Sustav Snapdragon Ride Vision dizajniran je za poboljšanje percepcije vozila te za sigurnije iskustvo vožnje
Današnji vozači uživaju prednosti značajki aktivne sigurnosti u svojim vozilima. Automatsko kočenje u nuždi, upozorenja o napuštanju trake, detekcija mrtvog kuta i druge tehnologije za izbjegavanje sudara već su učinile naše ceste sigurnijima.
U stvari, sudari sprijeda-straga s ozljedama smanjili su se za 56% zahvaljujući automatskom kočenju u nuždi; sudari unatrag smanjeni su za 78% uz pomoć stražnjeg automatskog kočenja. Brojni drugi prijavljeni slučajevi nesreća i zahtjevi za osiguranje smanjili su se zbog sigurnosnih tehnologija koje su sada temeljne značajke u mnogim osobnim vozilima.
Ove će se prednosti samo nastaviti poboljšavati kako sve više proizvođača automobila nastavi ugrađivati nove tehnologije u svoja vozila. Napredni sustavi za pomoć vozaču (ADAS) koji se danas razvijaju imat će sposobnost predviđanja neposrednih opasnosti.
Pružajući upozorenja ili automatiziranu funkciju za njihovo izbjegavanje čineći time putovanje još sigurnijim i praktičnijim. U osnovi ADAS-a je računalni vid (CV) i to je ono što doprinosi snazi Snapdragon Ride Vision sustava.
Kamere za poboljšanje sigurnosti na cesti
Klasificiranje različitih vrsta objekata u okruženju kolnika može biti izazovno, ali sa sposobnošću detektiranja detaljnih značajki kamere su optimalan modalitet detekcije za taj posao. Dok drugi senzori poput radara i lidara mogu pružiti precizne informacije o pozicioniranju potrebne za skaliranje na više razine autonomije, kamera ostaje bitan senzor jer omogućuje sustavu računalnog vida prikupljanje informacija niske razine potrebne unutar danog scenarija.
Srž Snapdragon Ride Vision sustava su neuronske mreže (NN) koje dolaze u različitim veličinama i tipovima za široku klasifikaciju okolnog okoliša uključujući objekte, znakove, svjetla, značajke ceste i još mnogo toga.
Izgradnja modela okruženja koji sadrži sve modalitete senzora omogućuje proizvođačima automobila da prošire domenu operativnog dizajna (ODD) značajki ADAS-a i skaliraju od osnovne sigurnosti do autonomne vožnje.
Do kraja desetljeća gotovo sva nova proizvodna vozila vjerojatno će imati barem jednu kameru neke vrste, omogućavajući računalni vid koji može podržati sve, od sigurnosti do potpune autonomije. Autonomija razine 2 (L2), što je kombinacija adaptivnog tempomata i centriranja vozne trake s vozačem koji je u potpunosti u petlji, pojavljuje se kao temelj dizajna za današnja vozila, a percepcija vida nosi veliko opterećenje za omogućavanje funkcionalnosti sustava. Ove L2 značajke povećavaju se na veće brzine i uključuju dodatne ODD-ove, kao što su urbana okruženja.
Prepoznavanje prometnih znakova kao oblik klasifikacije objekata
Razvijanje funkcija koje se mogu mjeriti i imati sučelja za programiranje aplikacija (API) koja sadrže informacije niže razine bit će bitno za klasifikaciju i skaliranje objekata. Na primjer, prepoznavanje prometnih znakova (TSR) počinje utvrđivanjem povjerenja u postojanje znaka, uključujući njegov položaj, oblik, boju, vrijednost, tekst i ukupnu relevantnost za vozilo.
Programer može trebati samo vrstu znaka, vrijednost i relevantnost da bi izgradio namjeravanu funkcionalnost dok više razine funkcionalnosti također mogu zahtijevati poziciju i povjerenje. Imajući jedinstveno CV rješenje koje se skalira omogućuje im da usklade svoju upotrebu API-ja kako bi postigli željenu razinu autonomije. Snapdragon Ride SDK pruža programerima takvu skalabilnost i fleksibilnost jer sudjeluju s vision stackom.
S neminovnim proširenjem ODD-ova, popis potencijalnih ADAS funkcija neizmjerno se povećao. Rastavljanje algoritama upravljanja vozilom od API-ja do funkcije detekcije ključno je kada se razmatraju nove značajke za ciljane ODD-ove.
Izgradnja nove funkcionalnosti na malim skupovima podataka s robusnim označavanjem ubrzava proces razvoja kako bi se proaktivno odgovorilo na potrebe tržišta. Na primjer, nove funkcije poput neklasificiranih pokretnih objekata (UMO) u našem skupu vida pružaju informacije o pokretnim objektima koji ne zadovoljavaju kriterije klasifikacije ili su novi u NN za otkrivanje objekata.
Ova funkcija se razvija iz slobodnog prostora, koji daje informacije o ravnini ceste i proteže se na vertikalne objekte s dimenzijama. Možemo koristiti UMO detekcije kao okidač za aktivno učenje iz flote.
CV koristi bočnu kontrolu za prepoznavanje ceste
API-ji računalnog vida također se mogu razviti za proizvodnju informacija niske razine kao što su oznake na cesti, položaj/veličina za više traka, rubovi ceste i predviđanje trake/staze za slučajeve kada trake nisu jasno vidljive ili označene.
Značajka upozorenja o napuštanju trake (LDW) koja ublažava sudare upozoravajući vozača kada vozilo izlazi iz trake dobar je primjer kako izgradnja povjerenja i provjera na razini mogu podržati evoluciju sigurnosnih tehnologija.
Razvoj značajke LDW započeo je korištenjem konvolucijske neuronske mreže (CNN) za podršku detekciji trake. Sljedeća faza uključivala je pomoć pri održavanju trake, gdje sustav automatski intervenira i vraća vozilo natrag u središte trake. Sljedeći su došli sustavi za centriranje vozne trake koji podržavaju prelazak na rampe, spojeve, kružne tokove i raskrižja.