ავტონომიური თვითმართვადი მანქანა ცნობს საგზაო ნიშნებს. კომპიუტერული ხედვა და ხელოვნური ინტელექტი … [+]
გთხოვ
ხედვა არის ძლიერი ადამიანის სენსორული წყარო. ის იძლევა კომპლექსურ ამოცანებსა და პროცესებს, რომლებსაც ჩვენ თავისთავად ვიღებთ. AoT™ (ნივთების ავტონომიის) გაზრდით მრავალფეროვან აპლიკაციებში, დაწყებული ტრანსპორტიდან და სოფლის მეურნეობიდან რობოტიკამდე და მედიცინაში, კამერების, გამოთვლითი და მანქანათმცოდნეობის როლი ადამიანის მსგავსი ხედვისა და შემეცნების უზრუნველყოფაში მნიშვნელოვანი ხდება. კომპიუტერული ხედვა, როგორც აკადემიური დისციპლინა, გაჩნდა 1960-იან წლებში, ძირითადად უნივერსიტეტებში, რომლებიც ჩართულნი იყვნენ ხელოვნური ინტელექტის (AI) და მანქანათმცოდნეობის განვითარებაში. იგი მკვეთრად განვითარდა მომდევნო ოთხი ათწლეულის განმავლობაში, როდესაც მნიშვნელოვანი წინსვლა მოხდა ნახევარგამტარულ და გამოთვლით ტექნოლოგიებში. ღრმა სწავლისა და ხელოვნური ინტელექტის ბოლოდროინდელმა მიღწევებმა კიდევ უფრო დააჩქარა კომპიუტერული ხედვის გამოყენება რეალურ დროში, დაბალი ლატენტური აღქმისა და გარემოს შემეცნების უზრუნველსაყოფად, რაც საშუალებას აძლევს ავტონომიას, უსაფრთხოებას და ეფექტურობას სხვადასხვა აპლიკაციებში. ტრანსპორტი არის ერთ-ერთი სფერო, რომელიც მნიშვნელოვნად ისარგებლა.
LiDAR (Light Detection and Ranging) არის აქტიური ოპტიკური გამოსახულების მიდგომა, რომელიც იყენებს ლაზერებს ობიექტის გარშემო 3D გარემოს დასადგენად. ეს არის ერთ-ერთი ტექნოლოგია, რომლის ჩაშლასაც ცდილობს კომპიუტერული ხედვის გადაწყვეტილებები (რომლებიც ეყრდნობიან მხოლოდ ატმოსფერულ შუქს და არ იყენებენ ლაზერებს 3D აღქმისთვის). საერთო თემა არის ის, რომ ადამიანებს არ სჭირდებათ LiDAR სიღრმის აღქმისთვის, ამიტომ არც მანქანებს სჭირდებათ. ამჟამინდელი კომერციული L3 ავტონომიური მართვის ფუნქციები (სრული ავტონომია კონკრეტულ გეოგრაფიებსა და ამინდის პირობებში, მძღოლი მზად არის აიღოს კონტროლი წამებში) პროდუქტები დღეს გამოიყენეთ LiDAR. წმინდა ხედვაზე დაფუძნებულმა ტექნიკამ ჯერ კიდევ ვერ შესთავაზა ეს შესაძლებლობა კომერციულად.
რეკლამა
Tesla
სხვა კომპანიები, როგორიცაა Phiar, Helm.ai და NODAR ასევე აგრძელებენ კომპიუტერული ხედვის გამზირს. NODAR მიზნად ისახავს მნიშვნელოვნად გააფართოვოს სტერეო კამერის სისტემების გამოსახულების დიაპაზონი და 3D აღქმა კამერის არასწორი განლაგების და ვიბრაციის ეფექტების რეგულირების სწავლით დაპატენტებული მანქანური სწავლის ალგორითმების მეშვეობით. ცოტა ხნის წინ მან 12 მილიონი დოლარი შეაგროვა მისი ფლაგმანი პროდუქტის, Hammerhead™ პროდუქტიულობისთვის, რომელიც იყენებს ავტომობილების კლასის კამერებს და სტანდარტულ გამოთვლით პლატფორმებს.
