Sztuczna inteligencja. Pomoże ominąć korki i sprawdzi, kiedy popsuje się twój samochód. A to nie wszystko

Projektowanie nowych części samochodowych i całych aut, połączone z internetem systemy wspomagające kierowcę, automatyczne taksówki i sportowe samochody czy nawigacja, która ułatwi skuteczne omijanie korków i oszczędzanie paliwa. Oto przykłady zastosowania sztucznej inteligencji, która jest z nami już od lat. O tym jak wpłynie na nasze życie i codzienne podróże rozmawiałem ze Stefano Marzani z AWS Automotive, który współpracuje z wieloma producentami samochodów na świecie.

Łatwo nie będzie – pomyślałem, gdy dowiedziałem się o możliwości przybliżenia czytelnikom tematyki sztucznej inteligencji i jej wpływu nie tylko na motoryzacyjny świat, ale także nasze codzienne podróże. Ogromne zbiory danych i walidacja, uczenie maszynowe, konserwacja predykcyjna, natywne narzędzia testowania – to wszystko może brzmieć tajemniczo i zniechęcająco. Tym większe zatem wyzwanie, by trudne zagadnienia przełożyć na język przystępny i zrozumiały i zarazić was pasją do technologii. Jest bowiem czym się fascynować, tym bardziej, że wpływ sztucznej inteligencji na nasze życie stale rośnie, z czego możemy sobie nie zdawać sprawy. O tym jak technologia zmienia nasze życie rozmawiałem ze Stefano Marzani z AWS Automotive (Amazon Web Services), która od lat wspólnie ze znanymi producentami aut pracuje nad cyfrową transformacją branży motoryzacyjnej. 

Zobacz wideo AI sprawi, że zawodów będzie więcej? "To będzie bardzo ciekawe"

Sztuczna inteligencja w branży motoryzacyjnej – jak AI zmieni doświadczenia kierowcy?

Sztuczna inteligencja jest obecnie najbardziej rewolucyjną technologią, która w ciągu kilku lat zmieni oblicze wielu branż. W motoryzacji generatywna sztuczna inteligencja pomoże m.in. zmienić sposób projektowania i rozwoju pojazdów. Producenci będą wykorzystywać tę technologię do opracowywania syntetycznych danych do szkolenia autonomicznych systemów jazdy, szybciej wprowadzając je na rynek. Jazda stanie się zupełnie nowym doświadczeniem dzięki spersonalizowanym, stale ulepszanym asystentom AI w systemach łączności opartych o sztuczną inteligencję. Będą one reagować na polecenia i styl jazdy użytkownika oraz uczyć się na ich podstawie. Będą też w stanie tworzyć i budować lepsze systemy bezpieczeństwa samochodów dzięki możliwości przetwarzania ogromnych ilości danych.

Dla przykładu, AI może być wykorzystywana przez producentów do tworzenia symulacji, które testują reakcje pojazdu na różne scenariusze jazdy. Scenariusze te i towarzyszące im symulowane dane testowe mogą okazać się skrajnymi przypadkami, które statystycznie zdarzają się rzadko, lub są tak ekstremalne, że nie można byłoby przetestować ich w prawdziwym świecie. To nie tylko poprawa wydajności, ale także umożliwienie firmom motoryzacyjnym tworzenia większej liczby scenariuszy testowych z potencjałem poprawy ogólnych możliwości systemu.

Sztuczna inteligencja może na wiele sposobów podnieść poziom automatyzacji, od inżynierii i optymalizacji wydajności po doświadczenia kierowcy i pasażera. Generatywna sztuczna inteligencja zoptymalizuje projektowanie części mechanicznych w celu zmniejszenia oporu powietrza w projektowanych pojazdach. Może być ona również wykorzystywana do generowania danych syntetycznych w celu testowania aplikacji, zwłaszcza w przypadku danych, które nie są często uwzględniane w zestawach danych testowych, takich jak np. usterki. Obserwujemy, że producenci wykorzystują AI do tworzenia nowych materiałów, chipów i projektów poszczególnych części. Pozwoli to zoptymalizować procesy produkcyjne i obniżyć koszty.

