Wat is Machine Vision en hoe belangrijk is het voor zelfrijdende auto’s?

Belangrijkste leerpunten

• Zelfrijdende auto's vertrouwen op machine vision-technologie om hun omgeving te zien en te begrijpen, waardoor ze objecten kunnen detecteren, borden kunnen identificeren en over de weg kunnen navigeren.
• Machine vision in zelfrijdende auto’s bestaat uit een camerasysteem, edge computing en AI-algoritmen. die samenwerken om visuele informatie te verzamelen, deze in realtime te verwerken en patronen te identificeren voorwerpen.
• Machine vision is cruciaal voor het bereiken van volledige autonomie in zelfrijdende auto's, omdat het objectclassificatie, rijstrook- en signaaldetectie, bordidentificatie en verkeersherkenning mogelijk maakt. De toekomst van autonome voertuigen ligt in de vooruitgang op het gebied van AI, edge computing en cameratechnologie.

Zelfrijdende auto’s hebben altijd de aandacht getrokken. Hoewel we misschien nog geen volledig autonome auto’s hebben, hebben we wel auto’s met geavanceerde functies rijhulpsystemen (ADAS) die automatisch kunnen sturen, van rijstrook kunnen wisselen, kunnen parkeren en verkeersbewuste cruisecontrol.

Een zelfrijdende auto gebruikt talloze sensoren voor zijn ADAS, waarbij machine vision de belangrijkste manier is om de afstand tot objecten en de algemene omgeving te detecteren, identificeren en berekenen. Zonder machine vision zijn zelfrijdende auto’s met cruise control en automatische piloot zeer onwaarschijnlijk.

Wat is machinevisie?

Machine vision is een technologie waarmee machines objecten in hun omgeving kunnen zien en herkennen. Het is een subset van computervisie die zich richt op de industriële toepassingen van visiegerichte objectdetectie in autonome machines zoals robots en voertuigen.

Machine vision maakt tegenwoordig gebruik van AI-deep-learning-algoritmen zoals convolutionele neurale netwerken (CNN's) om robuuste en goed gegeneraliseerde modellen te creëren die objecten in verschillende situaties nauwkeurig kunnen identificeren voorwaarden. Het maakt het mogelijk om machinevisie te implementeren bij verschillende taken die een hogere betrouwbaarheid vereisen in de productie, landbouw, robotica en automobielsector.

Hoe werkt Machine Vision in zelfrijdende auto's?

Machinevisie in zelfrijdende auto's kan doorgaans in drie delen worden opgesplitst: het camerasysteem, verwerking (edge ​​computing) en AI. Dankzij deze technologiestapel kan een autonoom voertuig tijdens het rijden tekens en obstakels zien, denken en identificeren. Laten we elk onderdeel diepgaand bespreken om te begrijpen hoe deze technologieën samenkomen om de machinevisie van een zelfrijdende auto te vormen.

Camerasysteem

Machine vision vertrouwt op camerasystemen om visuele informatie over de omgeving te verzamelen. Zelfrijdende auto's maken gebruik van verschillende camera's die rondom de auto zijn geïnstalleerd om zoveel mogelijk visuele informatie te verzamelen.

In machinevisiecamera's worden twee hoofdsensoren gebruikt: complementaire metaaloxidehalfgeleiders (CMOS) en ladingsgekoppelde apparaten (CCD). Voor zelfrijdende auto's wordt vaak de voorkeur gegeven aan CMOS vanwege de hoge uitleessnelheid en de krachtige werking aan boord elektronica en parallelle verwerkingsmogelijkheden, waardoor het de snellere sensor is, zij het gevoelig voor ruis of artefacten. Oplossingen, zoals verschillende verlichtingsmodi, digitaal nachtzicht en filters, kunnen de CMOS-sensor helpen tijdens minder dan ideale lichtomstandigheden.

Bij zelfrijdende auto's worden camera's op bepaalde afstanden van elkaar geïnstalleerd om stereoscopisch zicht te produceren. Stereoscopisch zicht is het vermogen om twee of meer visuele inputs te combineren, waardoor een gevoel van diepte of driedimensionaliteit in objecten en de omgeving ontstaat. Hierdoor kunnen auto's op hun beurt trianguleren en de geschatte afstand tussen het object en de auto berekenen.

Omdat mensen twee ogen hebben, profiteren we ook van stereoscopisch zicht. Je kunt het zelf testen; sluit één oog en selecteer een klein voorwerp van uw bureau. Plaats uw hand op de zijkant van het object en zorg ervoor dat de punt van het object minstens vijf centimeter verwijderd is. Probeer een paar seconden te pauzeren en kijk hoe zeker u bent van uw benadering. Probeer nu beide ogen te openen en zie hoe uw gevoel voor diepte veel beter is.

