رانندگی هوشمند
رانندگی هوشمند
زهرا تهرانی * از آنجا که شرکت‌های خودروسازی به دنبال رقابت در بازار در حال تحول هستند، ادغام هوش مصنوعی (AI) با این صنعت به یک اولویت استراتژیک در شرکت‌های خودروسازی تبدیل شده است. هوش مصنوعی مزایای قدرتمندی ارائه می‌کند که کارایی، ایمنی، شخصی‌سازی و طیف گسترده‌ای از فعالیت‌های خودرو را از مرحله تولید خودرو گرفته تا پردازش آن و آپشن‌های متناسب با ایمنی و تکنولوژی افزایش می‌دهد.
در این مقاله، مزایای کلیدی و موارد استفاده از هوش مصنوعی، چالش‌های پروژه‌های تولید خودرو مبتنی بر هوش مصنوعی و همچنین ابزارهای کلیدی را که یک گروه خودروسازی می‌تواند برای توسعه هوش مصنوعی سفارشی استفاده کند، مرور می‌کنیم. این مقاله برای شرکت‌هایی مفید خواهد بود که می‌خواهند نقش هوش مصنوعی را در صنعت خودرو درک کنند یا در حال بررسی بهبود عملکرد خود با هوش مصنوعی هستند.
تاثیر هوش مصنوعی بر صنعت خودرو
شرکت‌ها در بخش‌های مختلف صنعت خودرو، از تولیدکنندگان خودرو گرفته تا شرکت‌های وابسته مثل شرکت‌های حمل خودرو یا شرکت‌های تامین‌‌‌کننده قطعات خودرو، راه‌حل‌هایی را که هوش مصنوعی در تلاش برای عملکرد کارآمدتر، رقابتی و ایمن‌تر مطرح می‌کند، اتخاذ می‌کنند. اما آیا آنها به نتیجه مطلوب مورد نظر می‌رسند؟ هوش مصنوعی با تقویت فناوری‌هایی مانند رانندگی خودکار و کمک‌راننده هوشمند، خطای انسانی را کاهش می‌دهد و به جلوگیری از تصادف کمک می‌کند. همچنین تعمیر و نگهداری خودرو را از طریق الگوریتم‌های پیش‌بینی که مشکلات را زود تشخیص می‌دهند، بهبود می‌بخشد و هزینه‌های تعمیر و خرابی را کم می‌کند. در سمت تولید، خودکارسازی مبتنی بر هوش مصنوعی، تولید را ساده‌تر می‌کند و کنترل کیفیت را ارتقا می‌دهد و تولید را سازگارتر و مقرون‌به‌صرفه‌تر می‌کند. با وجود این مزایا، مشکلاتی نیز وجود دارد. پاسخگویی در تصادفات با خودروهای مبتنی بر هوش مصنوعی پرسش‌های قانونی و اخلاقی ایجاد می‌کند که در واقع مستلزم تدوین قوانین جدید است. حفظ حریم خصوصی داده‌ها نیز نگرانی بزرگ دیگر است، زیرا وسایل نقلیه و برنامه‌های کاربردی مجهز به هوش مصنوعی با حجم وسیعی از داده‌های حساس کار می‌کنند که می‌تواند در برابر هک کردن آسیب‌پذیر باشد. علاوه بر این، تغییر فرآیندهای مبتنی بر هوش مصنوعی نیروی کار را متحول می‌کند، به‌طور بالقوه جانشین مشاغل سنتی خودرو می‌شود و به مجموعه مهارت‌هایی جدید نیاز دارد. بیایید نگاهی دقیق‌تر به مزایا و معایب استفاده از هوش مصنوعی برای شرکت‌های خودروسازی داشته باشیم. ابتدا با تحلیل مزایای بالقوه شروع می‌کنیم.
مزایای هوش مصنوعی در صنعت خودرو
ابزارهای هوش مصنوعی با سرعت بسیار صنعت خودرو را از طراحی و آزمایش خودرو گرفته تا مدیریت ناوگان و فروش خودرو دستخوش دگرگونی می‌کند. به‌سختی می‌توان نقش هوش مصنوعی را در صنعت خودرو نادیده گرفت. بر اساس پژوهش‌های ماکت اند مارکت، خرید دستگاه‌های هوش مصنوعی در بازار جهانی خودرو در سال ۲۰۲۲ به ۳/ ۲ میلیارد دلار آمریکا رسید. تا سال ۲۰۲۷، پیش‌بینی می‌شود که ارزش آن به هفت میلیارد دلار برسد. هوش مصنوعی به شرکت‌های خودروسازی کمک می‌کند تا فرآیندهای خود را بهینه و بازار خودرو را رقابتی‌تر کنند. بسته به نقش خود در صنعت، آنها می‌توانند مزایای زیر را تجربه کنند:
بهینه‌سازی کارایی هزینه هوش مصنوعی می‌تواند بسیاری از فرآیندهای طولانی و نیازمند منابع را که به‌سهولت یافت نمی‌شوند خودکار کند و به شرکت‌ها کمک کند لجستیک زنجیره تامین را بهبود بخشند، موجودی را در زمان واقعی مدیریت کنند و تقاضای قطعات را پیش‌بینی کنند. برای مثال، مدل‌های پیش‌بینی تقاضا مبتنی بر هوش مصنوعی می‌توانند به تولیدکنندگان دید درستی بدهند تا از تولید بیش‌ازحد جلوگیری کنند.
