Otonom sürücüsüz araba yol işaretlerini tanıyor. Bilgisayarla görme ve yapay zeka … [+]
getty
Vizyon, güçlü bir insan duyusal girdisidir. Kabul ettiğimiz karmaşık görevleri ve süreçleri mümkün kılar. Ulaşım ve tarımdan robotik ve tıbba kadar çeşitli uygulamalarda AoT™'nin (Nesnelerin Özerkliği) artmasıyla birlikte, insan benzeri görme ve biliş sağlamada kameraların, bilgi işlem ve makine öğreniminin rolü önemli hale geliyor. Akademik bir disiplin olarak bilgisayar vizyonu, 1960'larda, özellikle yeni ortaya çıkan yapay zeka (AI) ve makine öğrenimi alanıyla ilgilenen üniversitelerde başladı. Yarı iletken ve bilgi işlem teknolojilerinde önemli ilerlemeler kaydedildikçe, önümüzdeki kırk yılda çarpıcı bir şekilde ilerledi. Derin öğrenme ve yapay zekadaki son gelişmeler, çeşitli uygulamalarda özerklik, güvenlik ve verimlilik sağlayarak gerçek zamanlı, düşük gecikmeli algı ve çevrenin algılanmasını sağlamak için bilgisayarla görme uygulamasını daha da hızlandırdı. Ulaşım, önemli ölçüde yararlanan bir alandır.
LiDAR (Işık Algılama ve Menzil), bir nesnenin etrafındaki 3B ortamı belirlemek için lazerleri kullanan aktif bir optik görüntüleme yaklaşımıdır. Bilgisayarla görme çözümlerinin (tamamen ortam ışığına dayanan ve 3D algılama için lazer kullanmayan) bozmaya çalıştığı teknolojilerden biridir. Ortak tema, insan sürücülerin derinlik algısı için LiDAR'a ihtiyaç duymamasıdır, dolayısıyla makineler de olmamalıdır. Mevcut ticari L3 otonom sürüş özellikleri (belirli coğrafyalarda ve hava koşullarında, sürücünün saniyeler içinde kontrolü ele geçirmeye hazır olduğu tam özerklik) bugünün ürünleri LiDAR'ı kullan. Tamamen vizyona dayalı teknikler hala bu yeteneği ticari olarak sunamamıştır.
REKLAM
Tesla
Phiar, Helm.ai ve NODAR gibi diğer şirketler aynı zamanda bilgisayarla görme yolunu da takip ediyor. NODAR, patentli makine öğrenimi algoritmaları aracılığıyla kamera yanlış hizalama ve titreşim etkilerini ayarlamayı öğrenerek stereo kamera sistemlerinin görüntüleme aralığını ve 3D algısını önemli ölçüde genişletmeyi hedefliyor. Son zamanlarda 12 milyon dolar topladı amiral gemisi ürünü Hammerhead™'in ürünleştirilmesi için "kullanıma hazır" otomotiv sınıfı kameralar ve standart bilgi işlem platformları kullanır.
Maliyet ve boyutun yanı sıra, LiDAR kullanımına karşı sıkça kullanılan bir argüman, kameralara kıyasla sınırlı menzile ve çözünürlüğe sahip olmasıdır. Örneğin, 200 m menzilli ve 5-10 M nokta/saniye (çözünürlüğe benzer PPS) olan LiDAR'lar bugün mevcuttur. 200 m'de, tuğla veya lastik döküntüsü gibi küçük engeller çok az nokta kaydedecek (dikeyde 2-3 ve yatay yönde belki 3-5), bu da nesnenin tanınmasını zorlaştıracaktır. Daha uzun mesafelerde işler daha da kabalaşıyor. Karşılaştırıldığında, 30 Hz'de çalışan standart megapiksel kameralar, 30M piksel/saniye üretebilir, bu da uzun mesafelerde bile üstün nesne tanıma sağlar. Daha gelişmiş kameralar (12 M piksel) bunu daha da artırabilir. Sorun, bu devasa verilerin nasıl kullanılacağı ve milisaniye düzeyinde gecikmeler, düşük güç tüketimi ve bozulmuş aydınlatma koşullarıyla eyleme geçirilebilir algının nasıl üretileceğidir.
