به زبان ساده، یادگیری ماشین یعنی حذف دخالت انسان تا جای ممکن به طوری که سیستم بتواند الگوی داده های خود را پیدا کند و بدون اینکه انسان کد جدیدی بزند، به صورت خود مختار تصمیم بگیرد. مثل دستیار صوتی Siri که با کار بیشتر با آن، می بینیم که به مرور پاسخ های بی عیب تر و مناسب تری دریافت میکنیم، چرا که سیستم در حال یادگیری است.
هر بار که سنسور ها داده دریافت میکنند، فردی باید باشد تا آن ها را دسته بندی و بررسی کند و تصمیم گیری جدید را تعیین و اعمال کند. اما اگر حجم داده ها زیاد باشد، مدیریت این حجم داده برای فرد سخت می شود. به علاوه، در حوزه ای مثل خودرو های خودران، سیستم باید در لحظه تصمیم های متعددی را بگیرد و متکی بودن به یک انسان غیر ممکن است. اینجاست که اهمیت یادگیری ماشین در اینترنت اشیا مشخص می شود.
یادگیری ماشین در وسایل نقلیه خودران:
سه دغدغه مهم تولید کنندگان و ارائه دهندگان حوزه ماشین های خودران تامین امنیت رانندگی، مقرون به صرفه بودن و کاربردی بودن است که یادگیری ماشین عامل موثری در پاسخگویی به این دغدغه هاست.
اینکه به صندلی تکیه دهیم و وسیله نقلیه خودش مسئولیت رانندگی را به عهده بگیرد ایده جذابی به نظر می رسد. اما آیا احساس نیاز به خودرو های خودران تنها بخاطر تنبلی ذاتی انسان و برداشتن باری از دوشش است؟
در سطح جهان، تقریبا 1.25 میلیارد مرگ و میر ناشی از تصادفات جاده ای اتفاق می افتد و به گفته وزارت حمل و نقل ایالات متحده، عامل 94 درصد از تصادفات مرگبار خطاهای انسانی ست. در بخش تجاری، وسایل نقلیه خودران جذابیت بیشتری برای کاهش هزینه ها دارند. تحویل بار بدون راننده، به معنای کاهش هزینه های نیروی کار برای رانندگان کامیون است. به علاوه استفاده از کارآیی اضافی کارکنان در انجام کارهای پر بازده تر بجای باربری می تواند مزیت دیگری باشد.
چگونه یادگیری ماشین در وسایل نقلیه خودران نقش ایفا میکند؟
شناسایی و دسته بندی اشیا:
یادگیری ماشین میتواند برای سیستم های پیشرفته کمک راننده (ADAS: advanced driver-assistance systems)، مانند درک و فهم دنیای اطراف وسیله نقلیه به کار گرفته شود که شامل استفاده از سیستم های مبتنی بر دوربین برای شناسایی و طبقه بندی اشیا می شود، همچنین پیشرفت هایی در استفاده از رادار و lidar صورت گرفته است. یکی از بزرگترین چالش ها برای رانندگی خودران طبقه بندی اشتباه اشیا است. داده ها توسط حسگر های مختلف خودرو جمع آوری شده و سپس توسط سیستم خودرو تفسیر می شوند. اما ممکن است تنها با چند پیکسل اختلاف در تصویر ثبت شده توسط دوربین، سیستم علامت توقف را به یک علامتی کم خطر تر تفسیر کند؛ یا به اشتباه پایه چراغ را بجای عابر پیاده تشخیص دهد درحالی که پایه چراغ ثابت است اما جهت حرکت عابر پیاده را باید جهت پیش گیری از خطرات احتمالی پیش بینی کند.
از طریق آموزش بهبود یافته و تعمیم یافته تر مدل های ML، سیستم ها بهتر درک میکنند و اشیا را با دقت بیشتری تشخیص می دهند. آموزش سیستم با ورودی های متنوع برای پارامتر های کلیدی، به اعتبار سنجی بهتر داده ها کمک می کند تا مطمئن شویم برای دنیای واقعی آموزش دیده و کارآیی لازم را دارد. به این ترتیب، تشخیص اشیا وابستگی شدیدی به یک پارامتر واحد یا مجموعه کلیدی ای از جزییات ندارد، وگرنه ممکن است هر کدام سیستم را به نتیجه گیری خاصی برساند.
اگر به سیستمی داده هایی داده شود که 90 درصد درمورد خودرو های قرمز است، این خطر وجود دارد که تمام اشیا قرمز را به عنوان خودرو قرمز شناسایی کند. این "تناسب بیش از حد" (overfitting) در یک ناحیه می تواند داده ها را منحرف کند و در نتیجه، نتایج را منحرف کند. بنابراین آموزش ورودی های متنوع حیاتی است.
نظارت بر راننده:
شبکه های عصبی می توانند الگو ها را تشخیص دهند، بنابراین می توان از آنها در وسایل نقلیه برای نظارت بر راننده استفاده کرد. مثلا تشخیص چهره می تواند برای شناسایی راننده و بررسی دسترسی هایش مثل روشن کردن خودرو استفاده شود که می تواند به جلوگیری از سرقت و استفاده غیرمجاز کمک کند.
با استفاده از این ویژگی، سیستم میتواند با بهره گیری از تجربه فردی، تجربه افراد دیگر را بهینه تر کند، مثل تنظیم خودکار تهویه مطبوع با توجه به تعداد و مکان مسافران.
جایگزین راننده:
اگر استقلال کامل وسایل نقلیه را هدف نهایی در نظر بگیریم، سیستم های خودکار باید جایگزین راننده شود و به طور کامل از تمامی ورودی های انسانی بی نیاز باشد.
در اینجا، نقش یادگیری ماشین گرفتن داده از حسگر هاست ، به طوری که سیستم پیشرفته کمک راننده (ADAS) بتواند به طور دقیق و ایمن دنیای اطراف خود را درک کند. به این ترتیب، سیستم می تواند به طور کامل بر روی سرعت و جهت خودرو کنترل دارد و تشخیص، ردیابی و پیش بینی اشیا را انجام دهد. با این حال، امنیت در اینجا کلیدی است. رفتن به حالت رانندگی خودکار نیازمند نظارت موثر است که راننده در صورت بروز مشکل مداخله کند.
بینایی:
فریم ورک های یادگیری عمیق مثل Caffe و tensorFlow گوگل از الگوریتم ها برای آموزش و فعال کردن شبکه های عصبی استفاده میکند. آن ها را میتوان در پردازش تصویر برای یادگیری و طبقه بندی اشیا استفاده کرد به طوری که وسایل نقلیه بتوانند به راحتی اطراف را تشخیص دهند و واکنش مناسب نشان دهند. کاربرد این سیستم میتواند برای تشخیص خط باشد تا زاویه فرمان را بدست آورد و از برخورد با اشیا اجتناب کند و ماندن یا نماندن در یک خط بزرگراه را تعیین کند و مسیر پیش رو را به طور دقیق پیش بینی کند.
اینترنت اشیا و یادگیری ماشین در خدمت هم قرار می گیرند. از طرفی با حضور اینترنت اشیا داده های زیاد و متنوعی می توان جمع آوری کرد که مدیریت آن ها کار پیچیده ای ست و از طرفی یک ماشین وقتی بهتر یاد میگیرد که داده های بیشتری را برای آموزش دریافت کند و دقیق تر و تکامل یافته تر عمل کند.
اگر این مطلب براتون مفید بود، لطفا لایک کنید:)
