Kategoriarkiv: Artificiell intelligens

FFI Trafiksäkerhet och Automatiserade Fordon 2019

I tisdags hölls FFIs delprogram Trafiksäkerhet och Automatiserade Fordon sin årliga resultatkonferens. Programledaren Ulrika Landelius inledde med att berätta om den nya övergripande färdplanen för FFI, kopplad till Agenda 2030-målen. Vidare så pågår det en utvärdering av hela FFI-programmet som ska vara klar i slutet av året.

Därefter visade Rikard Fredriksson från Trafikverket en analys av trafiksäkerhetsindikatorer och dödsolyckor 2018:

  • 2018 ökade antalet omkomna i trafiken med ca 30%. 
  • I stort sett hela ökningen är på statliga vägar. Den största delen av ökningen står bilförarna för, medan cyklisterna dominerar bland de allvarligt skadade. Äldre bilar står för en oproportionellt stor andel av olyckorna. 
  • Som det ser ut just nu kommer Sverige att missa det uppsatta trafiksäkerhetsmålet för 2020 då flera indikatorer pekar åt fel håll. Det är bland annat bättre hastighetsefterlevnad som behöver uppnås liksom nykter trafik samt bättre drift och underhåll av infrastrukturen och bättre användning av cykelhjälm. Dessutom behöver gamla bilar skrotas!
  • En intressant reflektion är att det bör finnas en starkare koppling mellan indikatorer och FFI-portföljen. 

Projektpresentationer från den strategiska cykelsatsningen:

  • Att dela olika världar, Katja Kircher, VTI.Beeendeanalyser i projekten TRACE och ADVanCE visar att cyklister och bilister ställs inför olika utmaningar. Högre komplexitet för cyklister är normalt, och framförallt ändras det snabbare för cyklisterna. Ofta råder det oklarhet om vilka regler som gäller för cyklister. Man kan inte låta bli att undra: Hur kommer det då gå för automatiserade fordon i sådana situationer?
  • Cyclist Collision Avoidance Using Imagery Sensor, Tobias Aderum, Veoneer. Veoneers trackingsystem för att identifiera och autobromsa för cyklister sitter bl.a. i nya Mercedes A-klass. För att vidareutveckla systemet har projektet också försökt att, genom att identifiera hjulens ellipser, räkna fram cykelns tillståndsparametrar och prediktera cyklistens avsikter. Resultaten är inte perfekta men lovande. Behöver vidareutveckling för att kunna hantera exempelvis dåliga väder- och ljusförhållanden. 
  • V2Cyclist: Kan V2X bli en användbar teknik för cyklister? Johan Fagerlönn, RISE. Hjälmprototyper för V2X kopplade till en molntjänst samt användargränssnitt via ljud och vibrationer via en ben-ledare. Prototypen ha utvärderats med ett begränsat antal deltagare med lovande resultat. En reflektion är om smarta hjälmar kan öka användning av hjälmar generellt sett? Och hur upplevs det när man bara får varning från en del fordon men inte alla?

Bengt Pipkorn från Autoliv föredrog humanmodellering: var är vi och vart är vi på väg? Med humanmodeller menas modeller av den mänskliga kroppen. Modellerna kan sedan skalas för att representera olika människor: stora och små, män och kvinnor etc. Några resultat:

  • Nyare bilar ger ökade skaderisker i vissa fall, som hjärnskakning, höftskador. Riskgrupper är kvinnor, äldre, överviktiga. Humanmodellen SAFER THUMS kan idag prediktera risken för vissa frakturer för olika åldrar. För att möjliggöra utveckling av ett mer generellt skyddssystem utvecklas humanmodeller för olika storlekar av åkande. 
  • I framtiden när bilarna blir mer automatiserade och de åkande kan välja olika sittpositioner kommer det att krävas nya metoder för att prediktera skaderisken och nya skyddssystem.
  • Nya sittpositioner i automatiserade fordon som väntas bli farliga: bakåtlutad och bort från främre airbags, bakåtvänd, roterad, sovande.