ღირებულებისა და ზომის გარდა, LiDAR-ის გამოყენების წინააღმდეგ ხშირი არგუმენტია ის, რომ მას აქვს შეზღუდული დიაპაზონი და გარჩევადობა კამერებთან შედარებით. მაგალითად, დღეს ხელმისაწვდომია LiDAR-ები 200 მ დიაპაზონით და 5-10 M პუნქტით/წამში (PPS მსგავსი გარჩევადობით). 200 მ-ზე მცირე დაბრკოლებები, როგორიცაა აგური ან საბურავის ნამსხვრევები, ძალიან ცოტა ქულას აღრიცხავს (შეიძლება 2-3 ვერტიკალურად და 3-5 ჰორიზონტალური მიმართულებით), რაც ართულებს ობიექტების ამოცნობას. უფრო უხეში ხდება უფრო დიდ დიაპაზონში. შედარებისთვის, სტანდარტული მეგაპიქსელიანი კამერები, რომლებიც მუშაობენ 30 ჰც სიხშირეზე, შეუძლიათ გამოიმუშაონ 30M პიქსელი/წამში, რაც უზრუნველყოფს ობიექტების უმაღლესი ამოცნობის საშუალებას შორ მანძილზეც კი. უფრო მოწინავე კამერებს (12 მ პიქსელი) შეუძლიათ ეს კიდევ უფრო გაზარდონ. საკითხი ისაა, თუ როგორ გამოვიყენოთ ეს მასიური მონაცემები და წარმოიქმნათ ქმედითი აღქმა მილიწამის დონის შეყოვნებით, დაბალი ენერგიის მოხმარებით და დეგრადირებული განათების პირობებით.
რეკლამა
აღიარებაამ პრობლემის მოგვარებას ცდილობს კალიფორნიული კომპანია . აღმასრულებელი დირექტორის მარკ ბოლიტოს თქმით, მისი მისიაა "უზრუნველყოს ზეადამიანური ვიზუალური აღქმა სრულად ავტონომიური მანქანებისთვის.” კომპანია დაარსდა 2017 წელს, დღემდე 75 მილიონი დოლარი აქვს მოზიდული და ჰყავს 70 თანამშრომელი. RK Anand, Juniper Networks-ის ალუმი, არის ერთ-ერთი თანადამფუძნებელი და პროდუქტის მთავარი ოფიცერი. მას სჯერა, რომ უფრო მაღალი გარჩევადობის კამერების გამოყენება, > 120 dB დინამიური დიაპაზონით, მაღალი კადრების სიხშირით გაშვებული (მაგალითად, OnSemi, Sony და Omnivision) უზრუნველყოფს საჭირო მონაცემებს მაღალი გარჩევადობის 3D ინფორმაციის შესაქმნელად, რაც გადამწყვეტია AV-ების რეალიზაციისთვის. ამის გამაძლიერებლები არიან:
- პერსონალურად შექმნილი ASIC-ები მონაცემების ეფექტურად დასამუშავებლად და მანქანის გარემოს ზუსტი და მაღალი გარჩევადობის 3D რუქების შესაქმნელად. ისინი დამზადებულია TSMC 7 ნმ პროცესზე, ჩიპის ზომით 100 მმ², მუშაობს 1 გჰც სიხშირეზე.
- საკუთრებაში არსებული მანქანათმცოდნეობის ალგორითმები მილიონობით მონაცემთა წერტილის ხაზგარეშე დასამუშავებლად, რათა შეიქმნას გაწვრთნილი ნერვული ქსელი, რომელიც შემდეგ ეფექტურად იმუშავებს და მუდმივად ისწავლის. ეს ქსელი უზრუნველყოფს აღქმას და მოიცავს ობიექტების კლასიფიკაციას და გამოვლენას, სემანტიკურ სეგმენტაციას, ზოლის ამოცნობას, საგზაო ნიშნებს და შუქნიშნის ამოცნობას.
- ჩიპის გარეშე შენახვისა და გამრავლების ოპერაციების მინიმიზაცია, რომლებიც ენერგო ინტენსიურია და ქმნის მაღალ შეყოვნებას. Recogni-ს ASIC დიზაინი ოპტიმიზებულია ლოგარითმული მათემატიკისთვის და იყენებს დამატებით. შემდგომი ეფექტურობა მიიღწევა გაწვრთნილ ნერვულ ქსელში წონების ოპტიმალურად დაჯგუფებით.
