Как аналитика делает диск лучше
Это обновленная версия моей публикации All Analytics за 2016 год. Я включил изображения из презентации, которых нет в исходной публикации.
Если бы когда-либо и существовал боевой клич при найме профессионалов-аналитиков, он, безусловно, был бы самым громким из заявлений исследователей, стоящих за автономными транспортными средствами. Данные, полученные от этих транспортных средств, генерируют тонны данных, которые интерпретируются для управления транспортным средством. У меня была возможность узнать, какие проблемы могут возникнуть во время разработки автомобиля.
В 2016 году я посетил презентацию о данных и автономных транспортных средствах под названием Smart Cars: Perception-Driven Autonomous Vehicles, организованную Chicago City Data Group. Случайное собрание, проводимое командой Microsoft в Чикаго, представляет собой ежемесячный семинар в середине недели, в котором принимают участие различные специалисты по данным и аналитики бизнес-аналитики. Группа пригласила Мэтью Уолтера, доцента Технологического института Toyota, независимую исследовательскую группу в кампусе Чикагского университета. Он также является бывшим доктором философии. и научный сотрудник лаборатории искусственного интеллекта Массачусетского технологического института.
В презентации Уолтера рассказывалось о том, как произошло вступление Массачусетского технологического института в программу Urban Challenge Агентства перспективных оборонных исследовательских проектов (DARPA). Ведомые войной в Ираке, военные стремились уменьшить гибель наземных войск в результате атак при транспортировке припасов в городских районах. Так началось DARPA Urban Challenge, университетское исследовательское соревнование по созданию автономных транспортных средств, способных перевозить оборудование в сложных городских условиях.
Беспилотный автомобиль, разработанный Уолтером вместе с командой, занял первое место в соревновании 2007 года, что поставило Уолтера на путь развития автономных транспортных средств. Я записал его презентацию от 6 апреля 2016 года в Chicago City Data Group; Вы можете просмотреть часовую презентацию на видео внизу этой статьи.
Соревнования столкнулись с динамическими препятствиями и решениями обгонять автомобили, соблюдая правила дорожного движения и оставаясь ниже 30 миль в час. Каждая команда получила 2 файла с описанием топологии дорог и списком мест, которые стоит посетить.
В транспортных средствах-участницах используется технология, в которой решаются 3 общих вопроса в заданной среде:
Где дорога?
Какие объекты статичны?
Как распознаются другие автомобили?
Вальтер объяснил, как были приняты меры для оснащения автомобиля Land Rover LR3. Команда решила оснастить его 5 камерами для обнаружения полос движения, 16 радарами, специально созданным датчиком Velodyne 3D и 12 датчиками SICK.
В багажнике была установлена компьютерная установка с 40 ГБ оперативной памяти и Ethernet для локальной обработки данных датчиков в реальном времени. Кроме того, был добавлен генератор мощностью 6 кВт и кондиционер на крыше мощностью 2 кВт для охлаждения компьютерного оборудования. Также был установлен проездной трос.
Уолтер объяснил, что команда решила «переоценить», имея несколько датчиков… Лучше иметь данные и не нуждаться в них, чем данные, которых не существует ». Расположение датчика следует планировать на основе диапазона и поля зрения датчика. Датчики SICK были расположены на разных уровнях для наблюдения за препятствиями на земле, например, для отличия уклона дороги от лежачих полицейских или бордюра. Уолтер продемонстрировал сканирование в реальном времени, которое отображает данные по высоте: синий - близко к земле, красный - для интерпретации высоких объектов в окружающей среде.
Большая часть принятия решений, на основе которых делались выводы, сосредоточивалась на том, как сенсоры интерпретируют объекты. «Шум сенсора может указывать на то, что что-то движется, но его трудно различить», - говорит Уолтер. «Итак, у нас был этот порог для определения движущихся объектов, скорость не ниже 1,5 метра / сек».
Объем данных, полученных в результате этих исследований, дал профессионалам возможность разработать более совершенные модели окружающей среды. Это означает, что данные с автономных транспортных средств в режиме реального времени дают возможность изучить неопределенности окружающей среды с помощью прогнозной аналитики - представьте себе методы машинного обучения, которые позволяют лучше отличать другие близлежащие транспортные средства от препятствий и их намерений.
«Наша машина не требует машинного обучения, но мы проехали 1,4 миллиона миль», - сказал Уолтер. "Это около 50 ГБ данных в секунду".
Основные опасения по-прежнему вызывает сенсорное наведение для автономных транспортных средств. Первое по значимости - всепогодность. В своей презентации профессор Уолтер отметил, что датчики по-прежнему полагаются на сухие условия и не научились считывать дороги в плохих погодных условиях, таких как сильный снегопад.
Фактически, согласно некоторым источникам, защитники безопасности попросили Национальную администрацию безопасности дорожного движения и дорожного движения рассмотреть более постепенный график внедрения технологии автономных транспортных средств, подобный тому, который был объявлен в январе 2016 года.
Эксперты выразили обеспокоенность ожидаемыми расходами на улучшение инфраструктуры. Harvard Business Review рассказал о том, как на электронную коммерцию влияют неэффективные инвестиции в улучшение дорог в США. Его оценивают в ошеломляющие 3,6 триллиона долларов.
Любые инвестиции в инфраструктуру должны также распространяться на бюджеты, которые устанавливают расширенную прогнозную аналитику для поддержки интеллектуальной среды. MIT Labs выпустила исследование умной городской транспортной сети, построенной для управления городским трафиком с помощью датчиков, а не сигналов светофора.
Анализ может служить основой для определения параметров передовой практики. Конечным результатом являются не только более совершенные датчики и лучшие алгоритмы, но и более совершенный стек технологий, обеспечивающий безопасность населения при переходе к автономному транспортному сообществу.
Грядет марш беспилотных автомобилей, и они должны принести новую пользу аналитике.
