Ключевые технологии для автономного вождения в будущем подключенных автомобилей

Рынок автономного вождения наконец-то набирает обороты благодаря беспроводной связи и ряду современных технологий, которые позволяют быстро собирать, обрабатывать и анализировать данные. Современные автомобили оснащены сотнями устройств и компонентов, которые отслеживают все: от того, как функционирует автомобиль, условий окружающей среды и безопасности до информации о поведении водителя. Сколько бы информации мы ни использовали на своих мобильных телефонах, автомобили будут продолжать генерировать еще больше.

Датчики IoT, технологии искусственного интеллекта и машинного обучения, а также анализ больших данных лежат в основе феномена подключенных автомобилей и автономного вождения. Ожидается, что глобальный автомобильный рынок IoT достигнет 541,73 млрд долларов к 2025 годусреднегодовой темп роста составит 16,4 процента, а поставки подключенных автомобилей, по прогнозам, вырастут с 33 миллионов в 2017 году до более чем 77 миллионов к 2025 году, согласно Бизнес-инсайдер.

Лучшая безопасность автономного вождения

Большинство современных автомобилей сегодня оснащены сложными передовыми системами помощи водителю, известными как ADAS. Эти системы ADAS включают в себя ряд автоматизированных функций, таких как адаптивный круиз-контроль, антиблокировочная система тормозов, предупреждение о столкновении, безопасность дальнего света, выход из полосы движения, распознавание сигналов светофора, мониторинг состояния окружающей среды и дороги, телеметрические датчики для отслеживания маршрутов и схем движения и даже биометрические считыватели, которые могут определить, засыпает ли водитель за рулем.

Машинное обучение (МО) делает все эти действия автономного вождения практически мгновенными, обрабатывая данные с радаров или камер в режиме реального времени, чтобы определить, что представляет собой объект (например, дорожная опасность) и как с ним бороться. Принятие решений с помощью МО может быть разделены на три категории:

1. Алгоритмы распознавания образов и классификации

ADAS захватывает изображения, фильтрует их, чтобы исключить нерелевантные точки данных, и применяет алгоритмы распознавания образов для идентификации и классификации объектов, которые видит. Он считывает края объектов, линейные сегменты и дуги окружностей на краях, чтобы получить полную картину объекта.

2. Кластеризация

В случае, если изображение не совсем четкое, например, в случае изображений с низким разрешением и очень малым количеством точек данных или прерывистых данных, кластеризация позволяет МО анализировать присущие данным структуры и организовывать их по общности для создания проецируемого изображения.

3. Алгоритмы матрицы принятия решений

ML систематически анализирует и оценивает производительность наборов значений для принятия важного решения, например, поворота налево или торможения. Результат анализируется ML, поскольку он определяет уровень уверенности в классификации, распознавании и прогнозировании следующего движения.

Прогнозирование необходимости технического обслуживания автомобиля

Процессы на основе IoT и AI помогают обеспечить точную диагностику и прогнозировать неисправности оборудования. Считывая такие данные, как обороты двигателя, температура масла и двигателя, частота срабатывания тормозов и другие аномалии, интеллектуальная система может заблаговременно рекомендовать исправления и даже планировать техническое обслуживание. Почти любой важный компонент в автомобиле можно контролировать, в том числе, воздушную систему, силовую электронику, трансмиссию, аккумулятор, выхлопную систему, систему впрыска топлива, тормоза, фильтр, масляный насос, ремни и цепи, гидравлику и многое другое.

Прогностическое обслуживание помогает поддерживать безопасность автомобиля, а также может снизить расходы за счет упреждающего решения проблем до того, как их станет слишком сложно исправить. Оно предотвращает неожиданные поломки и помогает владельцам понять будущее состояние и стоимость своих автомобилей. Например, объединяя потребности в обслуживании для нескольких компонентов, водители могут сократить количество визитов в мастерскую и сэкономить значительное время и деньги.

Маркетинговые возможности для подключенных автомобилей

К 2030 году около 95 процентов новых автомобилей, продаваемых по всему миру, будут подключены к Интернету, по сравнению с примерно 50 процентами сегодня. по данным McKinseyи один автомобиль может генерировать от одного до двух терабайт необработанных данных каждый день. Это представляет собой огромную маркетинговую возможность. Все дело в аналитике больших данных — сборе объемов предпочтений водителей и поведенческой информации для составления рекомендаций по покупкам и улучшения клиентского опыта. Вот некоторые примеры:

• Сбор данных о привычках вождения, развлечениях и музыке, идентификационной информации, а также о том, как пассажиры используют приложения, — все это будет использоваться для персонализированного маркетинга.
• Мониторинг использования водителем таких функций, как навигация и защита от угона, для продажи дополнительных сопутствующих услуг.
• Включение голосового управления сообщениями в автомобиле для электронной почты, календарей и виртуальных помощников.
• Снижение затрат за счет оптимизации гарантий на основе данных о бортовой продукции и ее потреблении.

Несколько крупные игроки технологической отрасли теперь выходят на рынок автономного вождения и подключенных автомобилей разными способами:

Alphabet: Waymo превратилась в ведущее предприятие в области технологий автономного вождения в США. Сейчас компания оценивается в 105 миллиардов долларов, а к 2030 году, как ожидается, ей будет принадлежать 18 процентов рынка беспилотных автомобилей.

Apple: Проект Titan от Apple направлен на разработку автономного электромобиля и находится в разработке уже несколько лет. У Apple также есть CarPlay, программное решение для внедрения своих операционных систем в автомобили, которое теперь доступно в 500 моделях автомобилей.

Amazon: Amazon стремится захватить опыт вождения автомобиля с помощью своей платформы Alexa для голосовых инструкций для автомобиля, а также инвестирует в технологии беспилотного вождения и электрификацию.

Ускорьте свою карьеру в области искусственного интеллекта и машинного обучения с помощью программы последипломного образования в области искусственного интеллекта и машинного обучения в Университете Пердью, созданной в сотрудничестве с IBM.

Интернет вещей и машинное обучение будут способствовать развитию автономного вождения и подключенных автомобилей

На горизонте маячит огромный рынок подключенных транспортных средств, и специалисты по технологиям захотят понять как механику устройств Интернета вещей, так и внутреннюю работу машинного обучения, чтобы преуспеть в этой захватывающей области.

Если вы готовы глубоко погрузиться в технологии, обеспечивающие автономное вождение, ознакомьтесь с программой послевузовского образования Simplilearn в области искусственного интеллекта и машинного обучения, реализуемой в партнерстве с Университетом Пердью и при сотрудничестве с IBM. В рамках этой программы вы узнаете все, что вам нужно знать, чтобы выйти на этот быстрорастущий рынок.