بهبود سیستم های نظارت بر راننده: موردی برای داده های مصنوعی

سیستم‌های نظارت بر راننده (DMS) که هوشیاری پشت فرمان را ارزیابی می‌کنند، به سرعت در حال تبدیل شدن به ویژگی پیشرو ایمنی خودرو در سراسر جهان هستند. به عنوان مثال، در اتحادیه اروپا، تنظیم کننده ایمنی خودرو EuroNCAP نیاز دارد همه خودروهای جدید به منظور مطابقت با رتبه ایمنی آن، DMS را در خود جای دهند.

در میان این فشار استارت آپ ها از فرصت‌های تجاری در فضای DMS بهره می‌برند و راه‌حل‌هایی را ارائه می‌دهند قلب سنجی به تشخیص شروع خواب. در میان آنها، سوئدی Devant از پتانسیل داده های مصنوعی بهره می برد.

این استارت آپ که در سال ۲۰۲۱ راه اندازی شد، داده های مصنوعی انسان های دیجیتالی واقعی را برای پشتیبانی از آموزش، اعتبار سنجی و آزمایش شبکه های یادگیری ماشین – مانند شبکه های پشت سیستم های نظارت بر راننده – تولید می کند. به طور خاص، انسان های شبیه سازی شده سه بعدی را توسعه می دهد که هم از نظر ظاهر و هم از نظر رفتار در موقعیت های مختلف متفاوت هستند.

اما دقیقاً چگونه داده های مصنوعی می توانند DMS را بهبود بخشند؟ TNW برای کسب اطلاعات بیشتر با ریچارد برمر، بنیانگذار و مدیرعامل Devant صحبت کرد.

شکاف داده های مصنوعی را می توان پر کرد

علاقه به داده های مصنوعی در این کشور آغاز شد اوایل دهه ۱۹۹۰و مدت زیادی طول نکشید که صنعت فناوری به ارزش این فناوری در تسریع یادگیری ماشین پی برد.

بخش خودرو یکی از اولین حامیان داده های مصنوعی بود که آن را در اواسط دهه ۲۰۱۰ برای توسعه وسایل نقلیه خودرانسیستم های پیشرفته کمک راننده (ADAS) و اخیراً DMS.

سیستم‌های نظارت بر راننده و سرنشین (DMS و OMS) معمولاً از دوربین‌ها و حسگرهای مادون قرمز برای جمع‌آوری اطلاعات لحظه‌ای درباره راننده و مسافران استفاده می‌کنند. به لطف بینایی کامپیوتری و یادگیری ماشینی، این اطلاعات سپس تجزیه و تحلیل می‌شوند و برای مثال نگاه یا حالات چهره راننده را ردیابی می‌کنند تا هوشیاری و توجه آن‌ها به جاده مشخص شود.

این بدان معنی است که برای بهترین عملکرد، هر دو DMS و OMS باید در مقادیر زیادی با کیفیت بالا آموزش ببینند. داده ها، شامل تصاویر و ضبط‌هایی است که تا حد امکان موقعیت‌های متنوع را ثبت می‌کنند. به رانندگانی فکر کنید که با تلفن خود پیامک می‌فرستند، پشت فرمان می‌نوشند یا حتی به صندلی‌های عقب تکیه می‌دهند تا فرزندانشان را از دعوا باز دارند.

برای هر شبکه هوش مصنوعی، کمیت و کیفیت داده کافی ضروری است.

در حالی که داده‌های دوربین‌ها و حتی نقش‌آفرینی بازیگران تاکنون به توسعه DMS دامن زده‌اند، استفاده از این منابع به تنهایی برای ثبت هر موقعیت قابل تصوری با چندین مورد همراه است. چالش ها. گران است، زمان بر است، تنوع محدودی دارد و با نگرانی های حفظ حریم خصوصی مرتبط است.

به گفته برمر، این جایی است که ارزش داده های مصنوعی مشخص می شود. “پتانسیل و بخش جالب در مورد داده های مصنوعی این است که می توانید زمان و هزینه را کاهش دهید و همچنین عملکرد شبکه را افزایش دهید.”

فن آوری Devant چگونه کار می کند

استارت آپ مستقر در نورشوپینگ از یک فرآیند گام به گام در پلتفرم خود استفاده می کند و انواع مختلفی از دارایی های سه بعدی را برای ایجاد تصاویر و انیمیشن ها ترکیب می کند. در مورد خودرو، این محتوا می‌تواند کابین‌ها و افراد سه‌بعدی باشد – که با جزئیاتی مانند لوازم جانبی، لباس‌ها یا عینک تکمیل شده است.

برای اطمینان از یک نتیجه با کیفیت بالا که با a فراگیری ماشین عملکرد شبکه، قابلیت اطمینان و دقت داده ها از طریق یک سری سیستم های ارزیابی کیفیت در کل فرآیند تایید می شود.

برمر می‌گوید: «وقتی صحبت از آنچه ساخته‌ایم به میان می‌آید، در وهله اول این است که مطمئن شویم داده‌ها آزمایش و تأیید شده‌اند.

هدف دوانت از مدل‌های انسانی سه بعدی سه‌بعدی است: همسویی با ظاهر چیزها در دنیای واقعی، گسترش تنوع آنها و ارائه گسترده‌ترین طیف ممکن از سناریوهای مختلف، و مطابقت با نیازهای مشتری.

به همین دلیل، استارت آپ سوئدی ابزار پیکربندی را برای کاربران ارائه می دهد تا پارامترهای مطابق با نیازهای خود را انتخاب کنند. این تنظیمات می تواند از متغیرهای عمومی تر (مانند سن، قومیت و جنسیت) تا جزئیات خاص تر، از جمله لباس، دفعات حرکت پلک، یا شرایط نوری داخل وسیله نقلیه متغیر باشد.