Johan Svahn från Scania drog därefter projektet ARCHER – Arkitektur och säkerhet för autonoma tunga fordon. ARCHER:s syfte var att utforska problemställningarna kring utveckling av automatiserade tunga fordon. Projektet startade relativt tidigt i utvecklingen av AD vilket gjort att omvärlden hann förändras och det tänkta projektupplägget blev mindre relevant, samtidigt som svårigheterna visade sig vara större än väntat. Projektets fokus hamnade därför istället på förståelse, metoder och principer samt modellering och simulering. Säkerhetsmekanismer, redundanskoncept, gapanalyser, verifieringsstrategier och utvärdering av säkerhetskultur var andra delar som ingick. Arbetet fortsätter delvis inom ramen för PRYSINE-projektet (Programmable systems for intelligence in automation)

Efter Horizon 2020 (H2020) kommer nu nästa stora EU-forskningsprogram Horizon Europe (2021-2028). Mats Rosenquist från AB Volvo berättade om programmet och hela det stora nätverket som finns i EU-sammanhang. Han poängterade att det är viktigt att FFI-projekt används för att skapa argument och driva fram viktiga frågor på EU-nivå. Och fortfarande återstår två utlysningar inom Automated Road Transport 2020!

Trent Victor från Volvo Cars diskuterade sedan hur vi säkrar att under färd lämna tillbaka kontrollen till föraren från ett automatiserat fordon?, ett aktuellt ämne bl.a. med tanke på incidenter och olyckor. Några slutsatser:

  • En studie utförd av Volvo Cars visade att förarna inte reagerar eller reagerar försent när de behöver snabbt ta tillbaka kontrollen från automationen, oavsett om man har händerna på ratten eller inte, om man tittar på vägen eller inte. Det finns helt enkelt begränsningar i människans reaktion- och kognitivförmåga. 
  • Det är stor skillnad på självstyrande fordon och självkörande fordon, vilket inte framgår av SAE-skalan. 
  • Problem uppstår när man byter roll. Är jag tillräckligt bra på att hantera bilen efter att ha fått ta över? Vilket tillstånd är jag i efter att ha varit ur loopen ett tag? Vad händer om den så kallade operativa kördomänen (ODD) plötsligt ändras? Om systemet fallerar? Systemen måste kunna stödja föraren i en mer utdragen överlämningsprocess.
  • En slutsats är att man borde ta fram ett alternativ till SAE-skalan. Nivåerna bör förenklas till: manuell – övervakad körning – ej övervakad körning. 

Slutligen föredrag Lars Hammarstrand från Chalmers projektet COPPLAR – Robust visual localization for self-driving vehicles in every season. För automatiserade fordon är det viktigt att de kan lokalisera sig i omgivningen. Men det är ingen enkel uppgift. De viktigaste utmaningarna här är att kunna utföra lokaliseringen med tillräcklig noggrannhet. En svårighet är att omgivningen ändrar sig såväl över längre tid (sommar-vinter) som kortare (dag-natt) tid och till och med ögonblick (stationära objekt). COPPLAR har använt semantiska annoteringsmetoder i maskininlärning för att sortera ut några av dessa problem.

Och till sist var det ett par öppna frågor som diskuterades:

  • Är det bra eller dåligt att man ser många bekanta ansikten i publiken?
  • Hur ser vi till att resultaten från FFI-projekt kommer till användning i industrin och samhället? Hur mäter man effekten av FFI-projekt?