ტრენინგის ფაზაში, კომერციული LiDAR გამოიყენება, როგორც მიწის ჭეშმარიტება, მაღალი გარჩევადობის, მაღალი დინამიური დიაპაზონის სტერეო კამერის მონაცემების მოსამზადებლად, სიღრმისეული ინფორმაციის ამოსაღებად და გაუმართაობისა და ვიბრაციის ეფექტების წინააღმდეგ. ბ-ნი ანანდის თქმით, მათი მანქანათმცოდნეობის დანერგვა იმდენად ეფექტურია, რომ მას შეუძლია სიღრმის შეფასებების ექსტრაპოლაცია მოახდინოს კალიბრაციის LiDAR-ის მიერ მოწოდებული სავარჯიშო დიაპაზონის მიღმა (რომელიც უზრუნველყოფს მიწის ჭეშმარიტებას 100 მ დიაპაზონში).
რეკლამა
სურათი 1: მწვანე ყუთები აჩვენებს Recogni-ის აღქმის სტეკის 3D შესრულებას გაწვრთნილ მონაცემებზე 100-ზე … [+]
აღიარება
ზემოთ მოყვანილი ტრენინგის მონაცემები ჩატარდა დღისით 8.3 მეგაპიქსელიანი კამერების სტერეო წყვილით, რომლებიც მუშაობდნენ 30 ჰც კადრების სიხშირით (~0.5B პიქსელი წამში). ის აჩვენებს გაწვრთნილი ქსელის უნარს, ამოიღოს 3D ინფორმაცია სცენაზე 100 მ მანძილზე, რომლითაც ის ვარჯიშობდა. Recogni-ის გადაწყვეტას შეუძლია ასევე ექსტრაპოლაცია მოახდინოს სწავლის დღის მონაცემებით ღამის შესრულებაზე (სურათი 2).
სურათი 2: Recogni-ის აღქმის დასტა, რომელიც მომზადებულია დღის მონაცემებზე, ასევე მუშაობს დაბალი განათების დონეზე … [+]
აღიარება
რეკლამა
ბ-ნი ანანდის თქმით, დიაპაზონის მონაცემები ზუსტია 5%-ის ფარგლებში (გრძელ დიაპაზონში) და 2%-თან ახლოს (მოკლე დიაპაზონში). გამოსავალი უზრუნველყოფს 1000 TOPS-ს (ტრილიონი ოპერაცია წამში) 6 ms შეყოვნებით და 25 ვტ ენერგიის მოხმარებით (40 TOPS/W), რაც ლიდერობს ინდუსტრიაში. მთელი რიცხვის მათემატიკის გამოყენებით კონკურენტები ამ მეტრიკაზე > 10X-ით დაბალია. Recogni-ს გადაწყვეტა ამჟამად საცდელშია საავტომობილო 1 დონის რამდენიმე მომწოდებელში.
წინასწარმეტყველება ("პროგნოზირება და დანახვა სად არის მოქმედება"), რომელიც დაფუძნებულია საფრანგეთში, იყენებს მოვლენებზე დაფუძნებულ კამერებს AV-ებისთვის, მძღოლის დახმარების გაფართოებული სისტემებისთვის (ADAS), სამრეწველო ავტომატიზაციისთვის, სამომხმარებლო აპლიკაციებისთვის და ჯანდაცვისთვის. დაარსდა 2014 წელს, კომპანიამ ცოტა ხნის წინ დახურა C რაუნდის დაფინანსება $50 მილიონით, ჯამში 127 მილიონი დოლარის მოზიდვა დღემდე. მობილური ტელეფონების წამყვანი მწარმოებელი Xiaomi ერთ-ერთი ინვესტორია. Prophesee-ის მიზანია ადამიანის ხედვის მიბაძვა, რომლის დროსაც ბადურის რეცეპტორები რეაგირებენ დინამიურ ინფორმაციას. ადამიანის ტვინი ფოკუსირებულია სცენის ცვლილებების დამუშავებაზე (განსაკუთრებით მართვის დროს). ძირითადი იდეა მდგომარეობს იმაში, რომ გამოვიყენოთ კამერისა და პიქსელების არქიტექტურები, რომლებიც აღმოაჩენენ ცვლილებებს სინათლის ინტენსივობის ზღურბლზე (მოვლენის) ზემოთ და მხოლოდ ამ მონაცემებს მიაწვდიან გამოთვლით დასტას შემდგომი დამუშავებისთვის. პიქსელები მუშაობენ ასინქრონულად (ჩარჩოში არ არის, როგორც ჩვეულებრივ CMOS კამერებში) და ბევრად უფრო მაღალი სიჩქარით, რადგან მათ არ სჭირდებათ ფოტონების ინტეგრირება, როგორც ჩვეულებრივი ჩარჩოზე დაფუძნებული კამერა და დაელოდონ მთლიანი კადრის დასრულებას მონაცემების წაკითხვამდე. უპირატესობები მნიშვნელოვანია - მონაცემთა დაბალი გამტარობა, გადაწყვეტილების შეყოვნება, შენახვა და ენერგიის მოხმარება. კომპანიის პირველი კომერციული კლასის VGA მოვლენებზე დაფუძნებული ხედვის სენსორი გამორჩეული იყო მაღალი დინამიური დიაპაზონით (>120 დბ), დაბალი ენერგიის მოხმარება (26 მვტ სენსორის დონეზე ან 3 ნვტ/მოვლენა). ასევე გამოშვებულია HD (High Definition) ვერსია (სონისთან ერთად შემუშავებული), ინდუსტრიაში წამყვანი პიქსელის ზომით (< 5 μm).
სურათი 3: მაღალი გარჩევადობის ფორმატის მოვლენებზე დაფუძნებული გამოსახულების სენსორი 5 მმ პიქსელის სიმაღლით, ერთობლივად შემუშავებული … [+]
წინასწარმეტყველება
რეკლამა
ეს სენსორები ქმნიან Metavision® სენსორული პლატფორმის ბირთვს, რომელიც იყენებს AI-ს, რათა უზრუნველყოს გონივრული და ეფექტური აღქმა ავტონომიის აპლიკაციებისთვის და შეფასების პროცესშია მრავალი კომპანიის მიერ სატრანსპორტო სივრცეში. გარდა AV-ებისა და ADAS-ის წინ მიმართული აღქმისა, Prophesee აქტიურად არის ჩართული მომხმარებლებთან მძღოლის სალონში მონიტორინგისთვის L2 და L3 აპლიკაციებისთვის, იხილეთ სურათი 4:
სურათი 4: XPERI სალონში მძღოლის მონიტორინგი ნუმან-ინსპირირებული ნეირომორფული ხედვის საფუძველზე
წინასწარმეტყველება
საავტომობილო შესაძლებლობები მომგებიანია, მაგრამ დიზაინის ციკლები გრძელია. გასული ორი წლის განმავლობაში, Prophesee-მ მნიშვნელოვანი ინტერესი და მიმზიდველობა დაინახა სამრეწველო აპლიკაციების მანქანური ხედვის სივრცეში. ეს მოიცავს მაღალი სიჩქარის დათვლას, ზედაპირის შემოწმებას და ვიბრაციის მონიტორინგს.
რეკლამა
სურათი 5: მაღალი დათვლა მოვლენებზე დაფუძნებული კამერების გამოყენებით
წინასწარმეტყველება
წინასწარმეტყველმა ცოტა ხნის წინ გამოაცხადა თანამშრომლობა მანქანური ხედვის სისტემების წამყვან დეველოპერებთან ერთად, რათა გამოიყენონ შესაძლებლობები სამრეწველო ავტომატიზაციის, რობოტიკის, ავტომობილების და IoT (ინტერნეტის საგნების) სფეროში. სხვა დაუყოვნებელი შესაძლებლობებია მობილური ტელეფონებისა და AR/VR აპლიკაციებისთვის გამოსახულების დაბინდვის კორექტირება. ისინი იყენებენ უფრო დაბალი ფორმატის სენსორებს, ვიდრე ისინი გამოიყენება გრძელვადიანი ADAS/AV შესაძლებლობებისთვის, მოიხმარენ კიდევ უფრო დაბალ ენერგიას და მუშაობენ მნიშვნელოვნად დაბალი შეყოვნებით.