Samochód podłączony do internetowej chmurySamochód podłączony do internetowej chmury Fabian Kirchbauer

Dalszy rozwój czeka z pewnością zaawansowane systemy wspomagania kierowcy (ADAS), zaprojektowane, aby pomagać w różnych zadaniach, takich jak m.in. ostrzeganie przed zjechaniem z pasa ruchu, adaptacyjny tempomat i automatyczne hamowanie awaryjne. Systemy te wykorzystują algorytmy AI do analizy danych z czujników i kamer w celu podejmowania decyzji i ostrzegania kierowcy. Dla przykładu, BMW Group, która wybrała AWS jako dostawcę chmury dla swojej platformy zautomatyzowanej jazdy, opracuje swój zaawansowany system ADAS nowej generacji przy użyciu rozwiązań AWS dla pojazdów, które mają być wprowadzone na rynek w 2025 roku. Nowy system oparty na chmurze będzie korzystał z obliczeń generatywnej AI w chmurze AWS, Internetu Rzeczy (IoT) i uczenia maszynowego (ML).

 AWS współpracuje też np. z naukowcami z firmy Lantis, którzy chcą wykreować nowego typu doświadczenia użytkownika w postaci usług cyfrowych. Pomagamy im w tworzeniu rozwiązania o nazwie SmartCockpit. Pomysł polega na tym, żeby monitorować i kontrolować inteligentne domy z wnętrza pojazdu.

Jakie jest największe wyzwanie w opracowywaniu algorytmów uczenia maszynowego dla autonomicznej jazdy?

Jednym z największych wyzwań przy opracowywaniu algorytmów ML jest zapewnienie zarządzania przypadkami brzegowymi. Oznacza to, że wydajny mechanizm „dużej pętli", który posiada inteligencję brzegową w pojeździe na flocie samochodowej o dużych rozmiarach (np. flocie produkcyjnej), może wybierać odpowiednie dane do zapisania i przesłania do chmury w celu analizy. Dodatkowo, rozproszony system walidacji z dużymi zbiorami danych w chmurze i możliwościami testowania, które mogą obejmować wirtualne ECU (Electronic Control Unit) i natywne dla chmury narzędzia do symulacji i ponownej symulacji, może pomóc w uzyskaniu lepszych wyników.

Dzięki temu algorytmy ML będą w stanie dostosowywać się do nowych sytuacji i uczyć się na podstawie doświadczeń. Do tego dochodzi integracja dużej liczby czujników – to na nich swoje działanie opierają pojazdy autonomiczne. Mówimy tu o kamerach, radarach i czujnikach ultradźwiękowych. Dokładna integracja i łączenie danych z tych czujników ma kluczowe znaczenie.

Autonomiczna taksówka na ulicach San FranciscoAutonomiczna taksówka na ulicach San Francisco Phil Pasquini / Shutterstock

Autonomiczna taksówka Baidu Apollo.Autonomiczna taksówka Baidu Apollo. Fot. YouTube/Baidu Inc.


W zakresie pojazdów autonomicznych AWS współpracuje m.in. z firmą Bolt, która wprowadziła do ruchu autonomiczne taksówki. Wymagało to całego cyklu rozwoju tej technologii – od pozyskiwania danych, poprzez przetwarzanie ich przy użyciu ML (m.in. dzięki Amazon SageMaker Ground Truth, w pełni zarządzanej usłudze etykietowania danych, która ułatwia tworzenie bardzo dokładnych zestawów danych szkoleniowych do uczenia maszynowego), aż po percepcję i kategoryzację, w której można przeprowadzać pełne symulacje autonomicznego poruszania się w mieście, by następnie przesłać aktualizacje algorytmów sterowania do pojazdów.

Jak sztuczna inteligencja może wpłynąć na nawigację samochodową, a w rezultacie na naszą mobilność? Jakie postępy poczyniono w tej dziedzinie?

AI poczyniła już znaczne postępy w transformacji mobilności, poprawiając m.in.: optymalizację tras, inteligentne zarządzanie ruchem, spersonalizowane rekomendacje, aktualizacje w czasie rzeczywistym, efektywność energetyczną czy bezpieczeństwo. W miarę dalszego rozwoju możemy spodziewać się pojawienia się jeszcze bardziej innowacyjnych rozwiązań. 

