در سال های‌ اخیر‌ با رشد گسترده فناوری اتومبیل های خودران مواجه بودیم که این اتفاق مدیون پیشرفت در حوزه های دیپ لرنینگ و هوش مصنوعی می باشد.

به مرور زمان اتومبیل های خودران به ایمن ترین وسیله حمل و نقل تبدیل خواهند شد.

امروزه در بسیاری از لوازم نقلیه از سیستم کمک راننده نیز استفاده می شود اما هنوز استفاده از اتومبیل ها بدون حضور انسان امکان پذیر نیست.

صنعت خودروسازی به کمک مجموعه قدرتمند از داده های حسگر و پردازش سریع این داده ها به دنبال ساخت اتومبیل های کاملا مستقل می باشد.

با ساخت اتومبیل های خودران در زندگی تا حجم زیادی تصادفات جاده ای و ترافیک کاهش یافته و موجب تسهیل در رفت و آمد شهر ها پر تردد خواهد شد.

لازمه پیشرفت در این حوزه و هوش مصنوعی و دیپ لرنینگ، کسب مهارت در پایتون است. بنابراین بهتر است برای تضمین آینده خود هرچه سریع تر آموزش پایتون را شروع کنید.

 

دیپ لرنینگ چه نقشی در تحقق اتومبیل های خودران ایفا می کند؟

در سال های اخیر دیپ لرنینگ و هوش مصنوعی به اصلی ترین فناوری جهت رشد تکنولوژی هایی مانند روباتیک، پردازش زبان طبیعی، سیستم ضد کلاهبرداری و همچنین اتومبیل های خودران تبدیل شده اند

هوش مصنوعی و دیپ لرنینگ و شبکه عصبی در سه حوزه زیر تأثیر گذار باشند

• استفاده از داده حسگر جهت طراحی صحنه
• شناسایی علائم و قواعد رانندگی
• یادگیری بدون وقفه جهت پیشرفت ایمنی و عملکرد

 

امروزه سیستم های کمک راننده در حال بررسی عملکرد های رانندگی مانند مسیر یابی، کنترل حرکت بین خطوط، جلوگیری از تصادف و پارک کردن می باشند.اما این سیستم ها هنوز نمی توانند بدون حضور انسان رانندگی کنند.

هوش مصنوعی و یادگیری عمیق به کمک حسگر های پیشرفته و نقشه برداری مسیر موجب می شوند تا اتومبیل ها کاملا خودکار و با ایمنی بیشتری نسب به حضور انسان حرکت کنند.

پیشرفت اتومبیل های خودکار از چندین سطح تشکیل شده است:

سطح ۰: اتومبیل ها به صورت کامل تحت کنترل انسان است

سطح۱: ترمز، فرمان، شتاب ، پارک و … می تواند به صورت خودکار انجام گیرد اما انسان همواره جهت به دست گرفتن کنترل خودرو آماده است.

سطح۲: حداقل یک سیستم کمک راننده خودکار وجود دارد اما همچنان راننده کاملا هوشیار است ‌تا در صورت موفق نشدن سیستم سریعا  وقوع حوادث را تشخیص داده و ماشین را کنترل کند

سطح۳: رانندگان می توانند هر زمانی که شرایط ترافیکی و محیطی ایمن و مناسب بود عملکرد های اصلی را به صورت کلی به اتومبیل خود واگذار کنند.

در این سطح مانند سطوح قبلی نیاز به کنترل دائمی راننده وجود ندارد.

سطح۴: حال اتومبیل به صورت کلی خودمختار شده و می تواند کلیه امور مهم مانند رانندگی ایمن و نظارت بر جاده برای یک سفر کامل را به عهده گیرد.

سطح۵: اتومبیل کاملا خودمختار شده و بهتر از یک انسان می تواند رانندگی کند.

امروزه بیشتر خودرو های موجود در جاده ها در سطح ۰ می باشند با این حال بسیاری از خودرو های تولید شده در سال های اخیر دارای استقلالی در سطح ۱ و ۲ می باشند.

جهت برخورداری خودرو ها از سطوح استقلال‌ بالا تر نیازمند هوش مصنوعی می باشیم.

