A teljesen autonóm járművek számára nagy kihívás a rossz időjárási viszonyok közötti navigáció. A hó különösen zavarja azoknak az adatoknak a begyűjtését, amelyek segítenek a járműnek felmérni a környzetét, megtalálni az akadályokat és a felezővonal megfelelő oldalán maradni, feltéve, hogy az egyáltalán látható.
Az Egyesült Államokban a Michigan állambeli Keweenaw-félszigeten minden télen átlagosan több mint 500 centiméter hó esik, így tökéletes helyszín az autonóm járműtechnológia határainak feszegetésére. Az SPIE Defense + Commercial Sensing 2021 konferencián bemutatott két tanulmányban a Michigani Technológiai Egyetem kutatói olyan megoldásokról számoltak be, amelyek segíthetnek az önvezetés bevezetésében az olyan utakon, ahol rendszeresen sok a hó.
Az autonóm járművek felkészültsége nagyon különböző. Más szintet képviselnek a már forgalomban lévő, holttérfigyelővel vagy fékezési asszisztenssel ellátott autók, az önvezető üzemmódokba be- és kikapcsolni képes járművek és a teljesen önálló navigációra képes járművek. A nagy autógyártók és a kutatók még mindig dolgoznak az önvezető technológiák és algoritmusok finomításán. Időnként előfordulnak balesetek, amelyek vagy azért következnek be, mert az autó mesterséges intelligenciája (AI) rosszul mérte fel a helyzetet, vagy azért, mert az önvezető funkciókat a járművet vezető emberek helytelenül használták.
Az emberi agy az érzékszervekkel való együttműködés alapján képes a különböző helyzeteteket tipizálni, és annak megfelelően beavatkozni adott körülmények között. Az autonóm járművekben két kamera sztereó látással pásztázza és érzékeli a mélységet az emberi látást utánozva, míg az egyensúlyt és a mozgást (a tehetetlenség elvén alapuló) inerciális mérőegység segítségével lehet meghatározni. A számítógépek azonban csak azokra a forgatókönyvekre tudnak reagálni, amelyekkel már találkoztak korábban, vagy amelyek felismerésére programozták őket.
Mivel mesterséges agyak még nincsenek, feladatspecifikus AI algoritmusoknak kell átvenniük a kormányt, ami azt jelenti, hogy az autonóm járműveknek több érzékelőre kell támaszkodniuk. A halszemoptikás kamerák szélesítik a látóteret, míg más kamerák az emberi szemhez hasonlóan működnek. Az infravörös érzékelők a hőjeleket veszik fel. A radar átlát a ködön és az esőn. A fényérzékelő és távolságmérő (lidar) áthatol a sötétségen.
"Minden érzékelőnek vannak korlátai, és minden érzékelő átfedi és fedezi a másikat" - mondta Nathir Rawashdeh, a Michigan Tech számítástechnika kutatója, a tanulmány egyik vezetője, aki azon dolgozik, hogy a szenzorok adatait egy szenzorfúziónak nevezett mesterséges intelligencia-folyamat segítségével egyesítse.
"A szenzorfúzió több különböző modalitású szenzort használ az adott helyzet megértéséhez. Nem lehet minden részletre kitérően programozni, amikor a bemenetek bonyolult mintákat tartalmaznak. Ezért van szükség a mesterséges intelligenciára" - mondta.
A legtöbb autonóm érzékelőt és önvezető algoritmust napsütéses, tiszta tájakon fejlesztik. Mivel Jeremy Bos, az egyetem elektronika- és számítógép-kutatója és a laboratóriumának munkatársai tudták, hogy a világ nagyrészén nem olyan jó az idő, mint Dél-Kaliforniában, a Michigan Tech autonóm járművével (amelyet biztonságosan egy ember vezet) helyi adatokat kezdtek gyűjteni erős hóesés idején. Rawashdeh csapata több mint 1000 képkocka lidar-, radar- és képi adatot nézett át havas németországi és norvégiai utakról, hogy megtanítsák a mesterséges intelligencia programjuknak, hogyan néz ki a hó, és hogyan lásson át rajta.
"Nem minden hó egyforma" - mondta Bos, rámutatva, hogy a hó sokfélesége miatt a szenzroknak kihívást jelent a feladatuk ellátása. Rawashdeh hozzátette, hogy az adatok előfeldolgozása és a pontos címkézés fontos lépés a pontosság és a biztonság érdekében. "A mesterséges intelligencia olyan, mint egy szakács, ha jó hozzávalóink vannak, kiváló lesz az étel. De csak adj a mesterséges intelligencia tanulási hálózatnak piszkos szenzoradatokat, és rossz eredményt fogsz kapni" - mondta.
A rossz minőségű adatok csak az egyik probléma, a másik a fizikai szennyeződés. Az út mocska vagy a hó rárakódhat az érzékelőkre, ami zavaró probléma lehet. Ha tiszta is a kilátás, az autonóm járművek érzékelői még mindig nem biztos, hogy egyetértenek az akadályok észlelésében. Bos megemlített egy példát, amikor egy őzet fedeztek fel, miközben a helyben gyűjtött adatokat tisztították. A Lidar azt mondta, hogy az a paca valójában semmi (30 százalék esélye van, hogy akadály), a kamera úgy látta, mint egy álmos ember a volánnál (50 százalék esély), az infravörös érzékelő pedig azt kiáltotta, hogy hahó (90%-ban biztos, hogy) ez egy szarvas).
Az érzékelők és kockázatértékeléseik egymás közötti kommunikációra és tanulásra késztetése olyan, mint az indiai példabeszéd a három vak emberről, akik egy elefántot találnak: mindegyikük az elefánt különböző részeit érinti meg - az állat fülét, ormányát és lábát -, és más-más következtetésre jutnak arról, hogy milyen teremtményről van szó. A szenzorfúzió segítségével Rawashdeh és Bos azt szeretné, ha az autonóm szenzorok közösen találnák ki a választ, legyen szó elefántról, szarvasról vagy hópárkányról. Ahogy Bos fogalmaz: "A szigorúan vett szavazás helyett a szenzorfúzió segítségével új becslést fogunk adni." Ez egy napon lehetővé teszi majd, hogy az autonóm járművek a havas utakon is biztonságosan közlekedjenek.
