Wat is machine vision en hoe belangrijk is het voor zelfrijdende auto's?
Belangrijkste punten
Zelfrijdende auto’s maken gebruik van geavanceerde visuele waarnemingscapaciteiten om hun omgeving te begrijpen, zodat ze obstakels kunnen onderscheiden, verkeersborden kunnen herkennen en veilig over wegen kunnen rijden dankzij het gebruik van machine vision-technologieën.
De vision-machine die door autonome voertuigen wordt gebruikt, maakt gebruik van een combinatie van camera’s, edge computing en kunstmatige intelligentietechnieken om visuele gegevens te verzamelen, direct te analyseren en vormen en entiteiten in de omgeving te herkennen.
Vooruitgang op het gebied van kunstmatige intelligentie, edge computing en cameratechnologie is essentieel om volledige autonomie te bereiken in zelfrijdende auto’s door middel van machine vision. Met dit vermogen kunnen objecten worden geclassificeerd, rijstroken en signalen worden gedetecteerd, verkeersborden worden geïdentificeerd en verkeerspatronen worden herkend.
Het concept van zelfrijdende auto’s heeft in de loop der tijd veel interesse gewekt. Ondanks het feit dat we op dit moment nog geen volledig autonome auto’s hebben, zijn moderne voertuigen uitgerust met geavanceerde ADAS-systemen (Advanced Driver-Assistance Systems), die functies kunnen uitvoeren zoals automatisch sturen, correctie van rijstrookafwijkingen, parkeeroperaties en adaptieve snelheidsregeling in reactie op de heersende verkeersomstandigheden.
Een zelfrijdend voertuig is afhankelijk van een groot aantal sensoren om effectief te functioneren als een Advanced Driver Assistance System (ADAS). Machine vision is de belangrijkste methode voor het waarnemen, herkennen en bepalen van de positie en context van verschillende elementen in de omgeving. Het ontbreken van machine vision zou autonome voertuigen met alleen cruise control en automatische piloot zeer onwaarschijnlijk maken.
Wat is machine vision?
Machine vision, ook bekend als beeldverwerking met kunstmatige intelligentie, verwijst naar het vermogen van machines om visuele informatie uit hun omgeving te interpreteren door specifieke objecten of patronen te herkennen en identificeren. Deze technologie heeft talloze industriële toepassingen voor gebruik in automatiseringssystemen zoals robotica en zelfrijdende voertuigen, waarbij deze machines hun omgeving kunnen waarnemen en navigeren met behulp van computeralgoritmen die zijn ontworpen om menselijk zicht na te bootsen.
De huidige stand van zaken op het gebied van machine vision leunt zwaar op kunstmatige intelligentietechnieken, met name technieken die zijn afgeleid van deep learning-architecturen zoals convolutionele neurale netwerken (CNN’s). Deze geavanceerde algoritmen maken de ontwikkeling mogelijk van zeer veerkrachtige en universeel toepasbare modellen die objecten met grote nauwkeurigheid kunnen onderscheiden in een breed scala aan operationele scenario’s.Als gevolg hiervan worden deze systemen steeds vaker gebruikt voor toepassingen waar veel op het spel staat, in industrieën variërend van productie en landbouw tot robotica en autonome voertuigen, waar betrouwbare prestaties van het grootste belang zijn.
Hoe werkt machine vision in zelfrijdende auto’s?
de opstelling van de camera, computationele verwerking (aan de rand) en algoritmen voor kunstmatige intelligentie. Deze elementen vergemakkelijken de werking van een autonome auto door hem in staat te stellen zijn omgeving waar te nemen, weloverwogen beslissingen te nemen op basis van die informatie en onderscheid te maken tussen verschillende objecten en potentiële gevaren op zijn weg. Om te begrijpen hoe deze technologische aspecten samensmelten tot een samenhangend machine vision-systeem voor een zelfrijdende auto, zullen we elk onderdeel in detail bekijken.
Camerasysteem
Machine vision maakt gebruik van camerasystemen om visuele gegevens over de omgeving te verzamelen. Autonome voertuigen maken gebruik van meerdere camera’s rondom het voertuig om een uitgebreide hoeveelheid visuele informatie te verzamelen voor een beter omgevingsbewustzijn en betere besluitvorming.