REKLAM
tanınma, California merkezli bir şirket bu sorunu çözmeye çalışıyor. CEO Mark Bolitho'ya göre, misyonu "tam otonom araçlar için insanüstü görsel algı sağlayın” Şirket 2017 yılında kuruldu, bugüne kadar 75 milyon dolar topladı ve 70 çalışanı var. Juniper Networks'ün bir mezunu olan RK Anand, kurucu ortaklardan ve Baş Ürün Sorumlusu'dur. 120 dB dinamik aralığa sahip, yüksek kare hızlarında çalışan (örneğin, OnSemi, Sony ve Omnivision) daha yüksek çözünürlüklü kameralar kullanmanın, AV'leri gerçekleştirmek için kritik olan yüksek çözünürlüklü 3D bilgileri oluşturmak için gereken verileri sağladığına inanıyor. Bunu sağlayanlar şunlardır:
- Verileri verimli bir şekilde işlemek ve araç ortamının doğru ve yüksek çözünürlüklü 3D haritalarını üretmek için özel olarak tasarlanmış ASIC'ler. Bunlar, 7 GHz frekansında çalışan, 100 mm² çip boyutunda bir TSMC 1 nm işleminde üretilir.
- Daha sonra verimli bir şekilde çalışabilen ve sürekli öğrenebilen eğitimli sinir ağını oluşturmak için milyonlarca veri noktasını çevrimdışı olarak işlemek için tescilli makine öğrenimi algoritmaları. Bu ağ algılama sağlar ve nesne sınıflandırma ve algılama, anlamsal bölümleme, şerit algılama, trafik işaretleri ve trafik ışığı tanımayı içerir.
- Yoğun güç gerektiren ve yüksek gecikme süresi yaratan çip dışı depolama ve çarpma işlemlerini en aza indirir. Recogni'nin ASIC tasarımı logaritmik matematik için optimize edilmiştir ve toplama kullanır. Eğitimli sinir ağında ağırlıkların en uygun şekilde kümelenmesiyle daha fazla verimlilik gerçekleştirilir.
Eğitim aşamasında, derinlik bilgisini çıkarmak ve yanlış hizalama ve titreşim etkilerine karşı sağlam kılmak için yüksek çözünürlüklü, yüksek dinamik aralıklı stereo kamera verilerini eğitmek için temel gerçek olarak ticari bir LiDAR kullanılır. Bay Anand'a göre, makine öğrenimi uygulamaları o kadar verimli ki, kalibrasyon LiDAR (100 m'lik bir menzile kadar temel gerçeği sağlayan) tarafından sağlanan eğitim aralıklarının ötesinde derinlik tahminlerini tahmin edebiliyor.
REKLAM
Şekil 1: Yeşil kutular, 3'de eğitimli veriler üzerinde Recogni'nin algı yığınının 100B performansını gösterir. … [+]
tanınma
Yukarıdaki eğitim verileri, 8.3 Hz kare hızlarında (saniyede ~30B piksel) çalışan bir stereo 0.5 megapiksel kamera çifti ile gündüz yapılmıştır. Eğitilmiş ağın, eğitildiği 3 m'lik aralığın ötesinde sahnede 100B bilgi çıkarma yeteneğini gösterir. Recogni'nin çözümü, gündüz verileriyle öğrenmesini gece performansına da tahmin edebilir (Şekil 2).
Şekil 2: Recogni'nin gündüz verileriyle eğitilmiş algı yığını, daha düşük ışık seviyesinde de çalışır … [+]
tanınma
REKLAM
Bay Anand'a göre, menzil verileri %5 (uzun menzillerde) ve %2'ye (kısa menzillerde) yakın doğruluktadır. Çözüm, 1000 ms gecikme süresi ve 6W güç tüketimi (25 TOPS/W) ile 40 TOPS (saniyede trilyon işlem) sağlar ve bu da sektöre öncülük eder. Tamsayılı matematik kullanan rakipler bu metrikte > 10 kat daha düşüktür. Recogni'nin çözümü şu anda birden fazla otomotiv Tier 1 tedarikçisinde deneme aşamasındadır.