Korta notiser

Här några korta notiser om vad som hänt nyligen:

  • Uber börjar testa självkörning i Dallas, Texas. I första steget handlar det om datainsamling. The Verge 17 september.
  • Ouster och Nvidia samarbeta för att integrera Ousters OS2 lidar i Nvidias AD-plattform. Forbes 18 september.
  • Lyft lanserar en innovationstävling där deltagarna ska använda Lyfts öppna annoterade data för objektidentifiering. Första pris är $25 000. Medium 12 september.
  • Jaguar/Landrover prövar ”ögon” på förarlösa poddar som ett sätt att kommunicera med andra trafikanter som fotgängare. JLR 28 augusti.
  • JLR samverkar också med OSR och integrerar deras AI-plattform i Jaguar I-PACE IAA 11 september.
  • Veoneer har fått kontrakt från en icke namngiven fordonstillverkare att leverera värmekameror till självkörande bilar (nivå 4). Veoneer 17 september.
  • Kinesiska MINIEYE satsar på ADAS och får på det sättet tillgång till stora mängder data som man kan använda för framställning av HD-kartor. BusinessWire 17 september.
  • Amerikanska Transportmyndigheten finansierar 8 AD-projekt i 7 delstater med totalt $60 miljoner. RoadShow 16 september.
  • Shanghai har givit tillstånd för utökade AD-tester till SAIC, BMW och Didi Chuxing. Med de nya tillstånden får man också köra passagerare. China Daily 17 september.

Drive Sweden Forum 2019

I går 12 september gick årets Drive Sweden Forum av stapeln med ca 270 deltagare. Drive Sweden är ju ett av 17 strategiska innovationsprogram (SIP) som finansieras av Vinnova, FORMAS och Energimyndigheten. Lindholmen Science Park är värdorganisation med Sofie Vennersten som programledare och Jan Hellåker som ordförande och har mer än 120 partners från 13 länder – 4 nya medlemmar presenterades på konferensen. Programmet blir alltmer internationellt, med samverkan såväl i EU- finansiering som gemensamma projekt. Man har också nu en person i Silicon Valley och har samarbete med Singapore.

Drive Sweden finansierar lite mer banbrytande projekt inom hållbar mobilitet, som exempelvis KOMPIS, LIMA och KRABAT. Man ger också ut nyhetsbrevet Smart Mobility samt har ett antal andra aktiviteter. Man gör nu ett omtag och lanserar en ny struktur, med delarna Society Planning, Digital Infrastructure, Policy Development, Business Models och Public Engagement, med fokus på såväl person- som godstransporter. Man har nu en öppen utlysning Innovationer för ett digitaliserat och automatiserat transportsystem för människor och gods som stänger 5 november.

Här korta sammanfattningar från några av konferensens föredrag.

David Green från Lynk & Co pratade om företagets vision att förändra mobilitet med hjälp av digitalisering för att ge en bättre kundupplevelse. För detta krävs samverkan med externa parter och man har skapat en öppen samverkansplattform colab.lynkco.com.

Ulrik Janusson och Marie Bemler från Scania visade några framtida möjliga scenarios för digitalisering inom godstransporter. Två viktiga parametrar är öppenhet i delning av data och hur mycket klimatfrågan slår igenom.

Hur kan man samverka med allmänheten när man designar framtida mobilitetstjänster och därmed nå en bättre acceptans för till exempel självkörande fordon? Detta har Vaike Fors från Högskolan i Halmstad studerat. En lärdom är att man måste gå bortom att bara titta se ”användare” och ”stadsinvånare” till att se alla som människor med olika behov, kunskaper och värderingar.

Våra kollegor Kent Eric Lång och Håkan Burden från RISE Viktoria berättade om policy-labbprojektet PLATT som tittar på möjliga strategier för att underlätta för självkörande fordon även från nya aktörer. En viktig strategi är att kunna bygga förtroende, trust, istället för tidigare typgodkännande-rutiner. Projektet är snart slut och man söker nu nya initiativ runt policy-utveckling.

Samtidigt måste samhället kunna hantera både att skapa goda näringslivsförutsättningar för ny teknologi och också bibehålla och förbättra säkerheten i trafikmiljön och därmed bygga förtroende, vilket Anna Fridén från KOMET, Kommittén för teknologiskt innovation och etik som den svenska regeringen tillsatt, berättade om.