افزایش ایمنی خودروهای هوشمند از طریق هوش مصنوعی حوادث رانندگی را تا حد زیادی کاهش می‌دهند. در این سیستم هوش مصنوعی از چندین حسگر برای جمع‌آوری اطلاعات در مورد وضعیت اطراف خودرو برای آگاه کردن راننده استفاده می‌کند. هنگامی که ایمنی خودرو با هوش مصنوعی تقویت می‌شود، چنین سیستم‌هایی می‌توانند دقیق‌تر اشیای درون جاده‌ها را تشخیص دهند، در مورد خروج از خط هشدار دهند، رانندگان را از خطرات احتمالی آگاه کنند، خستگی راننده را گوشزد کنند و تصمیم‌های مستقل در زمان واقعی بگیرند.
بهبود خدمات خودرو به‌واسطه هوش مصنوعی جذابیت و قابلیت‌های خودرو را افزایش می‌دهد و چشم‌اندازی قابل دسترس‌تر و راحت‌تر برای حرکت شهری ترسیم می‌کند. برای مثال، می‌تواند مسیرها را بر اساس الگوهای ترافیکی بهینه‌سازی کند، جای پارک وسیله نقلیه را در مکان‌ها پیش‌بینی کند و قیمت‌گذاری را برای خدمات حمل‌ونقل بهینه کند. با به‌کارگیری هوش مصنوعی روی خدمات خودرو، شرکت‌ها می‌توانند رضایت مشتریان را افزایش دهند و درآمد خود را بیشینه کنند.
پردازش بیمه را اصلاح کنید. بخش بزرگی از بیمه، رسیدگی به مطالبات و داده‌های مالی است و هوش مصنوعی می‌تواند به‌طور قابل‌توجهی این روند را سهولت ببخشد. الگوریتم‌های هوش مصنوعی می‌توانند به‌سرعت تصاویر تصادف را تجزیه‌وتحلیل کنند، آسیب‌ها را تخمین بزنند و هزینه‌های تعمیر را محاسبه کنند، که تسویه تقریباً آنی را امکان‌پذیر می‌کند. یک الگوریتم هوش مصنوعی همچنین می‌تواند بخشی از راه‌حل تشخیص تقلب باشد و داده‌ها را از منابع متعدد بگیرد و تجزیه‌وتحلیل کند تا از پردازش ادعاهای منصفانه اطمینان پیدا کند.
مصرف سوخت را کاهش دهید. چه یک وسیله نقلیه با برق کار کند، چه با گاز و بنزین، هوش مصنوعی می‌تواند با ویژگی‌های رانندگی سازگار با محیط زیست اطمینان دهد که زمین از آسیب‌های زیست‌محیطی مصون می‌ماند. همان‌طور که در خودروهای هیبریدی و الکتریکی دیده می‌شود، الگوریتم‌ها می‌توانند سرعت خودرو و تعویض دنده را برای استفاده بهینه از سوخت تنظیم کنند. آنها همچنین می‌توانند الگوهای مطلوب رانندگی را برای خودروهای خودران به‌کار بگیرند، تغییراتی را در سبک رانندگی به راننده پیشنهاد دهند و کارایی موتور را بالا ببرند.
همان‌طور که می‌بینید، هوش مصنوعی می‌تواند موارد استفاده زیادی برای شرکت‌های خودروسازی داشته باشد. بیایید نگاهی دقیق‌تر به موارد کلیدی استفاده از هوش مصنوعی در صنعت خودرو بیندازیم.
بهینه‌سازی کارایی هزینه هوش مصنوعی می‌تواند بسیاری از فرآیندهای طولانی و نیازمند منابع را که به‌سهولت یافت نمی‌شوند خودکار کند و به شرکت‌ها کمک کند لجستیک زنجیره تامین را بهبود بخشند، موجودی را در زمان واقعی مدیریت کنند و تقاضای قطعات را پیش‌بینی کنند.
استفاده از هوش مصنوعی در صنعت خودرو
هوش مصنوعی می‌تواند هر بخشی از صنعت خودرو را بهبود بخشد، از زنجیره تامین تا تجربه راننده و تعمیر و نگهداری خودرو، حتی بیمه خودرو. در اینجا نحوه استفاده از هوش مصنوعی در صنعت خودرو آمده است:
طراحی و ساخت
راه‌حل‌های مبتنی بر هوش مصنوعی و الگوریتم‌های ML (مطالعه الگوریتم‌ها و مدل‌های آماری سیستم‌های کامپیوتری است که به‌جای استفاده از دستورالعمل‌های واضح، از الگوها و استنباط برای انجام وظایف استفاده می‌کنند) به سازندگان خودرو کمک می‌کنند تا فرآیندهای تولید را ارتقا دهند و داده‌ها را در حین ارزیابی ریسک و برآورد آسیب‌های خودرو طبقه‌بندی کنند. سیستم‌های هوش مصنوعی و راه‌حل‌های روباتیک با تکیه بر فناوری‌هایی مانند حسگر بینایی رایانه و پردازش زبان طبیعی به‌طور گسترده در تولید خودرو کاربرد دارند. برای مثال، موسسه پژوهشی تویوتا الگوهای هوش مصنوعی مولد را در طراحی خودرو به‌کار می‌گیرد. این هوش مصنوعی مولد الهام‌بخش طراحان و تبدیل پیام‌های متنی آنها به مفاهیم اولیه است. بی‌ام‌دبلیو چندین کارخانه خود را با دوربین‌ها و حسگرهای اضافی مجهز کرده تا هوش مصنوعی را در جوشکاری و بازرسی کیفیت خودرو بگنجاند.