Peygamber (“eylemenin nerede olduğunu tahmin etme ve görme”)Fransa merkezli, olay tabanlı kameralarını AV'ler, Gelişmiş Sürücü Yardım Sistemleri (ADAS), endüstriyel otomasyon, tüketici uygulamaları ve sağlık hizmetleri için kullanıyor. 2014 yılında kurulan, şirket kısa süre önce 50 milyon dolarlık C yuvarlak finansmanını kapattı, bugüne kadar toplam 127 milyon dolar toplandı. Dünyanın önde gelen cep telefonu üreticilerinden Xiaomi de yatırımcılardan biri. Prophesee'nin amacı, retinadaki alıcıların dinamik bilgilere tepki verdiği insan görüşünü taklit etmektir. İnsan beyni, sahnedeki değişiklikleri işlemeye odaklanır (özellikle sürüş için). Temel fikir, bir eşiğin (bir olay) üzerindeki ışık yoğunluğundaki değişiklikleri algılayan ve daha sonraki işlemler için hesaplama yığınına yalnızca bu verileri sağlayan kamera ve piksel mimarilerini kullanmaktır. Pikseller asenkron olarak (normal CMOS kameralarda olduğu gibi çerçevelenmez) ve çok daha yüksek hızlarda çalışırlar çünkü geleneksel çerçeve tabanlı kameralarda olduğu gibi fotonları entegre etmek zorunda kalmazlar ve verilerin okunmasından önce tüm çerçevenin bunu bitirmesini beklerler. Avantajları önemlidir – daha düşük veri bant genişliği, karar gecikmesi, depolama ve güç tüketimi. Şirketin ilk ticari sınıf VGA olay tabanlı görüntü sensörü, yüksek dinamik aralığa (>120 dB), düşük güç tüketimine (sensör düzeyinde 26 mW veya 3 nW/olay) sahipti. Sektör lideri piksel boyutuna (< 5 μm) sahip bir HD (Yüksek Çözünürlük) sürümü (Sony ile ortaklaşa geliştirildi) de piyasaya sürüldü.
Şekil 3: 5 um piksel aralığına sahip yüksek tanımlı format olay tabanlı görüntüleme sensörü, ortaklaşa geliştirildi … [+]
Peygamber
REKLAM
Bu sensörler, özerklik uygulamaları için akıllı ve verimli algı sağlamak için yapay zekayı kullanan ve ulaşım alanında birden fazla şirket tarafından değerlendirilmekte olan Metavision® algılama platformunun çekirdeğini oluşturur. AV'ler ve ADAS'a yönelik ileriye dönük algının yanı sıra, Prophesee, L2 ve L3 uygulamaları için sürücünün kabin içi izlenmesi için müşterilerle aktif olarak ilgilenmektedir, bkz. Şekil 4:
Şekil 4: Numan'dan ilham alan nöromorfik görüşe dayalı XPERI kabin içi sürücü izleme
Peygamber
Otomotiv fırsatları kârlıdır, ancak tasarım döngüleri uzundur. Son iki yılda, Prophesee, endüstriyel uygulamalar için yapay görme alanında önemli bir ilgi ve çekiş gördü. Bunlara yüksek hızlı sayım, yüzey denetimi ve titreşim izleme dahildir.
REKLAM
Şekil 5: Olay tabanlı kameralar kullanılarak yüksek sayım
Peygamber
Peygamber yakın zamanda işbirliklerini duyurdu endüstriyel otomasyon, robotik, otomotiv ve IoT'deki (Nesnelerin İnterneti) fırsatlardan yararlanmak için önde gelen yapay görme sistemleri geliştiricileri ile. Diğer acil fırsatlar, cep telefonları ve AR/VR uygulamaları için görüntü bulanıklığı düzeltmesidir. Bunlar, daha uzun vadeli ADAS/AV fırsatları için kullanılanlardan daha düşük formatlı sensörler kullanır, daha da düşük güç tüketir ve önemli ölçüde daha düşük gecikme ile çalışır.