Stefan Myhrberg från Ericsson talade om digital infrastruktur för automatiserade fordon, där man bland annat etablerat Drive Sweden Innovation Cloud, där Drive Sweden-medlemmar kan lagra och dela data från fordon, infrastruktur, parkeringsplatser, kameror etc. 5G är då en möjliggörare för att tillräckligt snabbt hantera de stora datamängderna som krävs när många enheter blir uppkopplade.

Olof Johansson från Trafikverket visade en ny färdplan för ett uppkopplat och automatiserat vägsystem. Färdplanen har identifierat 20 åtgärder i 4 kluster: Ökad kunskap om automatiseringens effekter (t.ex. tester och demonstrationer), Effektivt utnyttjande av kapacitet (t.ex. MaaS), Hållbart och säkert transportsystem genom digitalisering (t.ex. miljözoner) och Nya planeringsstöd för ökad användbarhet (t.ex. simuleringsmodeller). Nästa steg är att implementera åtgärderna. Suzanne Andersson från Trafikkontoret i Göteborg pratade om några utmaningar som då uppstår för samhällsplanerarna, som att städer utvecklas långsamt och man måste ta hänsyn till kommungränser.

En svårighet är att hitta och välja rätt affärsmodell för nya mobilitetslösningar. Rami Darwish från KTH berättade om ett affärsmodell-labb som man jobbar med inom ITRL ihop med Sustainable Innovation. I en paneldiskussion med Li Höglund från SnappCar, Stina Wärn från Folksam, Ulf Hammarberg från DHL och Mikael Rönnholm från CEVT, ledd av Roland Elander från Sustainable innovation, diskuterades detta. En nyckel är att lyssna till användarna och att vara beredd att göra snabba ändringar. Data från fordon och tjänster är också viktiga informationskällor. Men informationen måste då skyddas från intrång. Även regelverken måste kunna anpassas snabbt, med elsparkcyklar som ett aktuellt exempel. E-handel är ett annat område där affärsmodellerna behöver anpassas att bli både mer hållbara men ändå lönsamma. För industrin behöver affärsmodeller och leverantörskedjor också bli mer öppna att inkludera även lösningar från små entreprenörsföretag. Utvecklingen går både fortare och långsammare, beroende på område, än vad många tror. Man måste alltså jobba både kort- och långsiktigt.

Martin Svensson från AI Innovation of Sweden pratade om AI i det framtida transportsystemet, på komponent-, system- och samhällsnivå. Det finns stora möjligheter men mycket återstår att göra. Mats Nordlund från Zenuityvisade exempel på hur de använder AI och maskininlärning i sin verksamhet.

Joakim Jonsson från Volvo Bussar berättade om arbetet med autonoma stadsbussar som är kopplat till KRABAT-projektet. Man kan inte börja med att köra helt autonomt utan har identifierat 3 möjliga användningsfall: hållplatskörning, busståg och rangering i bussdepå. Se filmen nedan.

Zenuity + CERN

Zenuity har inlett ett samarbete med CERN (European Organization for Nuclear Research) gällande utveckling av snabb maskininlärning för självkörande bilar [1] .

Samarbetet kommer att fokusera på algoritmutveckling för tolkning av stora mängder data. För detta kommer de att använda sig av Field-Programmable Gate Arrays (FPGAs), något som CERN använt för partikelmodellering. 

CERN har den jättelika partikelacceleratorn LHC på gränsen mellan Frankrike och Schweiz och är världens största laboratorium inom partikelfysik. Detta är första gången som CERN samarbetar med fordonsindustrin.

Egen kommentar

Ett udda samarbete kan man tycka, men som vi påpekat flera gånger innan så måste fordonsvärlden utvidga sina vyer om automatiserad körning ska kunna bli verklighet.

Källor

[1] Zenuity. Zenuity and CERN team up on fast machine learning for autonomous driving. 2019-08-29 Länk

Volvo Trucks utforskar beteende

Volvo Trucks North America har inlett ett samarbetsprojekt med mjukvaruföretaget Perceptive Automata och en av sina kunder, Dependable Highway Express (DHE) [1]. 

