Например когда в отсутствии видимых помех для движения попутные транспортные средства с правой или левой стороны начинают снижать скорость. Система понимает, что причиной этого может быть появление на дороге, скажем, человека, переходящего трассу в недозволенном месте. Соответственно, системе, управляющей автомобилем, тоже необходимо приготовиться к торможению.
Есть и другие подходы, которые позволяют безопасно управлять транспортным средством в сложных ситуациях, которые не решаются простыми алгоритмами. Тогда приходится систему учить определять зоны, в которых тот или иной объект дорожной сцены может (или не может) переместиться и с какой вероятностью, чтобы рассчитать опасные и безопасные зоны для маневра. При этом будут использоваться все возможные признаки, косвенно подтверждающие намерения того или иного участника дорожной ситуации (сигнал поворота автомобиля, поднятая вверх рука пешехода, аварийная сигнализация). На основе подобных прогнозов могут строиться конкретные сценарии поведения беспилотного автомобиля.
Для прогнозирования ситуаций также может использоваться инструментарий нейронных сетей. В случае, если прогнозируемая ситуация совпадает с реальной, то эти данные могут быть направлены на вход нейронной сети, которая на правильных прогнозах будет самообучаться в процессе движения авторобота.
Это позволит повысить точность его прогнозирования и в итоге понимать смысл дорожных ситуаций. И здесь на выручку приходит технология Cognitive low level data fusion, позволяющая повысить обеспечение безопасности движения до 30%.
Так что отрасль приближается к тому дню, когда автопилот сможет заменить человека при движении на автотрассе.


III КВАРТАЛ 2022Г. - 55 баллов 