زنجیره تامین
برای سازندگان وسایل نقلیه حیاتی است که بتوانند بر هر مرحله از ساخت خودرو و قطعه نظارت داشته باشند و دقیقاً بدانند چه زمانی می‌توانند انتظار داشته باشند که یک قطعه دقیقاً جاساز می‌شود. به همین دلیل است که زنجیره‌های تامین مدرن اغلب به فناوری‌های پیشرفته اینترنت اشیا، بلاک‌چین و هوش مصنوعی متکی هستند. به‌طور خاص، سازندگان خودرو می‌توانند به راه‌حل‌هایی با تکیه بر الگوریتم‌های مختلف یادگیری ماشین و تحلیل‌های پیش‌بینی مبتنی بر هوش مصنوعی روی آورند. با کمک آنها، سازندگان می‌توانند تقاضا برای قطعات را برآورد کرده و تغییرات احتمالی در تقاضا را به‌موقع پیش‌بینی کنند. فورد یکی از شرکت‌هایی است که سرمایه‌گذاری زیادی در تجزیه‌وتحلیل زنجیره تامین مبتنی بر هوش مصنوعی انجام داده تا یک سیستم نظارت بر ریسک، پیش‌بینی‌کننده و بهینه‌ساز هزینه‌های تولید بسازد.
کنترل کیفیت
هوش مصنوعی می‌تواند با تشخیص به‌موقع، مسائل فنی مختلف را تشخیص داده و حل کند. بر اساس داده‌های جمع‌آوری‌شده از طریق حسگرهای داخل خودرو، یک سیستم هوش مصنوعی می‌تواند به کاربر اطلاع دهد که یک جزء یا سیستم خاص نیاز به تعمیر و نگهداری یا در اسرع وقت نیاز به تعویض دارد. سازندگان همچنین از سیستم‌های کنترل کیفیت مبتنی بر هوش مصنوعی برای شناسایی نقص‌های احتمالی در قطعات قبل از نصب بهره می‌گیرند. سیستم‌های کنترل کیفیت داخل خودرو بیشتر به روش‌های پردازش و تجزیه‌وتحلیل داده‌ها متکی هستند، این داده‌ها گاه شامل تصویر و صدا هستند که ابزارهای هوش مصنوعی با تجزیه‌وتحلیل آنها راه‌حلی مناسب برای ارتقای کیفیت ماشین نیز ارائه می‌دهد. به‌عنوان مثال، بی‌ام‌دبلیو حسگرها و دوربین‌هایی بیشتر روی تسمه‌نقاله خود نصب کرد تا به هوش مصنوعی اجازه دهد بازرسی‌های کیفیت بصری و صوتی انجام دهد. الگوریتم‌های هوش مصنوعی به کارکنان امکان می‌دهند از کامل بودن خودرو اطمینان پیدا کنند و ناهنجاری‌های تولید را در زمان واقعی شناسایی کنند.
تجربه مسافر
برای اطمینان از ایمنی و رضایت همه مسافران، سازندگان وسایل نقلیه خود را با انواع برنامه‌های کاربردی هوش مصنوعی که برای ارتقای تجربه مسافران طراحی شده است، مجهز کرده‌اند. برخی از سیستم‌ها روش‌های تشخیص چهره و تشخیص احساسات را برای ارزیابی وضعیت راننده و سرنشینان به کار می‌گیرند. برخی دیگر با پردازش زبان انسانی کاری می‌کنند تا مسافران بتوانند فیلم تماشا کنند، به موسیقی گوش بدهند و حتی کالا سفارش بدهند و از خدمات در طول سفر بهر‌ه‌مند شوند. مثلاً، دنتسو و هیوندای 10 میلیون دلار در پروژه Audioburst برای ایجاد یک سیستم سرگرمی اطلاعاتی با هوش مصنوعی سرمایه‌گذاری کردند. این سیستم با استفاده از تشخیص خودکار گفتار و درک زبان طبیعی، به مسافران امکان می‌دهد کتابخانه‌های موسیقی/ صوتی را جست‌وجو کنند و از فهرست‌های پخش موسیقی شخصی‌شده و خلاصه اخبار و... لذت ببرند. مرسدس بنز در حال کار روی تقویت دستیار مجازی داخل خودرو با هوش مصنوعی مولد برای بهبود گزینه‌های شخصی‌سازی کمک، کیفیت تعاملات راننده و سرگرمی برای مسافران است.