Inom ramen för projektet har de utvecklat ett proof-of-concept säkerhetssystem som med hjälp av artificiell intelligens läser av avsikt och situationsmedvetenhet hos andra trafikanter som fotgängare, cyklister och bilister och som sedan används för att förbättra situationsmedvetenheten hos lastbilsförare. Systemet har nyligen demonstrerats i Ontario i Kalifornien i en lastbil av typen Volvo VNR 300.

Här kan ni få en liten försmak. 

Källor

[1] Volvo Trucks US. Press release. Volvo Trucks North America Teams Up With Perceptive Automata and DHE to Explore Human Behavior Prediction for the Trucking Industry. 2019-06-20 Länk

Humanising Autonomy på frammarsch

Startuppföretaget Humanising Autonomy adresserar ett av de svåraste problemen för automatiserade fordon: att detektera och veta vad fotgängare gör [1].

Enligt företaget överträffar deras AI-system människor. Det använder sig av bilder från praktiskt taget vilken kamera som helst och deras modeller är uppbyggda för RGB-data vilket ger bra djupinformation. Hemligheten för prestandan påstås dock ligga i modulära modeller som efterliknar människans sätt att känna igen och resonera kring andra människor i trafiken.  

Företaget samarbetar med mobilitetsföretag som Daimler Mercedes Benz och Airbus. De har nu fått en investering på ca 53 miljoner kr (5,3 miljoner dollar) från en internationell grupp av investerare ledd av Anthemis.

Källor

[1] Coldewey, D., TechCrunch. Humanising Autonomy pulls in $5M to help self-driving cars keep an eye on pedestrians. 2019-06-19 Länk

Tesla Autonomy Day

I måndags höll Tesla ett event kallat Autonomy Day där de berättade om flera uppmärksammade nyheter. Till skillnad från tidigare event var detta mycket mer fokuserat på teknologin som man öppet och relativt detaljerat gick igenom, och flera skribenter verkar ha blivit imponerade [1, 2].

Till att börja med har Tesla utvecklat ett eget chip, som ska vara specialanpassat för just Teslas självkörande fordon, till skillnad från t.ex. Nvidias som är mer generellt och som används av många konkurrenter. Teslas chip, som ska tillverkas av Samsung, ska t.ex. vara betydligt snabbare på bildbehandling [1]. Detta nya chip sitter i processorerna i alla Tesla-bilar som tillverkas nu, vilket gör att de hårdvarumässigt redan är klara för att bli helt självkörande, enligt Elon Musk. Nästa år ska man släppa en ny mjukvara för detta vilket gör att det då direkt kan finnas en miljon helt självkörande bilar på marknaden [3]. Och om 2 år kommer nästa generation av chippet.

Vad gäller sensorer så fortsätter Tesla att satsa på radar, kameror, GPS, kartor och kommunikation – men inte lidar. I själva verket anser Elon Musk att de företag som satsar på lidar är dömda till undergång, ”doomed” [4]. Lidarer är dyra och onödiga, säger han. Dessutom drar de mycket energi. För att klara svårare siktförhållanden – där lidar annars har sin styrka – satsar Tesla istället på utveckling av kameror och maskininlärning.

Vad gäller just maskininlärning så har Tesla en fördel i att de låtit alla sina bilar på marknaden (som har tillräckligt med sensorer) sedan flera år samla in data som sedan används för att träna AI-systemet [2]. Man har då också kunna inrikta träningen på speciellt svåra objekt, som t.ex. cyklar på cykelställ på bilar (är det en bil eller en cykel?).

Den kommande mjukvaran kommer också att innehålla funktioner för att låta bilarna – om föraren så önskar – köra mer aggressivt, i vad Elon Musk kallar ”Los Angeles trafikmod” eftersom det krävs en aggressiv körstil för att ta sig fram i trafiken där [5].