İsrail, önemli girişim yatırımları ve aktif bir başlangıç ortamı ile yüksek teknolojide lider bir yenilikçidir. 2015'ten bu yana, teknoloji sektöründe girişim liderliğindeki yatırımlarda yaklaşık 70 milyar dolar gerçekleşti. Bunun bir kısmı bilgisayarla görme alanındadır. Mobileye, 1999'da İbrani Üniversitesi'nde önde gelen bir yapay zeka araştırmacısı olan Amnon Shashua'nın ADAS ve AV'ler için kamera tabanlı algıya odaklanmak üzere şirketi kurduğunda bu devrime öncülük etti. Şirket, 2014 yılında halka arz başvurusunda bulundu ve Intel tarafından satın alındı.
REKLAM
Şampel BaşkentiKudüs merkezli , ulaşım ve tarımdan güvenlik ve emniyete kadar çeşitli uygulamalar için bilgisayar vizyonuna dayalı ürünler geliştiren şirketlere yatırım yapmakta ön saflarda yer almaktadır. Amir Weitman kurucu ortak ve yönetici ortaktır ve girişim şirketini 2017 yılında kurmuştur. İlk fon 20 şirkete 14 milyon dolar yatırım yapmıştır. Yatırımlarından biri, 2018'de SPAC birleşmesi ile halka açılan ve bir LiDAR unicorn olan Innoviz'deydi. Omer Keilaf (İsrail Savunma Kuvvetleri İstihbarat Birimi'nin teknoloji biriminden gelen) tarafından yönetiliyor. şirket bugün, BMW ve Volkswagen'de birden fazla tasarım zaferi ile ADAS ve AV'ler için LiDAR dağıtımlarında liderdir.
Champel Capital'in ikinci fonu (Impact Deep Tech Fund II) Ocak 2022'de başlatıldı ve bugüne kadar 30 milyon dolar topladı (hedef 100'nin sonunda 2022 milyon dolar). Baskın bir odak noktası, beş şirkette 12 milyon dolar dağıtılan bilgisayar vizyonudur. Bunlardan üçü ulaşım ve robotik için bilgisayar vizyonunu kullanıyor.
tankU, Hayfa merkezli, 2018'de faaliyete başladı ve 10 milyon dolarlık fon topladı. Dan Valdhorn CEO'dur ve İsrail Savunma Kuvvetleri bünyesinde sinyal istihbaratı ve kod çözmeden sorumlu seçkin bir yüksek teknoloji grubu olan Unit 8200'den mezun olmuştur. TankU'nun SaaS (Hizmet Olarak Yazılım) ürünleri, araçlara ve sürücülere hizmet veren karmaşık dış ortamlardaki süreçleri otomatikleştirir ve güvenli hale getirir. Bu ürünler, otomatik finansal işlemlerde hırsızlık ve dolandırıcılığı önlemek için araç filosu, özel araç, akaryakıt ve elektrik şarj istasyonu sahipleri tarafından kullanılmaktadır. Araç yakıt hizmetleri, özel ve ticari araç filosu sahiplerinin %2 veya 40 milyar dolar tükettiği yıllık küresel gelirlerde ~800T $ üretir. Perakendeciler ve filo sahipleri, hırsızlık ve dolandırıcılık nedeniyle (örneğin, yetkisiz özel araçlar için bir filo yakıt kartı kullanılması) nedeniyle yılda yaklaşık 100 milyar dolar kaybediyor. CNP (Kart mevcut değil) dolandırıcılığı ve kurcalama/çalınma yakıtı, özellikle ödemeler için mobil uygulamalarda çalıntı kart ayrıntıları kullanıldığında ek kayıp kaynaklarıdır.