همچنین سطوح ۴ و ۵ نیازمند استفاده از فناوری های پیشرفته یادگیری عمیق می باشد.

 

پیش نیاز هایی جهت ساخت خودرو های بدون راننده

جهت تحقق در ساخت اتومبیل های خودران، نیازمند مجموعه پیچیده از عملکرد های پیشرفته جهت سنجش نتیجه خواهیم بود که می توان به نقشه برداری از مسیر، ایجاد سیاست های رانندگی جهت مقابله با موقعیت های قابل پیش بینی و غیر قابل پیش بینی اشاره کرد.

 

نقش حسگر در اتومبیل های خودران

ماشین های بدون راننده جهت درک محیط رانندگی به مواردی مانند LiDAR (استفاده از نور لیزر جهت تخمین فاصله) رادار ( جهت تشخیص اشیاء) و دوربین های دیجیتال نیاز دارند.

آن ها با کمک این ابزار اقدام به تحلیل شرایط به شیوه زیر می نمایند:

• شناسایی اشیاء ساکن مانند محدوده جاده، گارد ریل ها و خطوط مخصوص دوچرخه سواران
• شناسایی اشیاء متحرک مانند لوازم نقلیه ، عابرین و دوچرخه
• شناسایی داده ها و‌ علائم رانندگی همچون خطوط، مناطق پارکینگ، نشانه های راهنمایی و رانندگی و چراغ ها

 

شناسایی دقیق در اتومبیل های خودران

سنسور های چندگانه به لوازم نقلیه بدون راننده امکان شناسایی اشیاء متحرک و ثابت را می دهند.

این سنسور ها صحنه را در حاشیه خودرو چند بار در ثانیه بررسی و طبقه بندی می نمایند.

 

مسیر یاب در اتومبیل های خودران

اتومبیل های خودران با کمک GPS برای رسیدن از نقطه A به B استفاده می نمایند.

اما باز هم به ترجیحات راننده جهت نقشه برداری بهتر نیاز دارند.

 

سیاست رانندگی در اتومبیل های خودران

اتومبیل های خودران لازم است از این موضوع که چه زمانی لازم است خطوط را عوض کنند و یا سرعت را تغییر دهند آگاهی داشته باشند.

رانندگی انسان ها از مجموعه از سیاست های متناسب با سبک زندگی شان تشکیل شده است.

اتومبیل های خودران جهت گرفتن تصمیم های ایمن نیاز به رعایت مجموعه از سیاست ها دارند.

سیستم عامل های خودران باید شرایط زیر را رعایت کنند:

1. به صورن مداوم اجرا شوند.
2. قادر به تصمیم گیری های ایمن در شرایط دشوار رانندگی مانند ترافیک، هوای بد و یا رانندگی در نور کم باشند
3. به رفتار های غیر قابل پیش بینی لوازم نقلیه دیگر ، عابرین، تعمیرات جاده و …. واکنشی بدون درصد خطا نشان دهند.

هر یک از این نیاز ها چالش های گسترده ای را در دنیای تکنولوژی فراهم می کند.

یکی از مزیت های استفاده از یادگیری‌ عمیق در اتومبیل های خودران توانایی درک کل تصویر در یک لحظه می باشد.

 

شبکه های عصبی‌ اقدام به ترسیم‌ صحنه می نمایند

سخت افزار سنسور های داخلی طراحی شده توسط تسلا‌ از ۸ دوربین فراگیر، ۱۲ سنسور فراصوت و رادار تشکیل شده استو

این سنسور ها با هم قادر به جمع آوری چند باره داده ها در یک ثانیه می باشند.

چنانچه سنسور ها را به صورت چشم یک وسیله نقلیه بدانیم، شبکه عصبی مصنوعی مانند قشر مغز بوده و داده های حسگر را تبدیل به یک تصویر قابل استفاده از فضای جاده می کند.

شبکه های عصبی، صحنه اطراف خودرو را نقاشی کرده، سرعت مجاز ارسال شده را خوانده و رعایت می کنند.