Complementaire metaaloxide halfgeleider (CMOS) en Charge-Coupled Device (CCD). In de context van autonome voertuigen wordt vaak de voorkeur gegeven aan CMOS vanwege de snelle uitleessnelheid, robuuste boordelektronica en parallelle verwerkingscapaciteiten, waardoor het een geschiktere optie is, ondanks dat het gevoelig is voor ruis of vervormingen. Er kunnen echter verschillende strategieën worden toegepast om deze problemen te verminderen, waaronder aanpasbare verlichtingsinstellingen, digitale nachtopnames en beeldfiltertechnieken die de prestaties van de CMOS-sensor verbeteren onder suboptimale verlichtingsscenario’s.
Stereoscopisch zicht, dat het resultaat is van de combinatie van meerdere visuele inputs, geeft een perceptie van diepte of driedimensionaliteit aan objecten en de omgeving. Om dit te bereiken voor autonome voertuigen, worden camera’s strategisch geplaatst op specifieke intervallen, zodat ze de afstand tussen een object en het voertuig kunnen berekenen door trilateratie.
Stereopsis, of het vermogen om diepte waar te nemen door binoculair zicht, is een waardevol voordeel dat de mens heeft doordat hij twee ogen heeft. Dit fenomeen kan experimenteel geverifieerd worden door één oog te sluiten en een minuscuul voorwerp op het werkoppervlak te selecteren. Als je je hand langs de rand van het voorwerp houdt en ervoor zorgt dat het uiteinde niet minder dan 5 cm van het voorwerp verwijderd is, kun je proberen de afstand te schatten door je blik enkele ogenblikken vast te houden.Als vervolgens beide ogen weer worden geopend, blijkt dat het vermogen om ruimtelijke relaties waar te nemen aanzienlijk is toegenomen, een resultaat dat kan worden toegeschreven aan de aldus verkregen verbeterde stereoscopische gezichtsscherpte.
Randcomputer
De boordcomputer, die gebruik maakt van randverwerking, werkt het systeem van het zelfrijdende voertuig onmiddellijk bij met realtime informatie die door het camerasysteem is verzameld. Ondanks de potentiële kostenbesparingen in verband met cloud computing voor standaard machine vision-toepassingen, maken de inherente risico’s van het verbinden van zelfrijdende voertuigen met het internet alternatieve oplossingen noodzakelijk.
Het gebruik van een gedistribueerd computersysteem, zoals een randcomputer, om binnenkomende gegevens te verwerken kan zorgen over latentie verminderen en real-time communicatie van informatie mogelijk maken. Voor autonome voertuigen integreren deze systemen geavanceerde grafische verwerkingseenheden (GPU’s) van fabrikanten als NVIDIA, die functies als Tensor Core en CUDA Cores bevatten om de prestaties te verbeteren.
AI-algoritmen
Het gebruik van algoritmen heeft altijd een onmisbare rol gespeeld op het gebied van machine vision. Met deze algoritmen kunnen computers verschillende visuele elementen onderscheiden en herkennen, zoals patronen, contouren en tinten die door camera’s worden vastgelegd. Door gebruik te maken van kunstmatige intelligentie (AI) in plaats van te vertrouwen op conventionele machine vision-technieken, kunnen autonome voertuigen hun vermogen om objecten, verkeersborden, rijstrookmarkeringen en verkeerssignalen nauwkeurig te identificeren aanzienlijk verbeteren. Er wordt momenteel een reeks AI-algoritmen gebruikt om zelfrijdende auto’s op te leiden:
YOLO, of “You Only Look Once,” is een realtime objectdetectiealgoritme dat is ontworpen om objecten binnen het visuele bereik van een auto te identificeren en te volgen.
Het gebruik van Scale-Invariant Feature Transform (SIFT) is cruciaal voor het extraheren van kenmerken waarmee een voertuig opvallende herkenningspunten en objecten in de omgeving kan identificeren.