ისრაელი არის წამყვანი ნოვატორი მაღალ ტექნოლოგიებში, მნიშვნელოვანი ვენჩურული ინვესტიციებით და აქტიური დამწყებ გარემოთი. 2015 წლიდან მოყოლებული, დაახლოებით $70 მილიარდი ინვესტიციები განხორციელდა ტექნოლოგიურ სექტორში. ამის ნაწილი არის კომპიუტერული ხედვის არეალში. Mobileye-მ სათავეში ჩაუდგა ამ რევოლუციას 1999 წელს, როდესაც ამნონ შაშუამ, ებრაული უნივერსიტეტის AI-ის წამყვანმა მკვლევარმა, დააარსა კომპანია, რომელიც ფოკუსირებული იყო ADAS-ისა და AV-ების კამერაზე დაფუძნებულ აღქმაზე. კომპანიამ შეიტანა IPO განაცხადი 2014 წელს და შეიძინა Intel-მა
რეკლამა
შამპელის დედაქალაქიიერუსალიმში დაფუძნებული, ლიდერია კომპანიებში ინვესტიციების კუთხით, რომლებიც ავითარებენ პროდუქტებს კომპიუტერულ ხედვაზე დაფუძნებული მრავალფეროვანი აპლიკაციებისთვის, ტრანსპორტიდან და სოფლის მეურნეობიდან უსაფრთხოებამდე და უსაფრთხოებამდე. ამირ ვეიტმანი არის თანადამფუძნებელი და მმართველი პარტნიორი და თავისი ვენჩურული კომპანია 2017 წელს დაიწყო. პირველმა ფონდმა 20 მილიონი დოლარის ინვესტიცია მოახდინა 14 კომპანიაში. მათი ერთ-ერთი ინვესტიცია იყო Innoviz-ში, რომელიც საჯარო გახდა SPAC-ის შერწყმის გზით 2018 წელს და გახდა LiDAR unicorn. ომერ კეილაფის ხელმძღვანელობით (რომელიც წარმოშობით ისრაელის თავდაცვის ძალების სადაზვერვო კორპუსის ტექნოლოგიური განყოფილებიდან იყო), კომპანია დღეს ლიდერია ADAS-ისა და AV-ების LiDAR-ის განთავსებაში, BMW-სა და Volkswagen-ში მრავალი დიზაინის გამარჯვებით.
Champel Capital-ის მეორე ფონდი (Impact Deep Tech Fund II) დაიწყო 2022 წლის იანვარში და დღემდე შეაგროვა $30 მილიონი (სამიზნე არის $100 მილიონი 2022 წლის ბოლომდე). დომინანტური ყურადღება გამახვილებულია კომპიუტერულ ხედვაზე, 12 მილიონი დოლარით განლაგებულია ხუთ კომპანიაში. აქედან სამი იყენებს კომპიუტერულ ხედვას ტრანსპორტირებისა და რობოტიკისთვის.
TankU, დაფუძნებული ჰაიფაში, დაიწყო ოპერირება 2018 წელს და მოიზიდა $10 მილიონი დაფინანსება. დენ ვალდჰორნი არის აღმასრულებელი დირექტორი და დაამთავრა Unit 8200, ელიტური მაღალტექნოლოგიური ჯგუფი ისრაელის თავდაცვის ძალებში, რომელიც პასუხისმგებელია სიგნალის დაზვერვაზე და კოდის გაშიფვრაზე. TankU-ს SaaS (პროგრამული უზრუნველყოფა როგორც სერვისი) პროდუქტები ავტომატიზირებს და იცავს პროცესებს რთულ გარე გარემოში, რომლებიც ემსახურებიან სატრანსპორტო საშუალებებსა და მძღოლებს. ამ პროდუქტებს იყენებენ ავტოპარკის, კერძო მანქანების, საწვავის და ელექტრო დამტენის სადგურების მფლობელები, რათა თავიდან აიცილონ ქურდობა და თაღლითობა ავტომატურ ფინანსურ ტრანზაქციებში. ავტომობილების საწვავის მომსახურება ყოველწლიურად გამოიმუშავებს ~2T$ გლობალურ შემოსავალს, საიდანაც კერძო და კომერციული მანქანების ფლოტის მფლობელები მოიხმარენ 40%-ს ან $800B-ს. საცალო მოვაჭრეები და ავტოპარკის მფლობელები ყოველწლიურად კარგავენ ~ 100 მილიარდ დოლარს ქურდობისა და თაღლითობის გამო (მაგალითად, ფლოტის საწვავის ბარათის გამოყენება არაავტორიზებული კერძო მანქანებისთვის). CNP (ბარათი არ არის წარმოდგენილი) თაღლითობა და საწვავის ხელყოფა/მოპარვა ზარალის დამატებითი წყაროა, განსაკუთრებით მაშინ, როდესაც მოპარული ბარათის დეტალები გამოიყენება მობილურ აპებში გადახდებისთვის.
