Trong một thập kỷ trở lại đây, mọi nhà sản xuất ô tô bạn gặp đều hào hứng với triển vọng xe tự lái tràn ngập thị trường. Trong khi một số nhà sản xuất ô tô lớn đã tung ra các phương tiện 'không hoàn toàn tự động' có thể tự lái xuống đường cao tốc (tất nhiên với sự theo dõi liên tục của người lái xe), công nghệ tự hành đã không xảy ra như các chuyên gia tin tưởng.
Vào năm 2019, trên toàn cầu, có khoảng 31 triệu phương tiện tự hành (một số mức độ tự chủ) trong hoạt động. Con số này được dự đoán sẽ tăng lên 54 triệu người vào năm 2024. Các xu hướng cho thấy thị trường có thể tăng trưởng 60% mặc dù giảm 3% vào năm 2020.
Trong khi có nhiều lý do khiến ô tô tự lái có thể ra mắt muộn hơn nhiều so với dự kiến, một lý do chính là thiếu dữ liệu đào tạo chất lượng về số lượng, tính đa dạng và xác nhận. Nhưng tại sao dữ liệu đào tạo lại quan trọng đối với sự phát triển của xe tự hành?
Tầm quan trọng của dữ liệu đào tạo đối với phương tiện tự lái
Xe tự hành theo hướng dữ liệu và phụ thuộc vào dữ liệu hơn bất kỳ ứng dụng nào khác của AI. Chất lượng của các hệ thống xe tự hành phụ thuộc phần lớn vào loại, khối lượng và tính đa dạng của dữ liệu huấn luyện được sử dụng.
Để đảm bảo các phương tiện tự hành có thể lái với sự tương tác hạn chế hoặc không có sự tương tác của con người, chúng phải hiểu, nhận biết và tương tác với các tác nhân kích thích thời gian thực hiện diện trên đường phố. Để điều này xảy ra, một số mạng thần kinh phải tương tác và xử lý dữ liệu thu thập được từ các cảm biến để chuyển hướng an toàn.
Làm thế nào để có được dữ liệu đào tạo về phương tiện tự lái?
Một hệ thống AV đáng tin cậy được đào tạo về mọi tình huống có thể xảy ra mà xe có thể gặp phải trong thời gian thực. Nó phải được chuẩn bị để nhận ra các đối tượng và yếu tố trong các biến môi trường để tạo ra hành vi chính xác của phương tiện. Nhưng việc thu thập khối lượng lớn bộ dữ liệu để giải quyết chính xác mọi trường hợp cạnh là một thách thức.
Để đào tạo hệ thống AV đúng cách, các kỹ thuật chú thích video và hình ảnh được sử dụng để xác định và mô tả các đối tượng trong hình ảnh. Dữ liệu đào tạo được thu thập bằng cách sử dụng ảnh do máy ảnh tạo ra, xác định các ảnh bằng cách phân loại và dán nhãn chính xác cho chúng.
Hình ảnh có chú thích giúp hệ thống máy học và máy tính học cách thực hiện các tác vụ cần thiết. Những thứ theo ngữ cảnh như tín hiệu, biển báo, người đi bộ, điều kiện thời tiết, khoảng cách giữa các phương tiện, độ sâu và các thông tin liên quan khác đều được cung cấp.
Một số công ty hàng đầu cung cấp bộ dữ liệu đào tạo ở các hình ảnh khác nhau và chú thích video các định dạng mà nhà phát triển có thể sử dụng để phát triển các mô hình AI.
Dữ liệu đào tạo đến từ đâu?
Xe tự hành sử dụng nhiều loại cảm biến và thiết bị để thu thập, nhận biết và giải thích thông tin xung quanh môi trường của chúng. Cần có nhiều dữ liệu và chú thích khác nhau để phát triển các hệ thống AV hiệu suất cao được hỗ trợ bởi trí thông minh nhân tạo.
Một số công cụ được sử dụng là:
camera:
Các camera hiện diện trên xe ghi lại hình ảnh và video 3D và 2D
Radar:
Radar cung cấp dữ liệu quan trọng cho phương tiện liên quan đến việc theo dõi, phát hiện đối tượng và dự đoán chuyển động. Nó cũng giúp xây dựng một biểu diễn giàu dữ liệu của môi trường động.
LiDaR (Phát hiện và đánh giá ánh sáng):
Để diễn giải chính xác hình ảnh 2D trong không gian 3D, điều quan trọng là phải sử dụng LiDAR. LiDAR giúp đo độ sâu và khoảng cách và cảm biến độ gần bằng cách sử dụng Laser.
Điểm cần lưu ý khi thu thập dữ liệu đào tạo về xe tự hành
Đào tạo một chiếc xe tự lái không phải là một nhiệm vụ một lần. Nó đòi hỏi sự cải tiến liên tục. Một chiếc xe tự hành hoàn toàn có thể là một giải pháp thay thế an toàn hơn cho những chiếc xe không người lái cần sự hỗ trợ của con người. Nhưng đối với điều này, hệ thống phải được đào tạo trên số lượng lớn đa dạng và dữ liệu đào tạo chất lượng cao.
Khối lượng và Đa dạng
Một hệ thống tốt hơn và đáng tin cậy hơn có thể được phát triển khi bạn đào tạo học máy mô hình trên số lượng lớn các bộ dữ liệu đa dạng. Một chiến lược dữ liệu có thể xác định chính xác khi nào thì đủ tập dữ liệu và khi nào thì cần trải nghiệm thực tế.