همچنین علامت چراغ سبز و یا توقف را تشخیص می دهند و افراد، زباله ها و اشیاء را نیز شناسایی می کنند.

 

تشخیص خطر اتومبیل در ماشین های خودران

اتومبیل ها با برخورداری از قابلیت هشدار ایمنی، قادرند حضور موانع را به خودرو های پشتی نیز اطلاع دهند و به این صورت از ایجاد هرگونه حادثه پیشگیری کنند.

مهندسی نرم افزار و ابزار های بر پایه قوانین به حد کافی جهت حل مشکلات پیچیده ای مانند تفسیر داده های سنسور و رانندگی خودکار، قوی نیستند.

بر این اساس می توان گفت متغیر های گسترده و مسائل پیش بینی نشده زیادی وجود دارند که همچنان لازم است انسان ها آن را پیش بینی نموده و برای شان راه حل هایی ایجاد کنند.

مهم ترین تکنولوژی های استفاده شده در اتومبیل های خودکار شامل شبکه عصبی پیچشی، شبکه عصبی بازگشتی و شبکه عصبی تقویتی می باشد.

 

آشنایی با شبکه عصبی پیچشی (CNN)

شبکه عصبی پیچشی در بیشتر اوقات جهت پردازش اطلاعات مکانی مانند تصاویر استفاده می شوند و به عنوان استخراج کننده ویژگی های تصاویر کاربرد دارند.

پیش از ظهور دیپ لرنینگ، سیستم های بینایی رایانه ای‌ بر اساس ویژگی های دستی استفاده می شدند.

شبکه عصبی پیچشی را به صورت تقریبی می توان با قسمت های مختلف قشر بینایی پستانداران مقایسه نمود.

 

آشنایی با شبکه عصبی بازگشتی (RNN)

در میان روش های متعدد یادگیری عمیق، شبکه عصبی بازگشتی عملکرد خوبی در پردازش داده هایی مانند متن و یا جریان های ویدیوئی ایفا نموده اند

این شبکه برخلاف شبکه پیچشی، حلقه بازخورد وابسته ‌به زمان در سلول وابسته خود می باشند.

 

آشنایی با شبکه عصبی تقویتی (DRL)

در شبکه عصبی‌ تقویتی نیز یک عامل توان یادگیری در محیط تعاملی و با کمک آزمون و خطای تجربه های خود را دارد.

وظیفه اصلی این روش در رانندگی خودکار،  یادگیری سیاست های‌ رانندگی بهینه از نقطه ای به نقطه دیگر می باشد.

یادگیری عمیق و شبکه های عصبی مهم ترین موضوعات برای آینده رانندگی خودکار می باشند که موجب امکان پذیر شدن یادگیری مداوم از موقعیت ها و شرایط جدید در محیط رانندگی بدون تغییر می شوند.

 

کلام آخر

تکنولوژی رانندگی خودکار در سال های گذشته به دلیل پیشرفت هوش مصنوعی و دیپ لرنینگ دچار رشد گسترده ای شده است.

این خودرو ها برخوردار از سیستم پیچیده می باشند که لازم است با خیالی راحت مسافر را از مبدا a به مقصد b برسانند.

استفاده از ماشین های خودکار در جاده های عمومی با چالش هایی مواجه است

وجود این چالش‌ نیز به دلیل‌ وابستگی سیستم های دیپ لرنینگ به پایگاه داده آموزشی و نیاز به سخت افزار محاسباتی گسترده می باشد.

سیستم هایی بر پایه یادگیری عمیق از الگو های فکری انسان تقلید می کنند و می توانند با کمک الگوریتم های شبکه عصبی اقدام به تصمیم گیری و اجرای برخی دستورات نمایند

این لایه ها در سیستم های یادگیری عمیق به دست مهندسین ساخته نمی شوند بلکه این داده ها و اطلاعات گسترده هستند که موجب پیشرفت فرایند های الگوریتم یادگیری شده اند.

جهت کسب اطلاعات بیشتر در زمینه هوش مصنوعی ، دیپ لرنینگ ، ماشین لرنینگ و آموزش پایتون با وب سایت آموزشی مگاپایتون همراه باشید.