تعمیر و نگهداری وسایل نقلیه سنتی یا طبق برنامه انجام می‌شود، یا وقتی چیزی خراب می‌شود و قطعه‌ای از کار می‌افتد خودروها برای مدتی کاربرد خود را از دست می‌دهند. استفاده از تعمیر و نگهداری پیش‌بینی‌کننده مبتنی بر هوش مصنوعی در صنعت خودرو کسب‌وکارها را یاری می‌کند تا استهلاک اجزای خودرو را ارزیابی کنند، زمان‌بندی تعمیرات را در زمانی که واقعاً موردنیاز هستند، برنامه‌ریزی کنند و با تهیه قطعات از قبل در هزینه‌ها صرفه‌جویی کنند.
کمک‌راننده
بیایید از بهبود تجربه رانندگی ارائه‌شده از طریق فناوری‌های هوش مصنوعی غافل نشویم. سیستم‌های هوش مصنوعی برای کمک به رانندگان و تضمین ایمنی با هشدار دادن به آنها در مورد ترافیک و تغییرات آب‌وهوا، پیشنهاد بهترین مسیرها یا پرداخت هزینه برای کالاها و خدمات در حال حرکت آماده هستند. دستیار مجازی آئودی سرعت بهینه را برای راننده با در نظر گرفتن چراغ سبز محاسبه می‌کند. این ویژگی به‌ظاهر ساده به هوش مصنوعی نیاز دارد تا بسیاری از داده‌ها را پردازش کند و براساس پردازش داده و تحلیل آن بتواند اطلاعات درستی درباره زمان سفر و ترافیک در اختیار راننده قرار دهد و بر اساس رفتار راننده تنظیمات را در زمان واقعی انجام دهد. هدف دیگر سیستم‌ها این است که نقش راننده را بر عهده بگیرند؛ یا به‌طور موقت، مانند عملکرد خلبان خودکار در برخی از خودروهای تسلا یا به‌طور کامل، مانند خودروهای بدون راننده Waymo و وسایل نقلیه خودمختار Zoox برای اشتراک‌گذاری روباتیک. این سیستم‌ها اغلب قابلیت‌های پیچیده حسگر بینایی کامپیوتری را با تجزیه‌وتحلیل بلادرنگ داده‌های بزرگ و پردازش زبان طبیعی ترکیب می‌کنند.
تعمیر و نگهداری پیش‌بینی‌کننده
تعمیر و نگهداری وسایل نقلیه سنتی یا طبق برنامه انجام می‌شود یا وقتی چیزی خراب می‌شود و قطعه‌ای از کار می‌افتد خودروها برای مدتی کاربرد خود را از دست می‌دهند. استفاده از تعمیر و نگهداری پیش‌بینی‌کننده مبتنی بر هوش مصنوعی در صنعت خودرو کسب‌وکارها را یاری می‌کند تا استهلاک اجزای خودرو را ارزیابی کنند، زمان‌بندی تعمیرات را در زمانی که واقعاً موردنیاز هستند، برنامه‌ریزی کنند و با تهیه قطعات از قبل در هزینه‌ها صرفه‌جویی کنند. برای مثال، کامیون‌های ولوو و ماک به حسگرها و دستگاه‌های اینترنت اشیا (IoT) برای تشخیص از راه دور و تعمیر و نگهداری پیشگیرانه مجهز می‌شوند. شرکت‌های حمل‌ونقلی که از کامیون‌های ولوو و ماک استفاده می‌کنند، می‌توانند با تکیه بر این مزیت تعداد اختلا‌ل‌های خدمات خود را کاهش دهند و از قبل برای تعمیرات برنامه‌ریزی کنند. هنگام ایجاد یک راه‌حل هوش مصنوعی خودرو چه چیزهایی را باید در نظر گرفت. درحالی‌که هوش مصنوعی پتانسیل امیدوارکننده‌ای در صنعت خودرو دارد، پذیرش عملی این فناوری در وسایل نقلیه دارای محدودیت‌های خاص است. در این بخش، مشکلات کلیدی را که هنگام استفاده از هوش مصنوعی برای کاربردهای خودرو باید انتظار داشت مرور می‌کنیم.
چالش‌های استفاده از هوش مصنوعی
از آنجا که سیستم‌های هوش مصنوعی تمایل به جانبداری دارند، می‌توانید با استفاده از الگوریتم‌های قوی به‌جای سیستم هوش مصنوعی، مشکل خود را حل کنید. فقط مطمئن شوید که همه الگوریتم‌های مسئول عملکردهای حیاتی ایمنی را تجزیه‌وتحلیل کرده و به‌طور کامل بررسی کنید. شما می‌توانید درستی الگوریتم‌ها را به‌صورت دستی یا با کمک اثبات صحت ریاضی خاص ارزیابی کنید. اما توجه داشته باشید که پارامترهای الگوریتم بازآموزی‌شده را نمی‌توان فوری اعمال کرد. ابتدا باید بررسی کنید که آیا الگوریتم پس از دریافت داده‌های جدید درست باقی می‌ماند و به‌درستی عمل می‌کند و سپس آن را در تولید به کار بگیرید. داده‌ها هسته هر سیستم هوش مصنوعی هستند، بنابراین باید از بالاترین کیفیت برخوردار باشند.