Med den nya självkörningsförmågan så möjliggörs också robot-taxi, och Tesla planerar nu för en sådan tjänst, men med en ny affärsmodell. Tanken är nämligen att använda Tesla Model 3-bilar som tidigare leasats till kunder [6]. Kunderna får då ta den största delen av värdeminskningen, och robot-taxitjänstens kunder bryr sig förstås inte om bilarna varit nya eller begagnade. Det innebär också att de som leasat Model 3 inte kommer att ha möjlighet att köpa loss bilarna när leasingperioden är slut.

På frågan om hur mycket Tesla satsar på utvecklingen av självkörning svarar Elon Musk ”det är i princip hela vår kostnadsstruktur”. Han säger också att det är ekonomiskt vansinne att idag köpa en annan bil än en Tesla, för ”om tre år kommer det att vara som att äga en häst” [3].

Här kan ni se en video från eventet (den börjar med en snygg men lååång reklamfilm, själva eventet startar efter 1 timme och 9 min).

Egen kommentar:

Här kändes det verkligen att Tesla har sin bakgrund i elektronikindustrin snarare än i fordonsindustrin – man gör saker som en traditionell biltillverkare nog inte skulle ge sig på.

Filmen innehåller också en bra beskrivning av hur maskininlärning fungerar allmänt och i fordonssammanhang, för oss som inte är insatta i ämnet.

Men min känsla av att se videon är att trots det positiva budskapet så verkar inte Elon Musk riktigt vara i form. Men så är ju Tesla också – återigen – ifrågasatta vad gäller att leverera vad de lovat, nu avseende volymer av Model 3, och också vad gäller själva affären, med lägre intäkter pga sänkta priser och fortsatt höga kostnader. Därför är det extra intressant med den nya affärsmodellen. Men den förutsätter ju att allt finns på plats och robot-taxitjänsten verkligen blir en framgång.

Samtidigt finns det fler moln på Teslas himmel: bland annat en bil i Shanghai som spontant börjat brinna [7]; och en studie som ifrågasätter om Teslas statistik för hur många olyckor de undvikit med sin teknologi verkligen stämmer, då urvalet kanske inte varit representativt [8].

Källor:

[1] Alexandria Sage, Vibhuti Sharma: Tesla says robotaxis coming to U.S. roads next year, slams rivals’ use of Lidar, Reuters 2019-04-22 Länk

[2] Brad Templeton: Tesla Bets Farm On Neural Network Based Autonomy With Impressive Presentation, Forbes 2019-04-22 Länk

[3] Tesla’s self-driving robotaxis will be on US roads by next year, promises Elon Musk, Livemint 2019-04-23 Länk

[4] Matt Burns:
‘Anyone relying on lidar is doomed,’ Elon Musk says, TechCrunch 2019-04-22 Länk

[5] Sean O’Kane: Elon Musk says Tesla will allow aggressive Autopilot mode with ‘slight chance of a fender bender’, The Verge 2019-04-22 Länk

[6] Will Tesla’s Leasing Program Disrupt The Ride-Sharing Market? CleanTechnica 2019-04-21 Länk

[7] Brenda Goh, Yiley Sun: Model S fire video adds to Tesla woes pre-results, Reuters 2019-04-22 Länk

[8] Edward Niedermeyer: MIT Study Showing High ”Functional Vigilance” Among Autopilot Users Comes With Massive Caveats, The Drive 2019-04-10 Länk

AI.se

Under veckan invigdes det nya centret AI Innovation of Sweden i Göteborg [1]. Det är en nationell satsning som har ambition att fungera som en motor i det svenska AI-ekosystemet. Fokus kommer att ligga på att accelerera tillämpningen av AI genom delning av kunskap och data, samlokalisering och samarbetsprojekt, allt med ett starkt fokus på etik, transparens och säkerhet. Satsningen finansieras av Vinnova (30 Mkr fördelade på 4 år) samt ett 40-tal medlemmar som väntas bidra med egen tid. 

