Pagrindiniai pasteprinto mokymo principai autonominiams automobiliams
Sužinokite, kaip sistemos mokosi iš teisingų ir neteisingų sprendimų. Svarbiausi principai, kurie pagrindžia visą mokymo procesą.
Sensorių duomenų analizė realiuose scenarijuose
Kaip naudoti LIDAR, kamera ir radarų duomenis mokymo procesui. Praktinės patirties iš Marijampolės bandymų.
15 min skaitymo
Vidutinis lygis
Liepa 2026
Autorius
NeuralDrive Labs Redakcinis Komandinis
Redakcinis Komandinis
NeuralDrive Labs redakcinis komandinis – skirtas skaidriam, patikrintam turiniui apie autonomines transporto priemones ir jų testavimą.
Kodėl sensorių duomenys tokie svarbūs
Autonominio automobilio mokymasis iš sensorių duomenų – tai tikslus mokslas. Jei sistema nematai to, ką mato žmogus, ji negali priimti teisingų sprendimų. Todėl viskas prasideda nuo to, kaip duomenys surenkami, apdorojami ir analizuojami.
LIDAR, kamera ir radarai kiekvieną sekundę surenka tūkstančius taškų. Bet žaliavi duomenys dar ne informacija. Reikia tos informacijos suvokti, atrinkti svarbiausia ir išmokinti sistemą iš to mokytis.
LIDAR – trimatis pasaulio modelis
LIDAR – tai tiesiog skaičiavimas atstumo naudojant šviesą. Sistema siunčia lazerio impulsus ir matuoja, kiek laiko joms grįžti. Iš to susidaro debesėlis taškų – žemėlapis visos aplinkos tūrinio.
Praktiškai: Mūsų testai Marijampolėje rodo, kad LIDAR duomenis reikia filtruoti. Ne visi 64 spinduliai yra vienodai naudingi. Orai, greitkeliai, pelenai nuo grindų – visa tai sudaro šumą. Mokymo algoritmas turi išmokti, kurie taškai svarbūs, kurie – tik triukšmas.
Realybėje sistemą naudojame ne šiurkščiems objektams (mašina, žmogus), bet subtilioms detalėms. Kelio šonas, bortai, šešėliai. Štai čia ir susiduria mokymas su sunkumais.
Kamera – žmonės ir svetofori
Kamera tai regėjimas. RGB pikseliai, kurie žmogui paaiškina pasaulio spalvas ir formas. Tačiau dėl to ji turi ir žmogaus problemos – gaismas, šešėliai, nutraukti objektai.
Autonominis automobilis turi skaityti svetoforus. Jei sistema nesužino, kuri spalva dabar degina, gali grąžinti žmones pavojun. Šitą užduotį net žmonėms sudėtinga, jei yra žemas saulės kampas arba lietus.
Bandymo išvada: Daugiamatę kamerą reikia mokyti tam tikriems objektams atskirti. Vietoj bendro vaizdo atpažinimo, sistema mokosi konkrečių svetoforų modelių, kurie naudojami Lietuvoje. 94% tikslumas pasiekiamas, kai mokymo duomenys aprėpia skirtingus paros laikus.
Radaras – greitis ir atstumas
Radaras naudoja radijo bangas. Jis nemato spalvų, neinteresavau jį vaizdo. Jį domina greitis – kiek greitai objektas artėja ar tolsta. Tai neaptikdamas šviesos sąlygos. Lietus, šlapimas, tamsus laikas – radarui tai nerūpi.
Bet radaras yra ribojamas. Jis gali pamatyti greitą transportą, bet metalinio krepšio jame nesuvoks. Todėl LIDAR ir kamera papildo radarą ten, kur jis blind.
100 m
Efektyvus radaro matavimo atstumas
200 Hz
Atnaujinimo dažnis mokymo duomenims
Susiję straipsniai
Nuobaudos funkcijos ir grįžtamojo ryšio sistemos
Supraskite, kaip automobilis mokosi iš teisingų ir klaidingų veiksmų. Algoritmai, kurie paverčia patirtį žiniomis.
Saugos testai ir atliekų kontrolė autonominiuose sistemose
Būtini metodai patikrinti sistemos saugumą prieš kiekvieną naują versiją. Standartai ir praktika.
Sensoriai ir duomenys – jūs niekur be to
Jei norėsite suprasti, kaip autonominis automobilis mokosi, pradėkite nuo sensorių duomenų. Štai iš kur prasideda viskas – iš realios pasaulio informacijos, kurią reikia paversti mokymosi signalais.
LIDAR duomenys suteikia geometriją. Kamera – spalvas ir šviesos sąlygas. Radaras – greitį ir atstumą. Niekas jų neatstoja. Niekas jų neatstoja pilnai. Tik jų kombinacija suteikia sistemai tikrą suvokimą.
Mūsų Marijampolės bandymai parodė, kad gera duomenų analizė yra pusė mokymosi darbo. Kita pusė – kaip tą informaciją panaudoti grįžtamajame ryšyje. Bet apie tai – sekančiame straipsnyje.
Svarbu žinoti
Šis straipsnis yra informacinis turtas apie autonominių transporto priemonių testavimą ir pasteprinto mokymo principus. Mokymosi rezultatai skiriasi priklausomai nuo konkrečios sistemos, duomenų kokybės ir mokymo parametrų. Ši informacija skirta švietimui ir supratimui, o ne specifinėms technologinėms rekomendacijoms.