بااین‌حال، جمع‌آوری یک مجموعه داده به اندازه کافی بزرگ پر از داده‌های با کیفیت بالا، برچسب‌گذاری‌شده و حاشیه‌نویسی‌شده یک چالش واقعی است. الگوهای هوش مصنوعی مورداستفاده برای وسایل نقلیه هوشمند باید به اندازه کافی قابل‌پیش‌بینی، دقیق و سریع باشند تا پاسخ‌های ایمن و دقیق به رویدادهای مختلف در جاده در زمان واقعی ارائه دهند. برخی از داده‌های موردنیاز را می‌توان از سیستم‌های هوشمند و روبات‌های مورداستفاده در کارخانه یا از حسگرهای داخل خودرو جمع‌آوری کرد. سایر داده‌ها باید به‌صورت مصنوعی ایجاد شوند و بهبود یابند. و بدون توجه به منبع، همه داده‌ها باید به‌طور کامل بررسی و آزمایش شوند تا از کیفیت و کامل بودن آن اطمینان حاصل شود. کیفیت داده‌ها به‌شدت به قابلیت‌های فنی حسگرها و دستگاه‌های مورداستفاده برای جمع‌آوری آن بستگی دارد. به همین دلیل است که اگر آن را از حسگرهای اشتباه دریافت کنید، جمع‌آوری داده‌های کاربردی کاملاً بی‌فایده است.
برای مثال، هنگام استقرار یک مدل یادگیری ماشین برای پردازش داده‌های صوتی دریافتی از میکروفون‌ها، ممکن است ضبط صدا با استفاده از دستگاه‌های اولتراسونیک به‌جای دستگاه‌های معمولی اثرگذارتر باشد، زیرا آنها می‌توانند نویز پس‌زمینه را فیلتر کنند. بسیاری از راه‌حل‌های هوش مصنوعی امروزی، جعبه سیاه هستند، به این معنی که حتی توسعه‌دهندگان یک سیستم نیز نمی‌توانند بگویند که چگونه به یک تصمیم خاص رسیده است. اما برای صنعت خودرو، بسیار مهم است که فقط بر راه‌حل‌های قابل توضیح هوش مصنوعی (XAI) تکیه کنیم. برخلاف مدل‌های هوش مصنوعی جعبه سیاه، تصمیمات اتخاذشده از طریق سیستم‌های XAI باید برای انسان شفاف و قابل‌درک باشد. این به توسعه‌دهندگان هوش مصنوعی امکان می‌دهد نقص‌های احتمالی در الگوریتم‌های خود را شناسایی کرده و آن نقص‌ها را به‌موقع رفع کنند. به‌کارگیری هوش مصنوعی در خودرو به مجموعه داده‌های آموزشی عظیمی نیاز دارد که چندین عملیات در داخل خودرو، ارتباط خودرو به خودرو، ارتباط خودرو با راننده، ترجیحات سرگرمی مسافران و موارد دیگر را پوشش دهد. پس از ساخت نرم‌افزار، هوش مصنوعی به جمع‌آوری داده‌های حساس که برای درست کار کردن آن ضروری است، ادامه می‌دهد.
انباشته شدن چنین سوابق گسترده‌ای از داده‌ها بر روی وسایل نقلیه واقعی و افراد، نگرانی‌های زیادی در مورد امنیت سایبری برمی‌انگیزد. شرکتی که سیستم خودرویی مبتنی بر هوش مصنوعی را توسعه می‌دهد و پشتیبانی می‌کند، باید از داده‌های جمع‌آوری‌شده در برابر تهدیدهای سایبری و خطاهای انسانی محافظت کند تا از ایمنی رانندگان و مسافران و رعایت مقررات اطمینان پیدا کند. کاربردهای هوش مصنوعی و یادگیری عمیق در صنعت خودرو سریع‌تر از اجرای قوانین و مقررات مربوطه پیشرفت می‌کند، اما شکاف‌های قانونی در مورد توسعه راه‌حل‌های مبتنی بر هوش مصنوعی برای تولید و حمل‌ونقل خودرو نیز وجود دارد. بااین‌حال، هنوز برخی از الزامات وجود دارد که باید در طول توسعه نرم‌افزار آنها را در نظر بگیرید. الزامات و توصیه‌هایی که باید در نظر بگیرید: انجمن بین‌المللی مهندسان خودرو (SAE)، وزارت حمل‌ونقل ایالات‌متحده، انجمن خودروسازان اروپا و سایر نهادها. بسته به وظیفه‌ای که می‌خواهید به آن عمل کنید، باید از مجموعه‌داده‌ها که در یک کتابخانه جمع‌آوری و دسته‌بندی‌شده‌اند و چهارچوب‌های مختلف و همچنین الگوریتم‌ها و الگوهای هوش مصنوعی از پیش آموزش‌دیده استفاده کنید. در زیر، برخی از ابزارها و چهارچوب‌های متداول را که ممکن است در پروژه خودرویی مبتنی بر هوش مصنوعی شما مفید باشند، فهرست می‌کنیم.