در ژوئن، این شرکت با Seeing Machines مستقر در استرالیا، توسعه دهنده (DMS و OMS) که توسط سازندگان بزرگ خودرو استفاده می شود، به نیروهای خود پیوست.

از طریق این مشارکت، Seeing Machines از شبیه‌سازی‌های سه‌بعدی Devant برای آموزش و اعتبارسنجی شبکه‌های یادگیری ماشین خود استفاده می‌کند، با هدف ارتقای بیشتر سیستم‌های نظارت داخل کابین و ایجاد مجموعه داده‌ای در مقیاس بزرگ از رفتارهای حواس‌پرتی راننده که مطابق با الزامات EuroNCAP است.

کیفیت به اندازه کمیت ضروری است

برمر توضیح می‌دهد که برای استفاده واقعی از پتانسیل داده‌های مصنوعی، تنها زدن یک دکمه و تولید میلیون‌ها تصویر در عرض چند روز نیست. این همچنین در مورد کیفیت و دقت داده ها است.

فرض ساده است. برای اینکه هر شبکه هوش مصنوعی به بهترین نحو ممکن عمل کند، مقدار کافی و کیفیت کافی ضروری است.»

برمر می گوید: جنبه امیدوارکننده در مورد داده های تولید شده توسط رایانه این است که “ما دقیقاً تا سطح پیکسل می دانیم که هر تصویر به لطف ابرداده های همراه آن چه چیزی دارد.” در مقابل، وقتی صحبت از داده‌های دنیای واقعی به میان می‌آید، «شما آن سطح از کنترل و دقت دانه‌ای مانند داده‌های مصنوعی را ندارید».

اما یک گرفتاری وجود دارد. هرچه کیفیت داده ها را با افزودن پارامترها و واقع گرایی بیشتر برای پوشش دادن حجم وسیعی از سناریوهای ممکن و رفتارهای انسانی افزایش دهید، پیچیده تر می شود. این به نوبه خود زمان رندر را افزایش می دهد.

برمر ادعا می کند: “به همین دلیل است که هیچ کس قبل از ما این رویکرد کیفی را برای داده های مصنوعی اتخاذ نکرده است، زیرا از نظر زمان رندر بسیار پرهزینه است.” در واقع، Devant مدت زیادی برای حل معمای حفظ کیفیت و در عین حال بهینه سازی سرعت تلاش کرد.

محدودیت های فعلی

علیرغم مزیت آشکار داده های مصنوعی در کمیت و توانایی آن در ارائه شبیه سازی های دقیق و با کیفیت، برمر تاکید می کند که این فناوری نباید به عنوان “گلوله نقره ای” دیده شود. حداقل الان نه.

در عوض، او می‌گوید، جایگزین کردن داده‌های دنیای واقعی با معادل تولید شده توسط رایانه باید با رویکردی گام به گام و محتاطانه انجام شود.

او خاطرنشان می‌کند: «من فکر می‌کنم مهم‌ترین چیزی که باید در اینجا به خاطر بسپاریم این است که DMS سیستم‌های حیاتی هستند. و هنوز تعدادی چالش برای غلبه بر آنها وجود دارد – که فراتر از نیاز به هزاران مدل سه بعدی برای اطمینان از پوشش کافی است.

اولین چالش ایجاد آستانه ای برای داده های خوب و بد است که Devant با همکاری Seeing Machines آن را بررسی خواهد کرد. دومین مورد، شناسایی دقیقاً چه داده هایی است که شبکه یادگیری ماشین به اندازه کافی مهم برای استفاده تشخیص می دهد.

این استارتاپ همچنین تلاش بیشتری برای پوشش دادن جنبه های بیشتر اپتیک دوربین می کند. برمر توضیح می‌دهد: «شبیه‌سازی پارامترهای مختلف دوربین بسیار پیچیده است، به‌ویژه زمانی که باید آن را در مدت زمان محدودی برای رندر برای هر تصویر انجام دهید.

راه پیش رو

تا کنون، Devant روی سطوح مختلف حواس‌پرتی راننده کار کرده است، به ویژه بر شبیه‌سازی واقعی چشم، با حرکات مختلف، رفتار پلک‌ها و اندازه‌های مختلف مردمک چشم.

از طریق مشارکت با Seeing Machines، این استارت آپ قصد دارد از نردبان پیچیدگی بالا برود و به افزودن ویژگی هایی ادامه دهد که کل پروتکل EuroNCAP را پوشش دهد. از آنجا، برمر خواب‌آلودگی را “چیز طبیعی بعدی” می‌داند، و مسمومیت یکی دیگر از احتمالات جالب در لیست این شرکت است.

تصمیم Devant برای توسعه داده های مصنوعی انسان محور برای صنعت خودرو از همان ابتدا هدفمند بود که ناشی از فرصت تجاری ارائه شده توسط توجه روزافزون به DMS و مقررات قریب الوقوع اتحادیه اروپا بود. به گفته برمر، این همچنین در مورد ایجاد ارزش واقعی و استفاده از فناوری به روشی بود که به نفع مردم باشد.

فراتر از فضای خودرو، این استارت‌آپ صنایع بالقوه دیگری را در نظر می‌گیرد که فناوری آن می‌تواند تأثیر مثبتی داشته باشد، مانند آموزش سیستم‌های هوش مصنوعی برای تشخیص علائم بیماری در مراحل اولیه.