Michigan Üniversitesi’ndeki mühendislik araştırmacıları, otonom araçları test etmek için harcanan zamanı ve maliyeti 1.000 kat azaltabilecek yöntem buldular.
Yöntem, bir test pistinde sanal araçların yanı sıra gerçek otonom araçların test edilmesini içeriyor. Ancak sürecin gerçekten yaratıcı unsuru, sanal olanların yapay zeka tarafından yalnızca tehlikeli derecede kötü sürüşü göstermek için eğitilmiş olması.
Gerçek dünyadaki test araçlarının, simüle edilen olağandışı, tehlikeli senaryolarla tekrar tekrar karşılaşması için yüz milyarlarca km kat etmesi gerekir. Profesör Henry Liu, “Güvenlik açısından kritik olaylar gerçek dünyada çok nadirdir ve çoğu zaman otonom araçlar bunlarla başa çıkmakta güçlük çeker. Ancak bir karma gerçeklik test ortamı oluşturduk. Arka plandaki araçlar sanal, bu da onları eğitmemize olanak tanıyor” diyor. Bu, simülasyondaki sürüş verilerinden “güvenlik açısından kritik olmayan bilgilerin” çıkarılmasını içeriyor.
DeepRoute, otomobil üreticileri için kendi HD haritasız çözümünü geliştirdi. DeepRoute.ai, iki yeni haritasız otonom sürüş çözümü yayınladı. Shenzhen merkezli firma, destekli sürüş ve robotaksi işlevselliğini etkinleştirmek için yüksek tanımlı harita…
Bu yaklaşımı benimseyerek ve sinir ağlarını gerçek otonom araçlar üzerinde eğitmek için yalnızca güvenlik açısından kritik verileri kullanarak, araçlar çok daha sık tehlikeli durumlara maruz kalıyor ve test sürecini hızlandırıyor. Michigan Üniversitesi ekibi, güvenlik testi mesafesini yüzde 99,9 oranında azaltabileceklerini tahmin ediyor.