پلت‌فرم‌های شبیه‌ساز
شبیه‌سازها به‌طور گسترده برای طراحی مفاهیم وسایل نقلیه خودران آینده و همچنین برای توسعه، آموزش و آزمایش سیستم‌های آنها استفاده می‌شوند. بیایید به برخی از مفیدترین آنها نگاه کنیم: CARLA یک پلت‌فرم منبع باز محبوب است که می‌تواند به شما در ایجاد نقشه‌های سفارشی و شبیه‌سازی سناریوهای ترافیک یا شرایط آب‌وهوایی برای آموزش کامل سیستم رانندگی خودران کمک کند. Cognata یک پلت‌فرم شبیه‌سازی برای ساخت ADAS و سایر راه‌حل‌های مبتنی بر هوش مصنوعی برای وسایل نقلیه خودران است. با شبیه‌سازی رفتار رانندگی در مکان‌های مجازی سه‌بعدی می‌توان از آن برای آزمایش برنامه‌های کاربردی خودروهای هوشمند استفاده کرد. پلت‌فرم باز آپولو نیز یک پلت‌فرم رانندگی خودکار باز است که سیستم درک تجزیه‌وتحلیل داده‌های حسگرهای مختلف، شبیه‌سازی برای مدل‌سازی و آزمایش عملکرد خودرو خودران، قابلیت‌های ایجاد نقشه و موارد دیگر را عرضه می‌کند. Autoware یک پروژه منبع باز است که راه‌حل‌های مبتنی بر ROS 2 را برای خودروهای خودران پیشنهاد می‌دهد. در حال حاضر، این پلت‌فرم وظایفی مانند تشخیص شیء، محلی‌سازی و نقشه‌برداری را انجام می‌دهد. انویدیا درایو مجموعه‌ای از پلت‌فرم‌های توسعه خودروهای خودران است که قابلیت‌هایی برای آموزش نحوه استفاده هوش مصنوعی در صنعت خودرو و یک پلت‌فرم شبیه‌سازی برای آزمایش و اعتبارسنجی راه‌حل‌های خودرو خودمختار را عرضه می‌کند.
بااین‌حال، این پلت‌فرم‌ها فقط برای کسانی که به‌عنوان توسعه‌دهندگان انویدیا و برنامه توسعه‌دهنده انویدیا درایو برای شرکت‌کنندگان در DRIVE AGX ثبت نام کرده‌اند، قابل‌دسترسی هستند. همچنین AirSim یک شبیه‌ساز منبع باز است که مایکروسافت توسعه داده است. برای تحقیق، آموزش و آزمایش الگوهای هوش مصنوعی برای وسایل نقلیه خودران با فیزیک واقع‌گرایانه و دارای محیط‌ها و قابلیت‌های شبیه‌سازی سناریوهای متنوع مفید است. LGSVL Simulator یک پلت فرم شبیه‌سازی منبع باز پیشرفته است که برای توسعه و آزمایش سیستم‌های رانندگی مستقل طراحی شده و ال‌جی آن را ایجاد کرده است و شبیه‌سازی‌های سه‌بعدی واقع‌گرایانه را برای تایید تنظیمات حسگر و رفتار خودرو در شرایط مختلف رانندگی فعال می‌کند. PreScan ابزار شبیه‌سازی زیمنس است که برای توسعه و آزمایش ADAS و سیستم‌های خودرو خودران طراحی شده است و ابزارهای جامعی برای الگو‌سازی پیکربندی حسگرها، دینامیک خودرو و عوامل محیطی فراهم می‌کند و از اعتبارسنجی دقیق و بهینه‌سازی فناوری‌های خودرویی مبتنی بر هوش مصنوعی بهره می‌برد.
کتابخانه‌های داده حسگر بینایی
حسگر بینایی کامپیوتر بخشی ضروری از نرم‌افزار برای هر سیستم رانندگی مستقل یا سیستم ADAS است. این حسگر به وسیله نقلیه کمک می‌کند تا اشیا، وسایل نقلیه دیگر و عابران پیاده را در جاده تشخیص دهد و در صورت نیاز سبک رانندگی را تغییر دهد و در نتیجه ایمنی جاده را تضمین کند. ابزارهای کلیدی که ما برای اجرای الگوریتم‌های بینایی کامپیوتری توصیه می‌کنیم در اینجا آمده است: OpenCV یک کتابخانه بینایی کامپیوتری منبع باز است که به‌طور گسترده در برنامه‌های کاربردی هوش مصنوعی خودرو استفاده می‌شود. ابزارهای قدرتمندی برای پردازش تصویر، تشخیص اشیا و تجزیه‌وتحلیل حرکت ارائه می‌دهد و به خودروها امکان می‌دهد داده‌های بصری دوربین‌ها را در زمان واقعی تفسیر کنند. Detectron2 سیستم هوش مصنوعی با کارایی بالاست که متا برای تشخیص و تقسیم‌بندی اشیا توسعه داده است. طراحی مدولار و پشتیبانی از پیشرفته‌ترین الگوهای یادگیری عمیق آن را برای شناسایی و درک اشیا در محیط اطراف خودرو ایده‌آل می‌کند. You Only Look Once سیستم سریع و دقیق تشخیص اشیا در زمان واقعی است. این حسگر به‌طور گسترده در سیستم‌های خودرو مبتنی بر هوش مصنوعی برای شناسایی و ردیابی چیزهایی مانند عابران پیاده، وسایل نقلیه و علائم جاده کاربرد دارد و از تصمیم‌گیری سریع در محیط‌های پویا اطمینان می‌دهد.