რეკლამა
კომპანიის TUfuel პროდუქტი აადვილებს უსაფრთხო გადახდას ერთი შეხებით, ბლოკავს თაღლითობის უმეტესობას და აფრთხილებს მომხმარებელს, როდესაც ეჭვობს თაღლითობაში. ის ამას აკეთებს ხელოვნური ინტელექტის ძრავის საფუძველზე, რომელიც გაწვრთნილია ამ ობიექტებში არსებული CCTV-ების მონაცემებზე და ციფრული ტრანზაქციის მონაცემებზე (მათ შორის POS და სხვა სარეზერვო მონაცემები). ისეთი პარამეტრები, როგორიცაა მანქანის ტრაექტორია და დინამიკა, ავტომობილის ID, მგზავრობის დრო, გარბენი, საწვავის დრო, საწვავის რაოდენობა, საწვავის ისტორია და მძღოლის ქცევა, არის ზოგიერთი ატრიბუტი, რომელიც მონიტორირებულია თაღლითობის გამოსავლენად. ეს მონაცემები ასევე ეხმარება საცალო მოვაჭრეებს საიტის მუშაობის ოპტიმიზაციაში, მომხმარებელთა ლოიალობის გაზრდაში და ხედვაზე დაფუძნებული მარკეტინგული ინსტრუმენტების დანერგვაში. აღმასრულებელი დირექტორის დენ ვალდჰორნის თქმით, მათი გადაწყვეტა აღმოაჩენს ფლოტის 70%-ს, საკრედიტო ბარათის 90%-ს და თაღლითობასთან დაკავშირებულ თაღლითობის მოვლენებს 70%.
სურათი 6: TUfuel იყენებს რეალურ დროში მონაცემებს საწვავის სადგურის CCTV კამერებიდან და სხვა ციფრულ მონაცემებს … [+]
TankU
სონოლი არის ენერგეტიკული სერვისების კომპანია, რომელიც ფლობს და მართავს 240 სადგურისა და მაღაზიების ქსელს ისრაელის მასშტაბით. TUfuel განლაგებულია მათ საიტებზე და აჩვენა გაძლიერებული უსაფრთხოება, თაღლითობის პრევენცია და მომხმარებელთა ლოიალობა. პროდუქციის გამოცდები მიმდინარეობს აშშ-ში ბენზინგასამართი სადგურების და მაღაზიის აღჭურვილობის წამყვან გლობალურ მიმწოდებელთან თანამშრომლობით. მსგავსი ინიციატივები ასევე მიმდინარეობს აფრიკასა და ევროპაში.
რეკლამა
თელავივში დაფუძნებული ITC დაარსდა 2019 წელს ბენ-გურიონის უნივერსიტეტის მანქანათმცოდნეობის აკადემიკოსების მიერ. ITC ქმნის SaaS პროდუქტებს, რომლებიც ”გაზომეთ მოძრაობის ნაკადი, იწინასწარმეტყველეთ გადატვირთულობა და შეამსუბუქეთ იგი შუქნიშნების ჭკვიანი მანიპულირების გზით – სანამ საცობები წარმოიქმნება.” TankU-ს მსგავსად, ის იყენებს მონაცემებს თაროზე მოთავსებული კამერებიდან (უკვე დაყენებული უამრავ სატრანსპორტო კვეთაზე) პირდაპირი მოძრაობის მონაცემების მისაღებად. ქალაქის მასშტაბით ათასობით კამერის მონაცემები გაანალიზებულია და ისეთი პარამეტრები, როგორიცაა მანქანის ტიპი, სიჩქარე, მოძრაობის მიმართულება და მანქანების ტიპების თანმიმდევრობა (სატვირთო მანქანების წინააღმდეგ) ამოღებულია საკუთრების AI ალგორითმების გამოყენებით. სიმულაციები პროგნოზირებენ მოძრაობის ნაკადს და პოტენციურ საცობებს 30 წუთით ადრე. შუქნიშნების რეგულირება ხდება ამ შედეგების გამოყენებით მოძრაობის ნაკადის გასაუმჯობესებლად და საცობების თავიდან ასაცილებლად.
