Mesterséges intelligencia alapú sávtartó rendszerek szisztematikus tesztelése genetikus algoritmusokkal
A mesterséges intelligencia fejlődésének köszönhetően egyre több fejlett vezetéstámogató funkció érhető el a gépjárművekben. A sávtartó rendszerek különösen sokat segítenek a biztonságos vezetésben, hiszen segítik a jármű sávon tartását és figyelmeztetik a vezetőt, amennyiben veszélyes sávelhagyási esemény történik. Jól látható, hogy ezen rendszerek akár kritikus beavatkozást is végezhetnek, továbbá ahogy a vezetők egyre jobban megbíznak bennük, egyre kritikusabb a helyes működésük, hiszen az esetleges hibáik balesetekhez vezethetnek.
A sávtartó funkciók a mesterséges intelligencián belül a mélytanulás (deep learning) megoldásaira épülnek, azaz a tanításukhoz nagy mennyiségű adatra van szükség, amely alapján a neurális háló megtanulja a fontos információkat és utána képes lesz működés közben a vizuális információ feldolgozására. Egy ilyen megoldásban azonban több helyen is hiba kerülhet a működésbe. A tanító adathalmaz és a tanulás során is előfordulhatnak problémák, például, ha nem elég diverz a tanító halmaz vagy ha a neurális háló rosszul általánosít. Emellett, mivel emberek írják ezeket a programokat is, magukban a neurális háló szoftverekben is lehetnek hibák. Ezeket a hibákat fontos lenne lehetőleg már a tervezési/fejlesztési időben megtalálni.
Munkánk során egy olyan megoldást fejlesztettünk, amely képes a neurális háló alapú sávtartó rendszerek hibáit és gyengeségeit szisztematikusan felderíteni. Módszerünk több különböző technikát kombinál: OpenDrive formátumú teszteket generálunk, amiket Blender segítségével feldolgozunk, és háromdimenziós modelleket hozunk létre. Ezeket utána különböző szimulátorokban, mint például a Carla, fel tudjuk használni, és akár bonyolultabb közúti szituációkat is tudunk vele modellezni. A szimulátorokkal realisztikus, és diverz tesztképeket tudunk előállítani. Ezeknek a képeknek a feldolgozása után, a sávkövető rendszer kimenetét felhasználva genetikus algoritmusok segítségével javítjuk a bemenő paramétereit a tesztgenerálási folyamatnak. A teszteredmények visszacsatolásával segítjük a kereső algoritmusokat, hogy minél nehezebb teszteseteket állítsanak elő, amiknél a sávkövető rendszer nem teljesít megfelelően.
A fejlesztés során igyekeztünk az iparban is használt nyílt forráskódú technológiákat felhasználni, továbbá a megközelítésünket egy, a közúton is használt sávtartó automatika vizsgálatára is felhasználtuk, amely segítségével kiértékeltük a megközelítésünk alkalmazhatóságát.
szerzők
-
Puscsizna Bence
Mérnök informatikus szak, mesterképzés
mesterképzés (MA/MSc) -
Pintér Balázs
Mérnök informatikus szak, mesterképzés
mesterképzés (MA/MSc)
konzulensek
-
Dr. Vörös András
egyetemi docens, Mesterséges Intelligencia és Rendszertervezés Tanszék -
Dr. Marussy Kristóf
tudományos segédmunkatárs, Mesterséges Intelligencia és Rendszertervezés Tanszék
marussy@mit.bme.hu -
Ficsor Attila
doktorandusz, Mesterséges Intelligencia és Rendszertervezés Tanszék