مجموعه داده‌های منبع باز
راه‌حل‌های مبتنی بر هوش مصنوعی زمانی بهترین نتایج را نشان می‌دهند که بر روی مجموعه داده‌هایی با کیفیت بالا و به‌درستی آماده‌شده ایجاد شده باشند. چندین مجموعه داده منبع باز وجود دارد که ممکن است هنگام کار بر روی یک راه‌حل مبتنی بر هوش مصنوعی برای صنعت خودرو مفید بیابید: PandaSet یک مجموعه داده رایگان است که Scale AI و Hesai عرضه کرده‌اند. این مجموعه داده برای استفاده تجاری و دانشگاهی دارای مجوز است و می‌تواند برای چالش‌های مختلف رانندگی مستقل کاربرد داشته باشد. این مجموعه داده شامل جعبه‌های محدود سه‌بعدی و داده‌های تقسیم‌بندی ابرنقطه‌ای (مجموعه‌ای از نقاط برای ذخیره‌سازی پویای داده‌ها) است که برای بازآفرینی محیط‌های شهری واقعی و پیچیده ضروری هستند.
nuScenes یکی دیگر از مجموعه داده‌های دسترسی باز مفید است که حاوی تصاویر رنگی با کیفیت بالا و ابرهای نقطه لیدار 400 هزار مرتبط با شرایط مختلف روز و آب‌وهواست. سازندگان nuScenes همچنین یک پایتون منتشر کرده‌اند که به توسعه‌دهندگان هوش مصنوعی کمک می‌کند در این مجموعه داده پیچیده حرکت کنند. Waymo Open Dataset مجموعه داده‌ای غنی با داده‌های حسگر با وضوح بالاست که وسایل نقلیه خودمختار Waymo Driver جمع‌آوری کرده است. همچنین حاوی داده‌های برچسب‌گذاری‌شده برای تشخیص وسایل نقلیه، عابران پیاده، دوچرخه‌سواران و علائم جاده‌ای و مجموعه داده‌های حرکتی برای تعیین مسیر حرکت است. برکلی دیپ درایو یکی از بزرگ‌ترین مجموعه‌داده‌ها برای وسایل نقلیه خودران است که شامل بیش از 100هزار ویدیوی تجربه رانندگی ضبط‌شده در جاده‌های کالیفرنیا و نیویورک است. این مجموعه داده می‌تواند در آموزش مدل‌ها برای رفع مشکلاتی مانند تشخیص خطوط، ردیابی اشیا، پیش‌بینی زمان سفر و موارد دیگر به شرکت‌های خودروسازی برای نوشتن الگوریتم مناسب کمک کند.
کتابخانه‌ها و پلت‌فرم‌های پردازش داده
چه قصد داشته باشید از هوش مصنوعی برای طراحی یک وسیله نقلیه جدید استفاده کنید، چه آن را با قابلیت‌های بدون راننده (خودران) تقویت کنید، ابزار هوش مصنوعی شما نیاز به داده‌های زیادی دارد که از طریق حسگرهای مختلف جمع‌آوری شده است تا با پردازش این داده‌ها راه‌حل مناسب را ارائه دهند: دوربین‌ها، جی‌پی‌اس، رادارها، لیدارها و... . حتی مجموعه داده‌های ایجادشده برای آموزش الگوهای هوش مصنوعی برای خودروهای خودران نیز پیچیده هستند و اغلب به ابزارهای پیش‌بینی نیاز داریم. در زیر، تعدادی از کتابخانه‌ها و پلت‌فرم‌هایی را فهرست می‌کنیم که ممکن است هنگام کار با داده‌هایی مانند فضای ابری لیدار و جعبه‌های محدود سه‌بعدی مفید باشند. deck.gl یک کتابخانه مبتنی بر WebGL (مخفف Web Graphics Library که یک کتابخانه داده است که با آن می‌توان اشیای تعاملی دوبعدی و سه‌بعدی ایجاد کرد) است که برای اوبر طراحی شده و از سوی تیم vis.gl نگهداری می‌شود. این کتابخانه اطلاعاتی زمانی مفید است که شما نیاز به انجام تجزیه‌وتحلیل داده‌های اکتشافی بصری دارید. streetscape.gl (همچنین به‌عنوان AVS شناخته می‌شود) کتابخانه دیگری است که تیم vis.gl ایجاد کرده است. کتابخانه انتزاعی داده‌های مکانی (GDAL) یک کتابخانه قدرتمند است که با مجموعه‌ای غنی از ابزارهای خط فرمان برای پردازش داده‌های مکانی ارائه می‌شود که در تعیین جای پارک یا عوض کردن لاین رانندگی بسیار کمک‌کننده و موثر است. NumPy کتابخانه‌ای کارآمد است که برای تجزیه‌وتحلیل داده‌های محاسباتی به کار می‌آید. بسیاری از کتابخانه‌های محبوب پایتون، از جمله Pandas و Matplotlib، بر پایه NumPy هستند. جعبه‌ابزار رانندگی خودکار یک سیستم شبیه‌ساز است که ابزارها و الگوریتم‌هایی را برای طراحی، شبیه‌سازی و آزمایش سیستم‌های رانندگی مستقل و ADAS ارائه می‌دهد. با استفاده از این سیستم، می‌توانید سناریوهای مختلف رانندگی را بازسازی کنید و درک لیدار، برنامه‌ریزی مسیر، همجوشی حسگر و... را شبیه‌سازی کنید.