AI będzie miała wpływ na dynamiczny rozwój takich funkcji związanych z nawigacją samochodową jak optymalizacja tras (algorytmy AI mogą analizować dane o ruchu drogowym w czasie rzeczywistym skracając przebieg trasy, czas podróży, zmniejszać zużycie paliwa i ograniczać emisję spalin), inteligentne zarządzanie ruchem (monitorowanie i zarządzanie przepływem ruchu, w tym dostosowywanie sygnałów drogowych i generowanie alternatywnych tras, minimalizując korki i czas dojazdu), efektywność energetyczną (optymalizowanie zużycia energii przez samochody elektryczne, maksymalizując zasięg i minimalizując czas ładowania) czy większe bezpieczeństwo (zaawansowane systemy wspomagania kierowcy ADAS mogą wykrywać potencjalne zagrożenia, ostrzegać kierowców, a nawet przejmować kontrolę nad pojazdem w sytuacjach awaryjnych).

Jak rozwija się AWS DeepRacer? W jaki sposób przemysł motoryzacyjny korzysta z tego projektu?

AWS DeepRacer umożliwia programistom na wszystkich poziomach umiejętności rozpoczęcie przygody z uczeniem maszynowym za pośrednictwem opartego na chmurze symulatora wyścigów 3D, w pełni autonomicznym samochodem wyścigowym w skali 1:18 napędzanym zaawansowanym uczeniem maszynowym, tzw.  Reinforcement Learning (RL). RL przyjmuje zupełnie inne podejście do trenowania modeli. Jej super moc polega na tym, że uczy się bardzo złożonych zachowań bez konieczności korzystania z oznaczonych danych treningowych i może podejmować krótkoterminowe decyzje, jednocześnie optymalizując je pod kątem długoterminowego celu.

W ramach programu DeepRacer, opracowaliśmy niestandardowy, autonomiczny samochód, który wykorzystuje algorytmy RL do poruszania się po torze wyścigowym. Ta platforma sprzętowa pozwala uczestnikom eksperymentować z różnymi podejściami i strategiami uczenia maszynowego, testując ich wydajność w realistycznych scenariuszach.

Od momentu uruchomienia, DeepRacer znacznie ewoluował wprowadzając nowe funkcje i możliwości. Obejmuje teraz wirtualną wersję toru wyścigowego, która pozwala uczestnikom rywalizować i ćwiczyć zdalnie. Ponadto, planowana jest integracja innych usług symulacji, takich jak AWS RoboMaker. Dalsze plany to implementacja nowych technologii czujników, opracowywanie bardziej zaawansowanych algorytmów ML oraz tworzenie jeszcze bardziej realistycznych środowisk dla uczestników.

W październiku kończyliśmy ośmiomiesięczne wyścigi kwalifikacyjne do AWS DeepRacer League Virtual Circuit 2023. Oprócz comiesięcznych i sezonowych wyróżnień, w tym miesiącu jeden wykwalifikowany programista, który osiągnie najszybszy czas w globalnej tabeli liderów, otrzyma możliwość udziału w wyścigach samochodowych podczas konferencji AWS re:Invent 2023.

Co jest największym wyzwaniem podczas przetwarzania danych pojazdów w chmurze? Czy popularyzacja sieci 5G jest dużym wyzwaniem z punktu widzenia mocy obliczeniowej?

Dla przyszłości branży szybkość przetwarzania w chmurze jest kluczowa. Bez niej nie byłaby możliwa motoryzacja autonomiczna. Dedykowany temu dział w AWS koncentruje się na współpracy z klientami z tego sektora, jak BMW Group i Continental. Pomagamy im w całym procesie rozwoju produktów. Główne założenie polega na możliwości kontroli wszystkich parametrów i funkcji auta za pośrednictwem oprogramowania. Dzięki dostępowi do usług bezprzewodowych i ciągłych aktualizacji można osiągnąć wyższy poziom zarówno bezpieczeństwa, jak i komfortu jazdy.