AI Innovation of Sweden har lovordats av många, och inte minst vår nyblivne Energi- och digitaliseringsminister Anders Ygeman som under invigningen konstaterade: Sverige ska vara bäst i världen på att använda digitaliseringens möjligheter. AI Innovation of Sweden är en viktig del i att göra verklighet av det. [2]

Lindholmen Science Park AB står som värd för det nya centret. 

Källor

[1] AI Innovation of Sweden, News. AI Innovation of Sweden officially launched. 2019-02-06 Länk

[2] Digitalifrsatruktur. Nu startar AI Innovation of Sweden. 2019-02-06 Länk

Waymo och Google använder AutoML för att bygga Machine Learning

Waymo, kända för sina självkörande fordon, är väl förtrogna med machine learning (ML) som de använder i nästan alla delar av sina fordon, från att läsa av omgivningen, att förutsäga hur trafikanter i närheten kommer agera och bestämma det egna fordonets nästa rörelse.

Med ett samarbete med Google AI och forskare från ”the Brain team” har forskare börjat undersöka möjligheten att använda ett ML-baserat system, AutoML, för att anpassa sina modeller till olika städer och miljöer. Frågan som samarbetet jobbar med att söka finna svar på är: kan AutoML generera högpresterande och snabba Neural Networks för en bil? Med prestanda menar de hur precision i svaren från näten och med snabbhet menar de hur snabbt nätet kan leverera ett svar. 

För att hitta en bra arkitektur för ett neuralt nätverk görs mycket manuellt arbete med att kominera olika typer av byggblock, t.ex. antal gömda noder och inlärningsfunktioner etc. 

Med hjälp av AutoML kunde de automatiskt kombinera dessa byggblock och på så sätt förbättra prestanda på två olika sätt: nya nätverk som var signifikant snabbare, fast med liknande precision och nätverk med högre precision fast med liknande snabbhet.
Alltså, genom att kombinera olika byggblock kunde de utforska olika konfiguration av nätverken. Så, med denna kunskap ville de även prova att skapa helt nya typer av nätverk. 

Eftersom det tar dagar att utvärdera en ny arkitektur skapades mini-problem baserade på original-problemet, dvs. bildsegmentering. Miniproblemen kunde analyseras på några timmar och nu kunde AutoML mjukvaran användas för att testa inte bara nya byggblock utan helt nya arkitekturer. Det som annars skulle ta år att köra på servrarna med multipla grafik-kort tog nu några timmar. 

Resultaten var enastående, 10 000 nya arkitekturer kunde skapas automatiskt, och testas på ett par veckor (istället för över ett år). Nätverk som var 20-30% snabbare och med mellan 8-10% högre precision kunde automatgenereras.

Källa:

[1] Automating the design of machine learning models for autonomous driving, Waymo 2019-01-15 Länk

Vatten och AI

En rapport från ”Center of U.S. auto manufacturing” höjer ett varningens finger kring prestanda hos AI-baserade algoritmer för objektidentifiering i samband med regn. Hayder Radha, professor vid Michigan State University, bekräftar detta problem och säger: I tester missar algoritmen ca 20% av alla objekt i lätt regn, om regnet tredubblas, dubbleras felfrekvensen. Även till synes små förändringar som färgskiftningar på grund av årstiderna kan påverka fordonens radar och lidarsensorer säger Prof. Radha.

Trots dessa utmaningar storsatsar bl.a. Hyundai på AI-teknologi för självkörande fordon. De har bl.a. investerat i startupföretaget Allegro.ai. Även Boston-baserade företaget Optimus Ride satsar med Nvidias Drive AGX Xavier plattformar för att starta en flotta med självkörande fordon i specifika områden t.ex. högskolekcampus och andra zoner för självkörande fordon.

Källa: 

[1] George Leopold: Study Pours Cold Water on AI Driving Algorithms, Datanami 2019-01-02 Länk