سوخت رسانی ناوبری بدون راننده با AI

به طور کلی ، هوش مصنوعی (AI) به کارآمدتر کردن محصولات و رویه ها کمک می کند ، اما وظایف پیچیده ای را نیز بر عهده دارد که توسط انسان ها به راحتی مدیریت نمی شود. با شروع ناوبری ، هوش مصنوعی علی رغم پیچیدگی مسیر می تواند به بهترین راهنمایی ها در رانندگان کمک کند.

نقشه های قدرتمند و دقیق را می توان با مدلهای یادگیری عمیق ایجاد کرد ، قادر به پردازش انبوه تصاویر هستند که هیچ نقشه نگار انسانی قادر به مدیریت آنها نیست.

هوش مصنوعی چیزی بدون داده است

با استفاده از داده ها و اینترنت اشیا ، اکثر سیستم های ناوبری خودرو قادر به هشدار به رانندگان در مورد هرگونه اختلال در سفر هستند و بر همین اساس مسیر سفر را تنظیم می کنند. با این حال تعداد کمی از آنها به اندازه کافی پیچیده هستند که پیش بینی می کنند چگونه وضعیت ترافیک در طول زمان سفر در هر مسیر ممکن تغییر خواهد کرد. تنها در شبکه راه اروپا ، صد مسیر چهار چهارم از نظر تئوری امکان پذیر است. بنابراین ، یادگیری ماشین این امکان را از طریق فرآیندی به نام مسیریابی پویا فراهم می کند ، که به سیستم های ناوبری AI کمک می کند تا واقعاً پیش بینی کنند که چگونه ترافیک تغییر می کند و چگونه سفر مختل می شود.

با مسیریابی پویا ، رانندگان و وسایل نقلیه خودکار می توانند با پیش بینی رانندگی کنند. با این حال ، ساختن مدل های هوش مصنوعی مورد نیاز بخش سختی نیست. این داده است که تفاوت را ایجاد می کند. به عنوان مثال در TomTom ، مقادیر عظیمی از داده های تصویری که نمای خیابان ها را نشان می دهند برای ایجاد نقشه هایی با کیفیت بالا مورد نیاز هستند. برای اطمینان از پاسخگو بودن سیستم ناوبری ، در بسیاری از شرایط محیطی و آب و هوایی نیز نیاز به داده در همان خیابانها وجود دارد. هرچه داده های بیشتری وجود داشته باشد ، نقشه ها دقیق تر خواهند بود.  

تعداد زیادی از داده ها برای آموزش مدل های هوش مصنوعی لازم است تا آنها واقعاً نمایانگر واقعیت باشند. کار عکاسی از هر بخش جاده در هر شرایط جوی و روشنایی بدیهی نیست. با این حال ، توصیف روند از طریق هوش مصنوعی ، می تواند به ما در رسیدن به چنین وظایف "غیرممکن" اما حیاتی کمک کند. از طریق استفاده از الگوریتم های تولیدی رمان ، می توان AI را آموزش داد تا از یک تصویر استفاده کند و شرایط مختلفی را برای آن اعمال کند. به عنوان مثال ، هوش مصنوعی می تواند همان خیابان را در شب یا هنگام کولاک شبیه سازی کند. بنابراین ، هنگامی که یک سیستم ناوبری با قابلیت هوش مصنوعی با شرایط غیرعادی در جاده برخورد می کند ، می تواند به جای قفل کردن ، سازگاری پیدا کند. این یک گام مهم برای کمک به هوش مصنوعی نه تنها در شناخت جاده ها بلکه در پاسخ به آنها است.   

به طور فزاینده ، خودروسازان و نقشه برداران نیز باید امنیت و امنیت را در ذهن داشته باشند. تعداد کمی از داده ها به اندازه تاریخ موقعیت مکانی مشتری حساس است و چالشی را برای کسانی که برای اطمینان از صحت نقشه های خود به داده های در مقیاس بزرگ اعتماد می کنند ، نشان می دهد. یادگیری ماشین با آگاهی از حریم شخصی ، ساخته شده از الگوریتم های AI که از داده های خام ناشناس یاد می گیرند ، پاسخ است. پس از آموزش ، می توان مدلها را به اشتراک گذاشت و به شرکتها این امکان را داد تا آموزش کامل و بهبود استخر کامل مدلهای مشترک را با مدلهای جدید ادامه دهند.

ایجاد نقشه بر اساس جامعه

دقیق و به روز بودن نقشه های دیجیتالی امری ضروری است و برای انجام این کار تعامل جامعه اهمیت فزاینده ای پیدا می کند. هم اکنون تولید کنندگان اتومبیل باید با استفاده از جامعه داخلی افرادی که مایل به دقیق نگه داشتن نقشه ها هستند ، سیستم های ناوبری را توسعه دهند یا به دنبال آن بگردند. خواه از طریق توسعه برنامه یا رابط کاربری که به افراد کمک می کند ، رانندگان می توانند تصاویری از واقعیت را که با آنچه ضبط شده مطابقت ندارد ، مانند بسته شدن جاده یا علائم جاده ای به اشتراک بگذارند. این امر سپس سازندگان نقشه را هشدار می دهد تا نقشه را در صورت وم بررسی و تعمیر کنند.  

با این وجود ، چالش ساختن این جامعه ، سوء ظن مصرف کننده است. از آنجا که جهان به طور فزاینده ای آگاه تر می شود که خدماتی مانند ابزار نقشه برداری آنلاین اغلب می توانند با بودجه تبلیغاتی تأمین شوند ، مشتریان احتمالاً داده های خود را به اشتراک نمی گذارند. چگونه می توانیم به این ارائه دهندگان خدمات خدماتوری اعتماد کنیم تا سریعترین مسیر را برای ما ارسال کنند وقتی که در واقع کاری که انجام می دهند ارسال ما به گذشته از یکی از تبلیغ کنندگان آنها است؟ به همین دلیل است که تولید کنندگان خودرو باید به دنبال یک سیستم ناوبری باشند که از بودجه تبلیغی برخوردار نباشد.  

با پیشرفت سیستم های حمل و نقل ، و با نزدیک شدن به آینده ای کاملاً مستقل ، سیستم های ناوبری مبتنی بر هوش مصنوعی به یک جزء مهم در وسایل نقلیه ما تبدیل می شوند. برای اطمینان از موفقیت آنها ، تولید کنندگان باید اطمینان حاصل کنند که داده های مورد استفاده برای اطلاع رسانی به این سیستم ها تا حد امکان دقیق و دقیق است. تضمین داده ها از طیف وسیعی از منابع قابل اعتماد کلید باز کردن قفل پتانسیل کامل نقشه های دیجیتال است. اگر این داده ها از طریق مدل سازی و اطلاعاتی از منابع خلاصه شوند ، آینده ناوبری به کمک هوش مصنوعی روشن تر از همیشه به نظر می رسد.