kvp#23
Az autonom autokat meg lehet valositani neuralis halozat alapu MI-vel, de hagyomanyos programozott logikaval is. Amit egy neuralis halozat meg tud valositani, azt le is lehet programozni kezzel is. (regebben csinaltam parhuzamos megvalositast tanitott MI melle hagyomanyos, kezzel programozott modellel, plusz a neuralis matrixok is programozhatoak, valojaban csak nagy meretu, de eleg egyszeru adatvezerelt rendszerek)
A fo feladatok egy onvezeto jarmu eseten:
- melysegi terkep keszitese: ehhez szenzor adatok kellenek, az illesztest vegzo optical flow neuralis matrixa kezzel is konnyen programozhato (ez az emberekben is fixen huzalozott, kvazi igy szuletunk)
- szegmentacio a melysegi terkepen: alakfelismeres, erre rengeteg egyszeru algoritmus van, leteznek neuralis valtozatok is
- mozgas predikcio a szegmentalt melysegi terkepen azonosithato mozgo targyakra (autok, emberek, utra kiszalado macska/kisgyerek/stb.): ez viszonylag konnyu, mivel nem szamit mi micsoda, csak az a kerdes, hogy keresztezi-e a jarmu utjat (gyorsulas predikciot es az alapjan sebesseg es pozicio elorejelzest kell kesziteni)
- a szegmentalt feluleteken textura alapu jelzes felismeres: tablak, jelzolampak, feklampak, stb. felismerese es jelzeskepuk es poziciojuk alapjan a relevansak levalogatasa (melyik lampa es tabla melyik savhoz tartozik, erinti-e a jarmuvet)
- plusz a meglevo, ismert utvonalak begyakorlasa, tehat atlagolassal virtualis nyomvonalak rajzolasa a meglevo terkepekre
Betanitasi tesztadatokra igazabol csak a jelzes es tabla felismereshez, meg az utvonal begyakorlashoz van szukseg. Az elsohoz sok videora, a masodikhoz sok gyorsulas szenzorral es tavolsagmerovel pontositott gps adatra van szukseg. Magyarul az embereknek vegig kell vezetniuk az autokat a bejarni kivant utvonalon minel tobbszor, amibol a szoftver ki tudja jegyzetelni maganak az idealis nyomvonalakat, a gyakori megallasi pontokat, stb. tehat igy kvazi megszokasbol, helyismerettel tud vezetni. (ha egy helyen minden arra jaro szabalytalankodik, mert pl. hibasak a jelzesek, akkor a robot is azt fogja tenni) Ehhez a ket feladathoz a legegyszerubb nagyon sok auto adatait rogziteni es ez alapjan osszeallitani egy statisztikai uthalozati modellt a teljes Fold felszinere. Ezt mar viszonylag konnyen ossze lehet vetni a meglevo terkepekkel es ahol elteres van, ott korrigalni a terkepeket. Ha az auto mar tud magatol navigalni, akkor a ne ussunk el senkit-re pedig ott vannak a fent leirt, massziv parhuzamos kornyezetekre (CNND chipekre) leprogramozhato egyszeru algoritmusok.
A nagy mennyisegu forras informacio es a hagyomanyos programozott algoritmusok onmagukban kepesek mukodo onvezeto rendszereket letrehozni, tenyleges MI betanitasa nelkul, kvazi vonalkoveto robotkent kezelve az automata jarmuveket. (csak ez a nyomvonal virtulalis es csak a digitalizalt terkepeken van meg) Tehat az automata autok problemaja megoldhato tenyleges MI kifejelsztese nelkul is, pusztan ipari automatizacios feladatkent kezelve a problemat.