Randcomputer

Terwijl het camerasysteem op de zelfrijdende auto data verzamelt, verzamelt een boordcomputer (edge ​​processor) verwerkt alle input in realtime om het systeem op de hoogte te houden van de status van de omgeving onmiddellijk. Hoewel typische machine vision-taken geld kunnen besparen met behulp van cloud computing, is er gewoonweg te veel Het risico dat zelfrijdende auto’s verbonden worden met de cloud is groot, zelfs als het gaat om het uitbesteden van het proces met betrekking tot de vereisten voor machinevisie.

Het gebruik van een edge-computer voor het verwerken van invoergegevens elimineert latentieproblemen en zorgt ervoor dat gegevens in realtime worden ontvangen, verwerkt en gecommuniceerd. Edge-computers voor zelfrijdende auto's maken gebruik van gespecialiseerde computers die AI-grafische processors integreren, zoals NVIDIA's Tensor Core en CUDA Cores.

AI-algoritmen

Algoritmen zijn altijd een cruciaal onderdeel geweest van machinevisie. Het algoritme zorgt ervoor dat een computer alle patronen, vormen en kleuren van het camerasysteem kan identificeren. Het gebruik van AI in plaats van meer traditionele machine vision-algoritmen vergroot het vermogen van een zelfrijdende auto om op betrouwbare wijze objecten, straatnaamborden, wegmarkeringen en verkeerslichten te identificeren aanzienlijk. Er worden veel AI-algoritmen gebruikt om zelfrijdende auto’s te trainen. De meest populaire zijn onder meer:

• YOLO (je kijkt maar één keer): Een real-time objectdetectiealgoritme dat objecten in het gezichtsveld van de auto identificeert en volgt.
• SIFT (Scale-Icar'sant Feature Transform): Het wordt gebruikt voor het extraheren van kenmerken en helpt de auto onderscheidende oriëntatiepunten en objecten in de omgeving te herkennen.
• Histogram van georiënteerde verlopen (HOG): Het wordt gebruikt voor objectherkenning en richt zich op het extraheren van lokale patronen en gradiënten uit afbeeldingen.
• TextonBoost: Een algoritme dat helpt bij objectherkenning door texturen in de omgeving te analyseren.
• AdaBoost: AdaBoost wordt gebruikt voor gegevensclassificatie en combineert meerdere zwakke classificaties om krachtige beslissingen te nemen over de objecten en obstakels op het pad van het voertuig.

Het belang van machinevisie in zelfrijdende auto's

Machine vision is de belangrijkste manier waarop een zelfrijdende auto zijn omgeving kan waarnemen en begrijpen. Zonder machine vision is het zeer waarschijnlijk dat zelfrijdende auto’s teruggedrongen worden naar niveau 1 op de markt schaal van voertuigautonomie en zal wellicht nooit volledige autonomie bereiken.

Met machine vision zijn zelfrijdende auto’s nu in staat tot objectclassificatie, rijstrook- en signaaldetectie, bordidentificatie en verkeersherkenning.

Hoewel veel zelfrijdende voertuigen nu verschillende sensoren gebruiken, zoals LIDAR, RADAR en SONAR, zijn ze allemaal sterk afhankelijk van Machine vision om de omgeving te zien, objecten te identificeren en de betekenis van borden en verkeerslichten op de weg te begrijpen weg. Al deze extra sensoren zijn er alleen om het machinezicht te vergroten en de veiligheid van mensen, dieren en eigendommen te bevorderen.

Dat gezegd hebbende, kan machine vision onafhankelijk functioneren zonder de hulp van andere sensoren om automatische pilootmogelijkheden te bieden. In feite hebben Tesla's nieuwste zelfrijdende auto's RADAR laten vallen en vertrouwen ze nu uitsluitend op machinevisie voor hun Autopilot-systeem.

Hoewel dit niets betekent in termen van het in diskrediet brengen van het nut van andere sensortechnologieën, toont het wel het belang en de kracht van machine vision in zelfrijdende auto’s aan.

De toekomst van machinevisie in autonome voertuigen

Machine vision is de basis van zelfrijdende auto’s. Via machine vision kunnen auto’s de omgeving precies zien en waarnemen zoals mensen dat doen. Hoewel de uitdagingen blijven bestaan, kunnen de voordelen van machine vision op het gebied van veiligheid en navigatie niet worden onderschat. Wat de toekomst van autonome voertuigen betreft, eventuele verdere ontwikkelingen op het gebied van AI, edge computing en/of camera technologie zal zelfrijdende auto’s zeker vaardiger maken, wat ze waarschijnlijk naar een hoger niveau zal tillen automatisering.