Het gebruik van Histograms of Orientated Gradients (HOG) is een veelgebruikte techniek op het gebied van beeldanalyse, specifiek gericht op de identificatie van objecten op basis van de extractie van lokale patroon- en gradiëntinformatie die aanwezig is in visuele beelden.
TextonBoost is een computationeel model dat is ontworpen om de visuele waarneming te verbeteren en de objectherkenning te vergroten door de complexe patronen van textuur binnen een omgevingscontext te onderzoeken. Deze innovatieve benadering maakt gebruik van de kracht van geavanceerde machine learning-technieken, zoals diepe neurale netwerken, om visuele informatie op meerdere schalen en in verschillende beeldmodaliteiten te analyseren.Door gebruik te maken van deze geavanceerde technologieën heeft TextonBoost de potentie om ons begrip van hoe mensen hun omgeving waarnemen en interpreteren aanzienlijk te verbeteren, waardoor de weg wordt vrijgemaakt voor nieuwe doorbraken in computer vision onderzoek.
AdaBoost is een krachtig algoritme dat wordt gebruikt om de nauwkeurigheid van gegevensclassificatie te verbeteren door verschillende slecht presterende classificeerders te integreren in een robuust voorspellend model dat zowel objecten als potentiële gevaren in de omgeving van het voertuig effectief kan identificeren.
Het belang van machine vision in zelfrijdende auto’s
Image Credit:Automobile Italia/ Flickr
Het gebruik van machine vision is cruciaal om autonome voertuigen in staat te stellen hun omgeving waar te nemen, waardoor het onmisbaar is om de werking van zelfrijdende auto’s op hogere niveaus in het spectrum van voertuigautonomie te vergemakkelijken. Het ontbreken van dit vermogen zou ertoe leiden dat deze voertuigen worden gedegradeerd naar de lagere regionen van autonomie, waardoor hun ontwikkeling naar volledige automatisering wordt belemmerd.
Dankzij de vooruitgang in machine vision technologie zijn autonome voertuigen bedreven geworden in het classificeren van objecten op de weg, het detecteren van rijstroken en signalen, het identificeren van verkeersborden en het herkennen van patronen in de verkeersstroom.
Ondanks het feit dat ze vertrouwen op een reeks sensorsystemen, waaronder LiDAR, RADAR en SONAR, voor navigatie en omgevingsbewustzijn, zijn hedendaagse autonome voertuigen nog steeds sterk afhankelijk van machine vision om hun omgeving waar te nemen, objecten daarin te onderscheiden en de betekenis van verkeersborden en verkeerssignalen te begrijpen. De integratie van extra zintuiglijke modaliteiten dient alleen om de mogelijkheden van machine vision te verbeteren en daarmee de veiligheid voor voetgangers, huisdieren en eigendommen te vergroten.
Machine vision is zeker geëvolueerd naar een niveau waarop het autonoom kan functioneren zonder aanvullende ondersteuning van andere zintuiglijke input. Zo hebben de meest recente zelfrijdende auto’s van Tesla het gebruik van RADAR-technologie geëlimineerd ten gunste van het uitsluitend vertrouwen op machine vision om hun Autopilot-systemen te faciliteren.
Hoewel dit de waarde van alternatieve sensorische systemen in autonome voertuigen niet ondermijnt, onderstreept het het belang en de kracht van machine vision binnen het domein van zelfrijdende auto’s.
De toekomst van machine vision in autonome voertuigen
Machine vision vormt de hoeksteen voor de ontwikkeling van zelfrijdende auto’s, omdat deze voertuigen hun omgeving net zo scherp kunnen waarnemen als menselijke bestuurders.Hoewel er nog obstakels moeten worden overwonnen, staat het buiten kijf dat de voordelen van machine vision op het gebied van veiligheid en navigatie aanzienlijk zijn. Met het oog op de toekomst van autonoom vervoer zal de voortdurende vooruitgang op het gebied van kunstmatige intelligentie, edge computing en beeldverwerkingstechnologieën ongetwijfeld leiden tot een grotere bekwaamheid van zelfrijdende auto’s, waardoor hun autonomieniveau zal toenemen.