REKLAM
Şirketin TUfuel ürünü, tek dokunuşla güvenli ödemeyi kolaylaştırır, çoğu dolandırıcılık türünü engeller ve dolandırıcılıktan şüphelendiğinde müşterileri uyarır. Bunu, bu tesislerdeki mevcut CCTV'lerden gelen veriler ve dijital işlem verileri (POS ve diğer arka uç verileri dahil) üzerinde eğitilmiş bir AI motoruna dayanarak yapar. Araç yörüngesi ve dinamikleri, araç kimliği, yolculuk süresi, kilometre, yakıt doldurma süresi, yakıt miktarı, yakıt geçmişi ve sürücü davranışı gibi parametreler, dolandırıcılığı tespit etmek için izlenen bazı özelliklerdir. Bu veriler ayrıca perakendecilerin site operasyonunu optimize etmesine, müşteri sadakatini artırmasına ve vizyona dayalı pazarlama araçlarını devreye almasına yardımcı olur. CEO Dan Valdhorn'a göre, çözümleri filonun %70'ini, kredi kartının %90'ını ve kurcalamayla ilgili dolandırıcılık olaylarının %70'ini tespit ediyor.
Şekil 6: TUfuel, yakıt istasyonu CCTV kameralarından gelen gerçek zamanlı verileri ve diğer dijital verileri kullanır. … [+]
TankU
Sonol İsrail genelinde 240 istasyon ve marketten oluşan bir ağa sahip olan ve işleten bir enerji hizmetleri şirketidir. TUfuel, sitelerinde konuşlandırıldı ve gelişmiş güvenlik, dolandırıcılık önleme ve müşteri sadakati sergiledi. ABD'de önde gelen bir benzin istasyonu ve market ekipmanı tedarikçisiyle işbirliği içinde ürün denemeleri devam etmektedir. Benzer girişimler Afrika ve Avrupa'da da devam etmektedir.
REKLAM
Tel-Aviv merkezli ITC 2019 yılında Ben-Gurion Üniversitesi'nden makine öğrenimi akademisyenleri tarafından kuruldu. ITC, aşağıdakileri sağlayan SaaS ürünleri yaratır: "Trafik akışını ölçün, tıkanıklığı tahmin edin ve trafik ışıklarının akıllı manipülasyonuyla - sıkışıklıklar oluşmaya başlamadan önce." TankU'ya benzer şekilde, canlı trafik verilerini elde etmek için kullanıma hazır kameralardan (çok sayıda trafik kavşağına zaten kurulmuş) gelen verileri kullanır. Bir şehirdeki binlerce kameradan alınan veriler analiz edilir ve tescilli AI algoritmalarının uygulanmasıyla araç tipi, hız, hareket yönü ve araç türlerinin (kamyonlara karşı arabalar) sırası gibi parametreler çıkarılır. Simülasyonlar, trafik akışını ve olası trafik sıkışıklığını 30 dakikaya kadar önceden tahmin eder. Trafik ışıkları, trafik akışını kolaylaştırmak ve sıkışıklıkları önlemek için bu sonuçlar kullanılarak ayarlanır.
Şekil 7: Binlerce kameradan gelen veriler, bir şehir içi trafik kontrolü içindeki bir VMS tarafından derleniyor … [+]
ITC
Yapay zeka sisteminin eğitimi, tipik bir şehirde bir aylık görsel veri alır ve denetimli ve denetimsiz öğrenmenin bir kombinasyonunu içerir. ITC'nin çözümü, trafik ışıkları tarafından kontrol edilen yüzlerce kavşakta konuşlandırılmış binlerce kamera ile Tel-Aviv'de (25'de dünyanın en kalabalık şehirlerinde 2020. sırada yer aldı) halihazırda konuşlandırıldı. ITC'nin sistemi şu anda 75 bin aracı yönetiyor ve bunun büyümeye devam etmesi bekleniyor. Şirket yüklüyor benzer yetenek Lüksemburg ve ABD'nin büyük şehirlerinde denemeler başlıyor. Çözümü küresel olarak İsrail, ABD, Brezilya ve Avustralya'da faaliyet gösteren 300,000 aracı yönetiyor. CTO olan Dvir Kenig, insanlara kişisel zamanlarını geri vermek, sera gazlarını azaltmak, genel üretkenliği artırmak ve en önemlisi, sıkışık kavşaklardaki kazaları azaltmak için bu sorunu çözme konusunda tutkulu. Bay Kenig'e göre, "Dağıtımlarımız, trafik sıkışıklığında %30'luk bir azalma göstererek verimsiz sürüş süresini, stresi, yakıt tüketimini ve kirliliği azaltıyor."
