MI-vel szimulál közlekedési helyzeteket a Porsche

Az AVEAS egy német projekt, amelynek célja, hogy egy kritikus közlekedési helyzeteket automatikusan felismerő rendszert fejlesszen szenzoros adatok alapján, mesterséges intelligenciát is segítségül hívva, majd a közlekedési szituációkat eltárolja egy adatbázisban.

Széleskörűen elismert tény, hogy a szimulációk elengedhetetlenek az önvezető rendszerek vagy szenzorok megfelelő és biztonságos működésének validálásához szinte végtelen sok közlekedési szituációban, amelyek a világ útjain történnek. A Porsche Engineering szerint az a gond a szimulációkkal, hogy nehéz kritikus vezetési adatokat gyűjteni a valóságban autózva, mivel ritkán történnek ilyen helyzetek. A vállalat szerint a projekt célja, hogy automatikusan ki tudják értékelni a valós tesztutakat. Az adatokkal kritikus vezetési helyzeteket lehet szimulálni, amelyek súlyosságát lehet növelni, például a járművek közti távolság csökkentésével.

Joachim Schaper, a Porsche Engineering MI-ért és Big Data-ért felelős vezetője, és Tille Karoline Rupp, a cég szimulációs részlegének vezetője egy közleményben elmondta, kritikus helyzetek katalógusát hozzák létre, amelyek alapján a vezetéstámogató rendszerek és magas szintű önvezetéshez tartozó funkciók validálása válik lehetővé.

Szenzorok hada

A Porsche Engineering Jupiter tesztautója a valós utakat rója, fontos szenzoros adatok gyűjtése céljából. A járművön radar, kamerák, lidar szenzorok találhatók, a belőlük származó adatokat pedig felhőben tárolják. A Porsche Engineering felelős az adatok kiértékeléséért is, az algoritmusok feldolgozzák az útvonalat, a többi közlekedő pozícióját és viselkedését egyaránt. A vállalat szerint a gépi tanulási műveletek folyamatosan finomodnak.

Az MI-vel megtámogatott rendszer egy extra predikciós szintet biztosít a hagyományos szimulációkhoz képest. Leon Eisemann, a Porsche Engineering képfelismerési szakértője elmondta, azon is dolgoznak, hogy egyes közlekedők akkor is felismerhetők legyenek, ha már egy jó ideje nem látta a rendszer, például mert egy kamion mögött tartózkodott. A felvett közlekedési események sztenderdizált fájlformátumokban tárolódnak, ezért az AVEAS más projekteknek is szolgálhat inputtal. Az algoritmusok ki tudják választani a kritikus helyzeteket például a túl rövid távolság alapján két jármű között, vagy a szokatlanul nagy fékezések láttán.

Megugrani, majd meghaladni az emberi reakciókat

Egy példa a valós alkalmazásokra: az adaptív sebességtartó automatika reakcióját validálni kell kritikus helyzetekre, például egy feltorlódott kocsisor végének ütközés elkerülése végett. Környezeti faktorok is kritikussá tehetnek egy helyzetet, például alagútból kiérve a hirtelen fény elvakíthatja az autó kameráit. A Porsche szerint az AVEAS kiválasztó algoritmusai kiemelik azokat a közlekedési szituációkat is, amelyek segítik az önvezető funkciók fejlesztését. Egy automatizált jármű ideális esetben olyan proaktívan reagál, ahogy egy emberi sofőr, például a sebesség csökkentésével vagy egyes érzékszervi ingerek priorizálásával.

A virtuális tesztutak a Porsche házon belül fejlesztett szimulációs környezetében, a PEVATeC SimFramework-ben zajlanak. A valós tesztköröket szimulálják, majd specifikus módosítások után újra lefuttatják virtuálisan. Hogy a valós és a virtuális tesztelés sikeres konzisztens legyen, megfelelő mennyiségű tapasztalat szükséges a való életből, illetve Schaper szerint átfogó megértése szükséges a valós technológia és a szimulációk kapcsolatának. A Porsche közölte, egy 2021-ben indult projekt első eredményei már megszülettek, már pár szabadalmat be is nyújtott a vállalat – áll az SAE International írásában.