<b>SELVKJØRENDE BILER:</b> Nå jobber de med systemer som skal hjelpe de selvkjørende bilene til å "se" selv. Foto: YOUTUBE
SELVKJØRENDE BILER: Nå jobber de med systemer som skal hjelpe de selvkjørende bilene til å "se" selv. Foto: YOUTUBEVis mer

Slik skal selvkjørende biler lære å se

Universitetet i Cambridge har kastet seg på trenden med selvkjørende biler og vil lære bilen å se selv.

For at bilføreren skal bli overflødig, er det nødvendig at bilen selv kan håndtere ganske mange komplekse situasjoner via diverse sensorer, følere, systemer og elektronisk-mekaniske funksjoner.

Noe av det mest vesentlige for en fører er selvsagt synet. Til det benytter bilprodusenene kameraer som installeres i og på bilen samt bilens navigasjonssystem.

Vår erfaring med selvkjørende Mercedes-Benz S-klasse

Kunstig intelligens

Men i tillegg må bilen «forstå» hva det er den ser, og det er her de to systemene som er utviklet av universitetet i Cambridge i England, kommer inn. De er basert på såkalt deep learning, maskinlæring som er teknologier som benyttes i utviklingen av kunstig intelligens (AI).

Noe av idéen bak Cambridge-systemene er å redusere kostnader ved at selve systemet selv kan orientere seg uten et svært utstrakt behov for komplekse og dyre sensorer. Systemet kompletteres av en løsning som er under utvikling for at bilen også skal kunne orientere seg via gjenkjenning av sted og rom, og dermed kunne manøvrere korrekt også der satellittsystemer ikke har dekning.

Vi har testet Volvo med autopilot

Video: Slik fungerer det


Merker piksler og sorterer objekter

Det første systemet er kalt SegNet og det kan ta for seg et bilde av en gatescene det ikke har sett før og klassifisere det ved å sortere objektene i tolv forskjellige kategorier, som gatelegeme, veiskilt, fotgjengere, bygninger, kjøretøy og syklister - alt i sanntid. Det kan håndtere lys, skygge og omgivelser om natten og har nådd et nivå der det merker 90 prosent av pixlene riktig.

Ifølge utviklerne, har ikke systemene som baserer seg på dyre laser- eller radarsensorer klart å oppnå en like god nøyaktighetsgrad i sanntid.

GJENKJENNELSE: Her ser vi et eksempel på pikselering/identifisering i SegNet-systemet, brukt i en gate i Cambridge. Foto: YOUTUBE Vis mer


Kjenner seg igjen

- Systemet er oppsiktsvekkende god til å gjenkjenne objekter i et bilde, fordi det har fått så mye øvelse, sier Alex Kendall, som er student i Department of Engineering, - men det er en million «knotter» vi kan skru på for å finjustere systemet slik at det fortsetter å forbedre seg.

Alex kom til Cambridge på et stipend han fikk etter å ha blitt uteksaminert som beste elev ved universitetet i Auckland. På CV-en har han blant annet en mini-robot som identifiserer og slukker brann, og en drone som kan identifisere og følge et objekt fra luften.

SegNet har så langt hovedsakelig blitt trent opp på landevei og i bymiljøet, så det må fortsatt gjennom mer øvelse på omgivelser som landsbygda eller snødekte eller ørkenaktige omgivelser. Men det skal ha klart seg bra i de første testene også i den typen miljøer.

Likevel: Systemet er ennå ikke i stand til å kontrollere en bil eller lastebil, men kan duge som varselsystem slik som antikollisjonssystemer som eksisterer på en god del biler.

Prøv selv!

Forskerne har laget et gratis online-verktøy så alle og enhver kan laste opp egne bilder og se på kjente omgivelser slik kunstig intelligens ville se dem.

DEMO: Her kan leseren teste systemet selv!

Video: Lære maskiner å se


System nummer to er utviklet av Alex Kendall og professor Cipolla og er et navigasjonssystem som skal være mer presist enn satelittbaserte systemer som GPS. Enkelt fortalt bruker det geometrien på et sted til å lære hvor det er og kan dermed fungere også der GPS ikke har dekning, som i tunneler eller i storbyer der signalene har problemer med å rekke frem. Systemet kan til og med skille mellom ellers identisk øst- og vestside på en bygning.

- Arbeidet innen kunstig intelligens og robotikk / mekatronikk har virkelig tatt av de siste årene, sier Kendall.

- Det som er kult med gruppen vår er at vi har utviklet teknologi som bruker maskinlæring for å avgjøre hvor du er og hva som omgir deg - det er første gang dette er blitt gjort med maskinlæring/kunstig intelligens, avslutter han.

Det vil enda ta tid før systemene kan brukes som autopilot i selvkjørende biler, men til mindre, hjemlige funksjoner som til å styre for eksempel en robotstøvsuger, er teknologien så å si klar.

Inntil videre fortsetter opplæringen av maskinene - men det er nok ennå lenge til de overtar verden.