REKLAM
İç Mekan Robotiği oldu 2018'da kuruldu ve geçenlerde 18 milyon dolarlık fon sağladı. İsrail, Tel-Aviv yakınlarında bulunan şirket, iç mekan güvenliği, emniyet ve bakım izleme için otonom drone çözümleri geliştirmekte ve satmaktadır. CEO ve kurucu ortak Doron Ben-David, IAI'de birikmiş önemli robotik ve havacılık deneyimine sahiptir.
Şekil 8: Indoor Robotics'in otonom drone filosu, tavana monte edilmiş bir araçtan kendi kendine güç sağlayabilir … [+]
İç Mekan Robotiği
Ofir Bar-Levav, Baş İşletme Görevlisidir. GPS eksikliğinin, iç mekan dronlarının kendilerini binaların içinde konumlandırmasını engellediğini açıklıyor (genellikle GPS tarafından reddedildi veya yanlış). Ek olarak, kullanışlı ve verimli yerleştirme ve güçlendirme çözümleri eksikti. Indoor Robotics, drone'a monte edilmiş dört kamera (üst, aşağı, sol, sağ) ve bir iç mekan alanını ve içeriğini doğru bir şekilde haritalayan basit menzil sensörleri ile bunu ele alıyor. Potansiyel güvenlik, emniyet ve bakım sorunlarını tespit etmek ve müşteriyi uyarmak için kamera verileri (kameralar yerelleştirme ve haritalama verileri sağlar) ve termal sensörler (aynı zamanda drone üzerine monte edilmiştir) bir AI sistemi tarafından analiz edilir. Drone'lar, değerli zemin alanından tasarruf sağlayan ve şarj olurken veri toplamaya izin veren, tavana monte bir "yerleştirme döşemesi" aracılığıyla kendilerine güç sağlıyor. İşe alma, elde tutma ve eğitim açısından insan emeğinin karmaşık ve pahalı olduğu bu sıradan süreçleri otomatikleştirmenin finansal avantajları açıktır. Hava insansız hava araçlarını yer tabanlı robotlara kıyasla kullanmak, sermaye ve işletme maliyetleri, zemin alanının daha iyi kullanılması, engellerle karşılaşmadan hareket etme özgürlüğü ve kamera verisi yakalama verimliliği açısından da önemli avantajlara sahiptir. Bay Bar-Levav'a göre, İç Mekan Robotik'in iç mekan akıllı güvenlik sistemlerindeki TAM'ı (Toplam Adreslenebilir Pazar) 80 yılına kadar 2026 milyar dolar olacak. Bugün önemli müşteri konumları arasında önde gelen küresel şirketlerin depoları, veri merkezleri ve ofis kampüsleri yer alıyor.
REKLAM
Bilgisayarla görme, hareket otomasyonu, güvenlik, akıllı bina izleme, dolandırıcılık tespiti ve trafik yönetiminde özerklik oyununda devrim yaratıyor. Yarı iletkenlerin ve yapay zekanın gücü, güçlü kolaylaştırıcılardır. Bilgisayarlar bu inanılmaz duyusal modaliteyi ölçeklenebilir bir şekilde bir kez ustalaştırdığında, olasılıklar sonsuzdur.
Kaynak: https://www.forbes.com/sites/sabbirrangwala/2022/10/04/advances-in-computer-vision-propel-transportation-autonomy/