پایان پروژه تحقیقاتی KISSaF: همکاری موفقیت‌آمیز ZF و شرکای توسعه در حوزه هوش مصنوعی
شرکت‌های ذکر شده در مقاله
پتانسیل هوش مصنوعی در مدیریت موقعیت‌های پیچیده ترافیکی هنوز به طور کامل استفاده نشده است. به همین دلیل، ZF، شرکت INGgreen و دانشگاه TU Dortmund در سال 2021 برای پروژه KISSaF همکاری کردند. این پروژه هوش مصنوعی را آموزش می‌دهد تا حرکات کاربران ترافیک را پیش‌بینی کند. پس از سه سال، پروژه تحقیقاتی با موفقیت به پایان رسید. روش جدید باید بهتر از روش‌های قبلی عمل کند.
رانندگان با تجربه می‌دانند: رانندگی با پیش‌بینی خطرات، ایمن‌تر است. اما این موضوع برای سیستم‌های خودکار و خودران چگونه است؟ امروزه الگوریتم‌های هوش مصنوعی هنوز با چالش‌هایی روبرو هستند وقتی که باید رفتار احتمالی کاربران انسانی ترافیک را پیش‌بینی کنند. با بهبود هوش مصنوعی در این زمینه، می‌توان امنیت جاده‌ای را افزایش داد – به خصوص زمانی که تعداد بیشتری خودرو به سیستم‌های خودکار یا خودران مجهز شوند.
این دقیقاً انگیزه پشت پروژه تحقیقاتی KISSaF (تفسیر موقعیت‌های مبتنی بر هوش مصنوعی برای رانندگی خودکار) بود. رهبر کنسرسیوم ZF همراه با دانشگاه TU Dortmund و شرکت توسعه‌دهنده INGgreen بر روی پیش‌بینی صحنه‌های ترافیکی کار کردند.
آموزش ترافیکی برای هوش مصنوعی
پیش‌بینی صحنه‌های مبتنی بر هوش مصنوعی به کنترل خودرو این امکان را می‌دهد که پیش‌بینی کند کاربران دیگر ترافیک چه احتمالی دارد انجام دهند و بر اساس آن واکنش نشان دهد: آیا عابری که به نظر می‌رسد توسط گوشی همراهش حواس‌پرت شده، به زودی بی‌توجه به خیابان وارد می‌شود؟ در تغییر خودکار خطوط چه باید کرد؟ آیا خودروی جلویی هنوز ترمز می‌کند؟ چه عوامل دیگری نقش دارند؟
«برای آموزش هوش مصنوعی به گونه‌ای که بتواند به دقت چنین پیش‌بینی‌هایی انجام دهد، نیاز به مقادیر زیادی داده از ترافیک واقعی است»، توضیح می‌دهد دکتر تیل ناترمَن، مدیر پروژه KISSaF و مدیر فنی در ZF. برای جمع‌آوری این داده‌های واقعی، INGgreen و ZF یک خودروی اندازه‌گیری ساختند که با سیستم‌های سنسور و محرک‌های نزدیک به تولید انبوه تجهیز شده بود. این خودرو در بیش از 100,000 کیلومتر مسیر، علاوه بر داده‌های دوربین، رادار و لیدار، اطلاعات مربوط به GPS و شرایط آب و هوایی را نیز ثبت کرد. داده‌های خام پروژه KISSaF تقریباً 800 ترابایت، یعنی 800,000,000 مگابایت را شامل می‌شود. الگوریتم‌های توسعه‌یافته توسط دانشگاه TU Dortmund برای توصیف محیط، داده‌ها را برای استفاده‌های بعدی در پروژه آماده کردند.
بر اساس این مدل‌سازی محیطی، متخصصان هوش مصنوعی در آزمایشگاه هوش مصنوعی ZF در زاربروکن، هوش مصنوعی را آموزش دادند. پیش‌بینی‌ها سپس در شبیه‌سازی و با داده‌های واقعی ثبت‌شده در سیستم‌های کمکی توسعه‌یافته توسط ZF تست شدند.
پیش‌بینی به جای واکنش: امنیت بیشتر با هوش مصنوعی
پس از آموزش، هوش مصنوعی می‌توانست بهتر ارزیابی کند که کاربران دیگر ترافیک چگونه رفتار خواهند کرد. پیش‌بینی صحنه‌های توسعه‌یافته در KISSaF می‌تواند به سیستم‌های کمکی آینده کمک کند تا به صورت پیش‌بینی‌کننده عمل کرده، موقعیت‌های خطرناک احتمالی را بهتر پیش‌بینی کنند و به صورت پیش‌گیرانه ترمز بگیرند یا تغییر مسیر دهند.
برای مثال، هوش مصنوعی ممکن بود تغییرات خطرناک خطوط را تشخیص دهد و یا از وقوع آن‌ها جلوگیری کند. امکان پیش‌بینی به وجود آمدن فضا برای تغییر خطوط را نیز داشت و می‌توانست خودرو را به صورت ایمن از ترافیک عبور دهد. همچنین توانایی هوش مصنوعی برای توقف به موقع در تقاطع‌ها در برابر ترافیک مخالف، با استفاده از روش‌های توسعه‌یافته در KISSaF بهبود یافته است.
نتایج این مطالعه به ویژه برای بهینه‌سازی سیستم‌های کمکی رانندگی خودکار (ADAS) در سطح اتوماسیون 2+ و 3 طبق استاندارد SAE که می‌توانند توسط واحدهای کنترل مرکزی و کامپیوترهای پرقدرت مانند ZF ProAI کنترل شوند، مفید خواهند بود.
«ما عمداً بر روی یک تنظیمات نزدیک به واقعیت – هم در سنسورها برای جمع‌آوری داده‌ها و هم در سطح اتوماسیون سیستم‌های هوش مصنوعی – متمرکز شدیم»، توضیح می‌دهد ناترمَن. «این عملکردها به این ترتیب به بازار نزدیک‌تر از سایر سیستم‌ها هستند. داده‌های خام پروژه همچنین برای طرح‌های توسعه‌ی آینده مرتبط هستند. این پروژه از چندین جهت دارای اهمیت فراوان برای ما است»، می‌گوید ناترمَن.
پروژه KISSaF از ژانویه 2021 آغاز شد و توسط وزارت اقتصاد و انرژی فدرال حمایت مالی شد. ZF، INGgreen و دانشگاه TU Dortmund نتایج رسمی را در چارچوب رویداد KoTAM (هماهنگی میدان‌های آزمایشی برای حرکت خودکار در آلمان) در 11 آوریل 2024 در دوسلدورف ارائه دادند. ()