Liikenne 17.4.2019

Näin tekoälyohjaus pärjäsi pyryssä ja pakkasessa – mökkitie on haastava robottiautolle

Aurora-älytie ja talvikauden arktiset olosuhteet tarjosivat puitteet autonomisen ajamisen tutkimukselle.

– Keräämme parhaillaan dataa itseajavan auton koneoppimismenetelmien ja eri paikannusmenetelmien testaamiseen. Lapin ajo-olosuhteet ja Aurora-älytie ovat oivallinen ympäristö autonomisen ajamisen tutkimukselle, kertoo apulaistutkija Jyri Maanpää Maanmittauslaitoksen Paikkatietokeskuksesta.

Tutkimusryhmä testasi Lapin älytiellä syväoppimismenetelmää, joka pitää auton kaistallaan haastavassakin ympäristössä. Menetelmä käyttää auton etukameran kuvaa sekä laserkeilaimien dataa ympäristön hahmottamiseen.

Auto pysyi hyvin omalla kaistallaan sekä lumisella tiellä että yöllä ajettaessa jopa 65 km/h nopeudessa.

Pieniä ongelmia

Pieniä ongelmia aiheuttivat esimerkiksi bussipysäkit, sillä ajettavan alueen leventyessä menetelmä korjaa ajoittain ohjauslinjaa hieman liikaa oikealle.

Kokemusta automaattiohjauksesta kertyi kymmeniä kilometrejä, ja uutta opetusaineistoa saatiin kerättyä satoja kilometrejä – kaikkiaan 5,2 teratavua.

Samalla testijaksolla tuotettiin myös laserkeilaus- ja kuva-aineistoa Paikkatietokeskuksen kalustolla älytien päällysteestä, kaistoista sekä rakenteista käytettäväksi paikannusmenetelmien kehittämiseen, testaamiseen ja arviointiin, Maanmittauslaitokselta kerrotaan.

Paikkatietokeskuksen autonominen auto on tutkimusalusta, jonka tarkoituksena on tuottaa tietoa, menetelmiä ja ratkaisuja autonomisten autojen mahdollisuuksista.

Autonomista ajamista on tutkittu Paikkatietokeskuksen Kaukokartoituksen ja fotogrammetrian osastolla vuodesta 2017. Tutkimus on syntynyt Laserkeilauksen huippuyksikön tutkimustoiminnan jatkohankkeena.

Vuoden verran rakenteilla olleen robottiauton alustana toimivaan Ford Hybrid Mondeoon on nyt tehty tarvittavat laitteistoasennukset, ja paikannus- ja ohjausmenetelmien kehitys on saatu vaiheeseen, jossa laajempi datankeruu- sekä testaustoiminta on voitu käynnistää.

Paikkatietokeskuksen testiajoneuvon rakentamisesta, menetelmäkehityksestä sekä tähänastisista kokemuksista on valmisteilla neljä diplomityötä ja useita tieteellisiä artikkeleita.

Mökkitie on haastava robottiautolle

Lumen peittämät tiet ja hiekkatiet ovat perinteisille tekoälymenetelmille haastavia, sillä niillä ei ole selkeitä kaista- tai reunaviivoja, joita seurata.

Tekoäly voidaan opettaa tunnistamaan erilaisia liikenneolosuhteita. Tämä ei kuitenkaan vielä riitä, vaan tekoälyn on pystyttävä myös tekemään yleistyksiä havainnoistaan. Ihminen osaa tunnistaa erilaiset hiekkatiet teiksi, mutta tekoälylle tällaiset niputukset eivät ole Maanmittauslaitoksen mukaan itsestäänselvyyksiä.

Autonomisen ajamisen tutkimuksessa onkin keskitytty paljon syväoppimismenetelmien kehittämiseen. Menetelmillä on saavutettu huimia tuloksia erilaisissa hahmontunnistusongelmissa, kuten kohteiden tunnistamisessa valokuvista, puheentunnistuksessa ja tekstin analysoinnissa.

– Kehitämme parhaillaan neuroverkkoon perustuvaa menetelmää, joka osaa ennustaa ratin asennon sensoridatan perusteella. Neuroverkkoa on koulutettu auton ajodatalla, jotta se löytää yhteyden sensoreilla havaitun tien ja ratin asennon välillä. Lopputuloksena saadaan kaistavahdin tapainen ratkaisu, joka toimii myös epäselvillä hiekkateillä ja haastavissa talviolosuhteissa. Menetelmän alustavat testiajot ovat vaikuttaneet lupaavilta, kertoo Maanpää.

Laserkeilain yksi varmimmista

Laserkeilain on yksi varmimmista ja tarkimmista sensorityypeistä, joita voi käyttää itseajavissa autoissa. Sen avulla saadaan mitattua kolmiulotteisia havaintoja kaikentyyppisistä kohteista.

Tarkkuuteen ei vaikuta esimerkiksi vuorokaudenajan mukaan vaihtuva valoisuus, vaan sensori itse lähettää valopulsseja havainnoidessaan tietä ja näkee siten pimeässäkin.

Laserkeilaimilla saatua dataa voidaan myös käyttää kameroiden datan rinnalla, jolloin eri sensoreista saadut havainnot tukevat toisiaan ja tekevät ympäristön havainnoinnista entistä luotettavampaa.

Esimerkiksi auton paikannusta voidaan parantaa tutkimalla muutoksia sekä laserkeilaimen että kameroiden datassa, jolloin niistä saatavat havainnot auton liikkeestä tukevat toisiaan sekä muista sensoreista saatavaa sijaintitietoa.

Lähde: Maanmittauslaitos Kuvat: Maanmittauslaitos/Antero Kukko

Jaa artikkeli