Dalam dekade terakhir atau kurang, setiap pembuat mobil yang Anda temui sangat antusias dengan prospek mobil self-driving yang membanjiri pasar. Sementara beberapa pembuat mobil besar telah meluncurkan kendaraan 'tidak terlalu otonom' yang dapat mengemudi sendiri di jalan raya (dengan pengawasan konstan dari pengemudi, tentu saja), teknologi otonom tidak terjadi seperti yang diyakini para ahli.
Pada tahun 2019, secara global terdapat sekitar 31 juta kendaraan otonom (beberapa tingkat otonomi) dalam operasi. Jumlah ini diproyeksikan akan tumbuh menjadi 54 juta pada tahun 2024. Tren menunjukkan bahwa pasar dapat tumbuh sebesar 60% meskipun terjadi penurunan 3% pada tahun 2020.
Meskipun ada banyak alasan mengapa mobil self-driving dapat diluncurkan lebih lambat dari yang diharapkan, salah satu alasan utamanya adalah kurangnya data pelatihan yang berkualitas dalam hal volume, keragaman, dan validasi. Tetapi mengapa data pelatihan penting untuk pengembangan kendaraan otonom?
Pentingnya Data Pelatihan untuk Kendaraan Otonom
Kendaraan otonom lebih didorong oleh data dan bergantung pada data daripada aplikasi AI lainnya. Kualitas sistem kendaraan otonom sangat tergantung pada jenis, volume, dan keragaman data pelatihan yang digunakan.
Untuk memastikan kendaraan otonom dapat mengemudi dengan terbatas atau tanpa interaksi manusia, mereka harus memahami, mengenali, dan berinteraksi dengan rangsangan waktu nyata yang ada di jalanan. Agar ini terjadi, beberapa jaringan saraf harus berinteraksi dan memproses data yang dikumpulkan dari sensor untuk memberikan navigasi yang aman.
Bagaimana Pengadaan Data Pelatihan Kendaraan Otonom?
Sistem AV yang andal dilatih pada setiap skenario yang mungkin dihadapi kendaraan secara real-time. Itu harus disiapkan untuk mengenali objek dan faktor dalam variabel lingkungan untuk menghasilkan perilaku kendaraan yang akurat. Tetapi mengumpulkan set data dalam jumlah besar untuk menangani setiap kasus edge secara akurat adalah sebuah tantangan.
Untuk melatih sistem AV dengan benar, teknik anotasi video dan gambar digunakan untuk mengidentifikasi dan mendeskripsikan objek di dalam gambar. Data pelatihan dikumpulkan menggunakan foto yang dihasilkan kamera, mengidentifikasi gambar dengan mengkategorikan dan memberi label secara akurat.
Gambar beranotasi membantu sistem pembelajaran mesin dan komputer mempelajari cara melakukan tugas yang diperlukan. Hal-hal kontekstual seperti sinyal, rambu jalan, pejalan kaki, kondisi cuaca, jarak antar kendaraan, kedalaman, dan informasi relevan lainnya disediakan.
Beberapa perusahaan terkemuka menyediakan kumpulan data pelatihan dalam gambar yang berbeda dan anotasi video format yang dapat digunakan pengembang untuk mengembangkan model AI.
Dari Mana Data Pelatihan Berasal?
Kendaraan otonom menggunakan berbagai sensor dan perangkat untuk mengumpulkan, mengenali, dan menafsirkan informasi di sekitar lingkungan mereka. Berbagai data dan anotasi diperlukan untuk mengembangkan sistem AV berperforma tinggi yang didukung oleh kecerdasan buatan.
Beberapa alat yang digunakan adalah:
Kamera:
Kamera yang ada di kendaraan merekam gambar dan video 3D dan 2D
Radar:
Radar menyediakan data penting untuk kendaraan mengenai pelacakan objek, deteksi, dan prediksi gerakan. Ini juga membantu membangun representasi kaya data dari lingkungan dinamis.
LiDaR (Deteksi dan Jangkauan Cahaya):
Untuk menginterpretasikan gambar 2D secara akurat dalam ruang 3D, penting untuk menggunakan LiDAR. LiDAR membantu dalam mengukur kedalaman dan jarak dan penginderaan jarak menggunakan Laser.
Hal yang Perlu Diperhatikan Saat Mengumpulkan Data Pelatihan Kendaraan Otonom
Pelatihan kendaraan self-driving bukanlah tugas satu kali. Hal ini membutuhkan perbaikan terus-menerus. Kendaraan yang sepenuhnya otonom dapat menjadi alternatif yang lebih aman daripada mobil tanpa pengemudi yang membutuhkan bantuan manusia. Tetapi untuk ini, sistem harus dilatih dalam jumlah besar yang beragam dan data pelatihan berkualitas tinggi.
