自動運転車を含め、吹雪の中を運転するのが好きな人は誰もいません。 雪道で自動運転車をより安全にするために、エンジニアは車の観点から問題を検討します。

完全自動運転車の主な課題は、悪天候を乗り切ることです。 雪は特に、車両が深度を測定し、障害物を見つけ、黄色い線が見えると仮定して正しい側に保つのに役立つ重要なセンサーデータを混乱させます。 毎年冬に200インチ以上の雪を平均するミシガン州のキーウィノー半島は、自動運転車の技術を限界まで押し上げるのに最適な場所です。 SPIE Defense + Commercial Sensing 2021で発表されたXNUMXつの論文で、ミシガン工科大学の研究者は、シカゴ、デトロイト、ミネアポリス、トロントなどの雪の多い都市に自動運転オプションをもたらすのに役立つ雪の運転シナリオのソリューションについて説明しています。

時々の天気のように、自律性は晴れや雪ではありませんはい-いいえの指定。 自動運転車は、死角警告やブレーキアシストを備えたすでに市場に出回っている車から、自動運転モードに切り替えたり、自動運転モードから切り替えたりできる車から、完全に自分でナビゲートできる車まで、さまざまなレベルをカバーしています。 主要な自動車メーカーと研究大学は、自動運転技術とアルゴリズムをまだ調整しています。 車の人工知能（AI）による誤判断や、人間のドライバーによる自動運転機能の誤用により、事故が発生することがあります。

人間にもセンサーがあります。私たちのスキャンする目、バランス感覚と動き、そして脳の処理能力は、私たちの環境を理解するのに役立ちます。 人間の脳は新しい経験を一般化するのが得意なので、これらの一見基本的な入力により、たとえそれが私たちにとって新しいものであっても、事実上すべてのシナリオで運転することができます。 自動運転車では、ジンバルに取り付けられたXNUMX台のカメラがステレオビジョンを使用して奥行きをスキャンして認識し、人間の視覚を模倣します。一方、バランスと動きは慣性測定ユニットを使用して測定できます。 ただし、コンピューターは、以前に遭遇したシナリオ、または認識するようにプログラムされたシナリオにのみ反応できます。

人工脳はまだ存在しないため、タスク固有の人工知能（AI）アルゴリズムが主導権を握る必要があります。つまり、自動運転車は複数のセンサーに依存する必要があります。 魚眼カメラは視野を広げますが、他のカメラは人間の目のように機能します。 赤外線は熱の兆候を拾います。 レーダーは霧と雨を通して見ることができます。 光の検出と測距（ライダー）は暗闇を貫通し、レーザービームスレッドのネオンタペストリーを織ります。

「すべてのセンサーには制限があり、すべてのセンサーが別のセンサーの背中を覆っています」と、ミシガン工科大学のコンピューティング大学のコンピューティング助教授であり、研究の主要な研究者のXNUMX人であるNathirRawashdeh氏は述べています。 彼は、センサーフュージョンと呼ばれるAIプロセスを通じて、センサーのデータをまとめることに取り組んでいます。

「センサーフュージョンは、異なるモダリティの複数のセンサーを使用してシーンを理解します」と彼は言いました。 「入力に難しいパターンがある場合、すべての詳細を徹底的にプログラムすることはできません。 そのため、AIが必要です。」

Rawashdehのミシガン工科大学の協力者には、電気およびコンピューター工学の博士課程の学生であるNader Abu-Alrub、電気およびコンピューター工学の助教授であるJeremy Bos、修士課程の学生およびBosの研究室の卒業生であるAkhil Kurup、Derek Chopp、Zachが含まれます。ジェフリーズ。 Bosは、LIDAR、赤外線、その他のセンサー自体は、古い格言のハンマーのようなものだと説明しています。 「 『ハンマーにとって、すべてが釘のように見える』」とボスは引用した。 「まあ、ドライバーとリベットガンを持っているなら、もっと多くの選択肢があります。」

ほとんどの自律型センサーと自動運転アルゴリズムは、日当たりの良い澄んだ風景の中で開発されています。 世界の他の地域がアリゾナや南カリフォルニアのようではないことを知っていたボスの研究室は、大雪の際にミシガン工科大学の自動運転車（人間が安全に運転）でローカルデータの収集を開始しました。 Rawashdehのチーム、特にAbu-Alrubは、ドイツとノルウェーの雪道から1,000フレームを超えるライダー、レーダー、画像データを注ぎ込み、AIプログラムに雪の様子とその先の様子を教え始めました。

「すべての雪が同じように作られるわけではありません」とボスは言い、雪の多様性がセンサーの検出を困難にしていると指摘しました。 Rawashdeh氏は、データを前処理し、正確なラベルを付けることは、正確さと安全性を確保するための重要なステップであると付け加えました。 「AI学習ネットワークにダーティセンサーデータを与えると、悪い結果が得られます。」

低品質のデータは30つの問題であり、実際の汚れも同様です。 道路の汚れと同じように、センサーに積もった雪は解決可能ですが、厄介な問題です。 視界がはっきりした後でも、自動運転車のセンサーは障害物の検出について常に一致しているとは限りません。 ボスは、地元で収集されたデータをクリーンアップしながら鹿を発見した素晴らしい例に言及しました。 Lidarは、ブロブは何もない（50％の確率で障害物）、カメラはそれを眠そうな人間のように見た（90％の確率）、赤外線センサーはWHOA（XNUMX％は鹿だと確信している）と叫んだ。

センサーとそのリスク評価を相互に話し合い、学ぶことは、象を見つけるXNUMX人の盲目の男性のインドのたとえ話のようなものです。それぞれが象の異なる部分（生き物の耳、体幹、脚）に触れ、異なる場所に来ます。それがどんな種類の動物であるかについての結論。 RawashdehとBosは、センサーフュージョンを使用して、自律型センサーが集合的に答えを把握することを望んでいます—象、鹿、雪だるまなど。 ボスが言うように、「厳密に投票するのではなく、センサーフュージョンを使用することで、新しい見積もりを出します。」

キーウィーノーの吹雪をナビゲートすることは自動運転車にとっての方法ですが、センサーは悪天候についての学習を向上させることができ、センサーフュージョンなどの進歩により、いつの日か雪道を安全に運転できるようになります。

###