آینده هوش مصنوعی در صنعت خودرو
هوش مصنوعی در حال حاضر در صنعت خودرو ریشه دوانده است و به شرکت‌ها کمک می‌کند کیفیت خدمات خود را بهبود بخشند، هزینه‌های عملیاتی را کاهش دهند و جاده‌ها را برای همه ایمن‌تر کنند. با پیشرفت این فناوری، شاهد تکیه شرکت‌های بیشتری به الگوریتم‌های هوش مصنوعی خواهیم بود. در اینجا مناطقی از صنعت خودرو وجود دارد که انتظار می‌رود تحت تاثیر هوش مصنوعی بیشترین تغییر را داشته باشند: سیستم‌های کمک‌راننده یا آپشن‌های شخصی‌سازی برای خودرو. هوش مصنوعی می‌تواند به‌زودی ترجیحات راننده را در شرایط مختلف، مانند شرایط آب‌وهوایی مختلف و زمان‌های مختلف شبانه‌روز برای روشن کردن چراغ‌ها به صورت خودکار، پیش‌بینی کند و پیشنهادهایی مانند توصیه مسیرهای جایگزین یا تنظیمات کنترل آب‌وهوا را ارائه دهد.
در درازمدت، ADAS ممکن است در نقش یک کمک‌راننده ظاهر شود و به‌طور مداوم از راننده یاد بگیرد و ایمنی و راحتی را در هر سفر بهتر از قبل کند. بسیاری از وسایل نقلیه در حال حاضر برخی از ویژگی‌ها را در رانندگی تا حدی ارائه می‌دهند، مانند حرکت بین خطوط و کروز کنترل تطبیقی. درحالی‌که برخی از وسایل نقلیه کاملاً خودران وجود دارد، آنها پرسش‌های امنیتی و کارایی زیادی ایجاد می‌کنند. همان‌طور که الگوریتم‌های هوش مصنوعی پیچیده‌تر می‌شوند، وسایل نقلیه کاملاً خودمختار می‌توانند ایمن‌تر، کارآمدتر و گسترده‌تر شوند و در نهایت نحوه برخورد ما با رانندگی و حمل‌ونقل را دگرگون کنند. در سال‌های آینده، تعمیر و نگهداری پیش‌بینی‌شده می‌تواند به یک ویژگی استاندارد در همه وسایل نقلیه متصل و رایج‌ترین روش برای برنامه‌ریزی تعمیرات خودرو تبدیل شود. با پذیرش گسترده، ممکن است سیستم‌های هوش مصنوعی را ببینیم که با مراکز خدمات همزمان ارتباط برقرار کرده و اطمینان حاصل می‌کنند که قطعات حاضر و تکنسین‌ها حتی قبل از رسیدن خودرو آماده به کار هستند.
بر امنیت داده‌های خودرو تمرکز کنید. هوش مصنوعی چالش‌های امنیتی سایبری بیشتری را برای توسعه و پشتیبانی خودرو معرفی می‌کند، اما می‌توان از آن برای افزایش حفاظت از داده‌ها نیز استفاده کرد. برنامه‌های امنیتی آینده مبتنی بر هوش مصنوعی می‌توانند به‌سرعت تهدیدها را شناسایی و با آنها مقابله کنند، بر هر سیستم و اتصال شبکه نظارت کنند و به‌طور خودکار بهترین شیوه‌های امنیتی را برای داده‌های جدید اعمال کنند. بازار خودرو به‌سرعت تغییر می‌کند، بنابراین بهتر است صنعت خودرو از اکنون به فکر سازگاری با این تغییرات باشد.
نتیجه‌گیری
هوش مصنوعی در هر یک از مراحل تولید خودرو کاربرد دارد و صنعت خودرو جزو صنایعی است که سیستم‌های هوش مصنوعی متنوعی را می‌تواند در خود جای دهد. تولیدکنندگان می‌توانند فناوری‌های هوش مصنوعی را برای طراحی و ساخت نمونه‌های اولیه جدید، بهبود کارایی زنجیره‌های تامین خود و امکان تعمیر و نگهداری پیش‌بینی برای تجهیزات کارخانه و وسایل نقلیه در جاده‌ها به کار گیرند. هوش مصنوعی همچنین قدرت پشتیبان خدمات کمک‌راننده و سرنشین است که تجربیاتی مانند حمل‌ونقل بدون راننده، خرید و سرگرمی در خودرو، تشکیل پرونده بیمه فوری و... عرضه می‌کند. اما با وجود ظرفیت امیدوارکننده آن، استفاده از هوش مصنوعی در صنعت خودرو با چالش‌هایی همراه است. برخی از بزرگ‌ترین آنها با پیچیدگی الگوریتم، کیفیت داده‌ها و درک چگونگی رسیدن یک مدل به نتیجه‌ای خاص مرتبط هستند. چالش بزرگ دیگری که وجود دارد تنظیم قوانین جدید برای این تحول در صنعت خودرو است که نیاز به متخصصان خبره و ماهر دارد تا با شناخت کامل از سیستم‌های هوش مصنوعی مورداستفاده در این صنعت بتوانند قوانینی اصولی و عادلانه متناسب با سیستم جدید رانندگی و خودرو تدوین کنند.
* نویسنده نشریه
منبع: donya-e-eqtesad.com