Volume dan Keanekaragaman
Sistem yang lebih baik dan lebih andal dapat dikembangkan saat Anda melatih Mesin belajar model pada sejumlah besar dataset yang beragam. Ada strategi data yang dapat mengidentifikasi secara akurat kapan kumpulan data mencukupi dan kapan pengalaman dunia nyata diperlukan.
Aspek-aspek tertentu dari mengemudi hanya datang dari pengalaman dunia nyata. Misalnya, kendaraan otonom harus mengantisipasi skenario dunia nyata yang menyimpang seperti berbelok tanpa memberi sinyal atau menemui pejalan kaki yang melanggar aturan.
Sementara berkualitas tinggi anotasi data membantu sebagian besar, juga disarankan untuk memperoleh data dalam hal volume dan keragaman selama pelatihan dan pengalaman.
Akurasi Tinggi dalam Anotasi
Model pembelajaran mesin dan pembelajaran mendalam Anda harus dilatih tentang data yang bersih dan akurat. Otonom mengendarai mobil menjadi lebih andal dan mencatat tingkat akurasi yang tinggi, tetapi mereka masih perlu beralih dari akurasi 95% ke 99%. Untuk melakukan itu, mereka harus memahami jalan dengan lebih baik dan memahami aturan perilaku manusia yang tidak biasa.
Menggunakan teknik anotasi data yang berkualitas dapat membantu meningkatkan akurasi model machine learning.
- Mulailah dengan mengidentifikasi kesenjangan dan perbedaan dalam arus informasi dan terus perbarui persyaratan pelabelan data.
- Kembangkan strategi untuk menangani skenario kasus edge dunia nyata.
- Secara teratur meningkatkan model dan tolok ukur kualitas untuk mencerminkan tujuan pelatihan terbaru.
- Selalu bermitra dengan mitra pelatihan data yang andal dan berpengalaman yang menggunakan pelabelan terbaru dan teknik anotasi dan praktik terbaik.
Kemungkinan Kasus Penggunaan
Deteksi & Pelacakan Objek
Beberapa teknik anotasi digunakan untuk memberi anotasi pada objek seperti pejalan kaki, mobil, sinyal jalan, dan lainnya dalam sebuah gambar. Ini membantu kendaraan otonom mendeteksi dan melacak berbagai hal dengan akurasi yang lebih tinggi.
Deteksi Plat Nomor
Dengan bantuan teknik anotasi gambar kotak pembatas, pelat nomor dapat dengan mudah ditemukan dan diekstraksi dari gambar kendaraan.Menganalisis Semaphore
Sekali lagi, dengan menggunakan teknik kotak pembatas, sinyal dan papan nama mudah diidentifikasi dan diberi keterangan.
Sistem Pelacakan Pejalan Kaki
Pelacakan pejalan kaki dilakukan dengan melacak dan membuat anotasi pergerakan pejalan kaki di setiap frame video sehingga kendaraan otonom dapat secara akurat menentukan pergerakan pejalan kaki.
Diferensiasi Jalur
Diferensiasi jalur memainkan peran penting dalam pengembangan sistem kendaraan otonom. Pada kendaraan otonom, garis digambar di atas lajur, jalan, dan trotoar menggunakan anotasi polyline untuk memungkinkan diferensiasi lajur yang akurat.
Sistem ADAS
Sistem Bantuan Pengemudi Tingkat Lanjut membantu kendaraan otonom mendeteksi rambu-rambu jalan, pejalan kaki, mobil lain, bantuan parkir, dan peringatan tabrakan. Untuk mengaktifkan visi komputer in ADAS, semua gambar rambu jalan harus diberi anotasi secara efektif untuk mengenali objek dan skenario serta mengambil tindakan tepat waktu.
Sistem Pemantauan Pengemudi / Pemantauan Dalam Kabin
Pemantauan di dalam kabin juga membantu memastikan keselamatan penumpang kendaraan dan lainnya. Kamera yang ditempatkan di dalam kabin mengumpulkan informasi penting pengemudi seperti kantuk, tatapan mata, gangguan, emosi, dan banyak lagi. Gambar dalam kabin ini diberi anotasi secara akurat dan digunakan untuk melatih model pembelajaran mesin.
Dengan bantuan teknik anotasi gambar kotak pembatas, pelat nomor dapat dengan mudah ditemukan dan diekstraksi dari gambar kendaraan.Shaip adalah perusahaan anotasi data utama, yang memainkan peran penting dalam menyediakan data pelatihan berkualitas tinggi bagi bisnis untuk memberi daya pada sistem kendaraan otonom. Kita pelabelan gambar dan akurasi anotasi telah membantu membangun produk AI terkemuka di berbagai segmen industri, seperti perawatan kesehatan, ritel, dan otomotif.
Kami menyediakan sejumlah besar kumpulan data pelatihan yang beragam untuk semua model pembelajaran mesin dan pembelajaran mendalam Anda dengan harga yang kompetitif.
Bersiaplah untuk mengubah proyek AI Anda dengan penyedia data pelatihan yang andal dan berpengalaman.