Największym wyzwaniem jest równomierne udostępnianie usług 5G podczas ruchu pojazdu, a następnie zarządzanie ich powiązaną jakością. Usługa AWS Wavelength obsługuje wdrożenia infrastruktury, które osadzają usługi obliczeniowe i pamięć masową AWS w sieciach 5G dostawców usług komunikacyjnych (CSP), dzięki czemu ruch aplikacji z urządzeń 5G dociera do serwerów aplikacji działających w strefach Wavelength bez opuszczania sieci telekomunikacyjnej. Pozwala to zapobiec opóźnieniom, które wynikałyby z ruchu aplikacji przechodzącego przez wiele węzłów w Internecie, aby dotrzeć do miejsca docelowego, a to z kolei pozwala klientom w pełni wykorzystać korzyści związane z opóźnieniami i przepustowością oferowane przez nowoczesne sieci 5G. Ze względu na to, że coraz więcej przypadków użycia integruje AI, kolejnym wyzwaniem będzie zarządzanie tym zapotrzebowaniem na obliczenia w celu zaspokojenia potrzeb konsumentów.

Jaki jest wpływ sztucznej inteligencji na sporty motorowe i jak może ona wspierać ich rozwój?

AI jest coraz częściej wykorzystywana w sportach motorowych do poprawy wydajności, bezpieczeństwa i ogólnej jakości zawodów. Generatywne modele AI mogą syntetyzować dane z wielu źródeł, w tym dane zebrane z czujników samochodowych (jak ciśnienie w oponach, poziom oleju itp.), historii jazdy, GPS, danych pogodowych i innych. Wyniki tych modeli zwiększą dokładność konserwacji predykcyjnej i zapewnią zespołom dokładniejsze informacje o tym, kiedy pojazd powinien być serwisowany. Co więcej, umożliwią intuicyjny interfejs konwersacyjny z asystentem samochodowym, który przypomni o tym przed wyścigiem. Na tej podstawie zespoły i kierowcy mogą optymalizować swoje strategie, takie jak wybór opon, skrzyni biegów czy ustawień zawieszenia.

Wyścig o Grand Prix Arabii Saudyjskiej Formuły 1, Dżedda, marzec 2023 r.Wyścig o Grand Prix Arabii Saudyjskiej Formuły 1, Dżedda, marzec 2023 r. Fot. Shutterstock

AI ma także wpływ na rozbudowane symulacje wyścigów, wirtualne testowanie różnych scenariuszy i strategii, zanim kierowcy i zespoły wejdą na tor. Pomagają one identyfikować słabe punkty, optymalizować pojazdy i trenować kierowców. Poprawia to ich wyniki i zmniejsza ryzyko awarii. AI może też pomóc w monitoringu i zapobieganiu niebezpieczeństwom na torze. Na przykład, systemy AI mogą wykrywać potencjalne zagrożenia, takie jak samochody, które tracą kontrolę lub są blisko kolizji. Dzięki temu zarządzający wyścigami mogą podejmować odpowiednie działania, aby uniknąć wypadków.

W Formule 1 możliwości obliczeniowe chmury AWS zmieniają sposób, w jaki F1 gromadzi, analizuje i wykorzystuje dane do podejmowania decyzji. Na przykład, zasilany przez AWS System F1 Insight, daje fanom dostęp do kluczowych informacji o decyzjach podejmowanych przez kierowcę w czasie wyścigu. Jest to możliwe dzięki 300 czujnikom w każdym bolidzie F1 generującym ponad 1,1 mln punktów danych na sekundę i przesyłanych z samochodów do pit stopu a następnie wyświetlanych w aplikacji.

 Podsumowując, rozwiązania oparte na AI już wywarły olbrzymi wpływ na branżę motoryzacyjną i transport. Ich znaczenie będzie rosło w bardzo szybkim tempie. Jak podaje amerykańska firma badawcza Grand View Research wartość całego rynku związanego z AI na świecie w 2022 roku wyniosła 207 mld dolarów. 40 mld dolarów z tej kwoty przypada na rynek motoryzacyjny. To ponad 19 proc.

Więcej o:
Copyright © Agora SA