i verklig trafik. I sådana situationer tar människor kontroll över fordonet igen eftersom de har bestämt sig för att göra det av säkerhetsskäl eller om bilen har bett dem att ingripa.
Återkommande neurala nätverk för mönsterigenkänning
Den nya tekniken fångar över Kameror och sensorer miljön och registrerar fordonet och miljöförhållandena. Detta kan vara rattens position, vägens skick, väder eller hastighet och sikt. AI, baserat på återkommande neurala nätverk (RNN), lär sig att känna igen mönster från denna data. Om tekniken känner igen ett mönster i en ny körsituation, som tidigare redan har överväldigat den automatiska kontrollen under dessa omständigheter, varnar den föraren tidigt om den potentiellt kritiska situationen tack vare AI.
Självkörande bilar ur en billeverantörs perspektiv
”För att göra fordon mer autonoma undersöker många av de tidigare metoderna vad bilarna har förstått om trafiken hittills och sedan förbättrat de modeller som bilarna bygger på. Den stora fördelen med vår teknik är att vi helt ignorerar bilens åsikt och istället bara tittar på data om vad som faktiskt händer och hittar mönster, säger Professor Steinbach. ”På det här sättet upptäcker AI också potentiellt kritiska situationer som kanske inte eller ännu inte har erkänts i modeller. Vårt system erbjuder således en säkerhetsfunktion som vet när och var bilarna är svaga. "
Varning upp till 7 s i förväg och datainsamling
Forskarna har tekniken tillsammans med BMW och deras automatiserade utvecklingsfordon testades på allmänna vägar. Cirka 2500 situationer där förarna var tvungna att ingripa utvärderades. Studien fann en 85% korrekt förutsägelse av potentiellt kritiska situationer upp till 7 sekunder innan de inträffade.
Självkörande bilar med Continental | Nvidia superdator
En stor mängd data krävs för att tekniken ska fungera. Eftersom AI först då kan känna igen och förutsäga upplevelser med systemgränsen som redan har gjorts. Med tanke på det stora antalet utvecklingsfordon skulle data genereras nästan automatiskt. Studieförfattare Christopher Kuhn säger: "Varje gång en potentiellt kritisk situation uppstår under testkörningar förlorar vi ett nytt utbildningsexempel." Den centrala lagringen av data gör det möjligt för varje fordon att lära sig av hela flottans register.
Allmän teknisk kunskap
Vad är återkommande neurala nätverk?
Återkommande neurala nätverk (RNN) är neurala nätverk där neuroner i samma lager eller neuroner i olika lager ger feedback. RNN: er liknar mera neurons sammankoppling av människans hjärna än matningsnätet. Tack vare återkopplingen kan tidskodad information erhållas i data. Exempel på återkommande neurala nätverk är Jordan-nätverket, Elman-nätverket, Hopfield-nätverket och det helt sammankopplade neurala nätverket.
Du kanske också är intresserad av...