Một số khía cạnh của việc lái xe chỉ đến từ trải nghiệm thực tế. Ví dụ: xe tự hành phải lường trước các tình huống sai lệch trong thế giới thực chẳng hạn như rẽ mà không có tín hiệu báo hiệu hoặc gặp phải người đi bộ qua đường.
Trong khi chất lượng cao chú thích dữ liệu giúp ích ở mức độ lớn, cũng nên thu thập dữ liệu về khối lượng và tính đa dạng trong quá trình đào tạo và trải nghiệm.
Độ chính xác cao trong chú thích
Các mô hình học máy và học sâu của bạn phải được đào tạo trên dữ liệu sạch và chính xác. Tự trị lái xe ô tô đang trở nên đáng tin cậy hơn và đăng ký mức độ chính xác cao, nhưng chúng vẫn cần chuyển từ độ chính xác 95% lên 99%. Để làm được điều đó, họ phải nhận thức được con đường tốt hơn và hiểu được những quy luật bất thường của hành vi con người.
Sử dụng kỹ thuật chú thích dữ liệu chất lượng có thể giúp cải thiện độ chính xác của mô hình học máy.
- Bắt đầu bằng cách xác định các lỗ hổng và chênh lệch trong luồng thông tin và cập nhật các yêu cầu ghi nhãn dữ liệu.
- Phát triển các chiến lược để giải quyết các tình huống phức tạp trong thế giới thực.
- Thường xuyên cải tiến mô hình và tiêu chuẩn chất lượng để phản ánh các mục tiêu đào tạo mới nhất.
- Luôn hợp tác với đối tác đào tạo dữ liệu đáng tin cậy và có kinh nghiệm, người sử dụng nhãn mới nhất và kỹ thuật chú thích và các phương pháp hay nhất.
Các trường hợp sử dụng có thể
Theo dõi & phát hiện đối tượng
Một số kỹ thuật chú thích được sử dụng để chú thích các đối tượng như người đi bộ, ô tô, tín hiệu đường, v.v. trong một hình ảnh. Nó giúp các phương tiện tự hành phát hiện và theo dõi mọi thứ với độ chính xác cao hơn.
Phát hiện biển số
Với sự hỗ trợ của kỹ thuật chú thích hình ảnh hộp giới hạn, biển số được định vị và trích xuất từ hình ảnh của các phương tiện một cách dễ dàng.Phân tích Semaphore
Một lần nữa, bằng cách sử dụng kỹ thuật hộp giới hạn, các tín hiệu và biển chỉ dẫn được xác định và chú thích dễ dàng.
Hệ thống theo dõi người đi bộ
Theo dõi người đi bộ được thực hiện bằng cách theo dõi và chú thích chuyển động của người đi bộ trong mỗi khung hình video để xe tự hành có thể xác định chính xác chuyển động của người đi bộ.
Phân biệt làn đường
Sự phân biệt làn đường đóng một vai trò quan trọng trong việc phát triển hệ thống xe tự hành. Trong xe tự hành, các vạch được vẽ trên các làn đường, đường phố và vỉa hè bằng cách sử dụng chú thích nhiều đường để cho phép phân biệt làn đường chính xác.
Hệ thống ADAS
Hệ thống Hỗ trợ người lái nâng cao giúp xe tự hành phát hiện biển báo đường bộ, người đi bộ, xe khác, hỗ trợ đỗ xe và cảnh báo va chạm. Để kích hoạt thị giác máy tính in ADAS, tất cả các hình ảnh báo hiệu đường bộ phải được chú thích hiệu quả để nhận biết các đối tượng và tình huống và có hành động kịp thời.
Hệ thống giám sát tài xế / Giám sát trong cabin
Giám sát trong cabin cũng giúp đảm bảo an toàn cho người ngồi trên xe và những người khác. Một camera được đặt bên trong cabin thu thập thông tin quan trọng của người lái xe như buồn ngủ, nhìn chằm chằm, mất tập trung, cảm xúc và hơn thế nữa. Những hình ảnh trong cabin này được chú thích chính xác và được sử dụng để đào tạo các mô hình máy học.
Với sự hỗ trợ của kỹ thuật chú thích hình ảnh hộp giới hạn, biển số được định vị và trích xuất từ hình ảnh của các phương tiện một cách dễ dàng.Shaip là một công ty chú thích dữ liệu hàng đầu, đóng một vai trò quan trọng trong việc cung cấp cho các doanh nghiệp dữ liệu đào tạo chất lượng cao để cung cấp năng lượng cho các hệ thống xe tự hành. Của chúng tôi ghi nhãn hình ảnh và độ chính xác của chú thích đã giúp xây dựng các sản phẩm AI hàng đầu trong các phân khúc ngành khác nhau, chẳng hạn như chăm sóc sức khỏe, bán lẻ và ô tô.
Chúng tôi cung cấp số lượng lớn bộ dữ liệu đào tạo đa dạng cho tất cả các mô hình học máy và học sâu của bạn với giá cả cạnh tranh.
Hãy sẵn sàng để chuyển đổi các dự án AI của bạn với một nhà cung cấp dữ liệu đào tạo đáng tin cậy và có kinh nghiệm.