სურათი 7: ათასობით კამერის მონაცემები შედგენილია VMS-ის მიერ ქალაქის მართვის სატრანსპორტო საშუალების შიგნით … [+]
ITC
ხელოვნური ინტელექტის სისტემის სწავლებას ტიპიური ქალაქის მასშტაბით ვიზუალური მონაცემების ერთი თვე სჭირდება და მოიცავს ზედამხედველობის ქვეშ და ზედამხედველობის გარეშე სწავლების კომბინაციას. ITC-ის გადაწყვეტა უკვე განლაგებულია თელ-ავივში (25 წელს მსოფლიოს ყველაზე გადატვირთულ ქალაქებში 2020-ე ადგილზეა), ათასობით კამერით განლაგებულია ასობით გზაჯვარედინზე, რომელსაც აკონტროლებს შუქნიშანი. ITC-ის სისტემა ამჟამად მართავს 75 ათას მანქანას, რომელიც, სავარაუდოდ, გაგრძელდება. კომპანია ამონტაჟებს ა მსგავსი შესაძლებლობები ლუქსემბურგში და იწყებს ცდებს აშშ-ს დიდ ქალაქებში. გლობალურად, მისი გადაწყვეტა მართავს 300,000 XNUMX მანქანას ისრაელში, აშშ-ში, ბრაზილიასა და ავსტრალიაში. დვირ კენიგი, CTO, აღფრთოვანებულია ამ პრობლემის გადაჭრაზე - ხალხს დაუბრუნოს პირადი დრო, შეამციროს სათბურის გაზები, გაზარდოს საერთო პროდუქტიულობა და რაც მთავარია, შეამციროს უბედური შემთხვევები გადატვირთულ გზაჯვარედინებზე. ბატონი კენიგის თქმით, ”ჩვენი განლაგება აჩვენებს საცობების 30%-ით შემცირებას, ამცირებს არაპროდუქტიული მართვის დროს, სტრესს, საწვავის მოხმარებას და დაბინძურებას.”
რეკლამა
შიდა რობოტიკა იყო დაარსდა 2018 მდე ცოტა ხნის წინ შეაგროვა $18 მილიონი დაფინანსება. კომპანია, რომელიც მდებარეობს თელ-ავივის მახლობლად, ისრაელში, ავითარებს და ყიდის ავტონომიურ დრონის გადაწყვეტილებებს შიდა უსაფრთხოების, უსაფრთხოებისა და ტექნიკური მონიტორინგისთვის. აღმასრულებელ დირექტორს და თანადამფუძნებელს, დორონ ბენ-დევიდს, აქვს რობოტიკისა და აერონავტიკის მნიშვნელოვანი გამოცდილება დაგროვილი IAI-ში.
სურათი 8: Indoor Robotics-ის ავტონომიური თვითმფრინავების ფლოტს შეუძლია ჭერი დამონტაჟდეს … [+]
შიდა რობოტიკა
ოფირ ბარ-ლევავი არის ბიზნესის მთავარი ოფიცერი. ის განმარტავს, რომ GPS-ის ნაკლებობამ შეაფერხა შიდა დრონები შენობების შიგნით ლოკალიზებაში (როგორც წესი, GPS-ით უარყოფილია ან არაზუსტია). გარდა ამისა, არ იყო მოსახერხებელი და ეფექტური დამაგრების და კვების გადაწყვეტილებები. Indoor Robotics-ი ამას აგვარებს დროზე დამონტაჟებული ოთხი კამერით (ზემოდან, ქვემოთ, მარცხნივ, მარჯვნივ) და მარტივი დიაპაზონის სენსორებით, რომლებიც ზუსტად ასახავს შიდა სივრცეს და მის შინაარსს. კამერის მონაცემები (კამერები უზრუნველყოფს ლოკალიზაციისა და რუკების მონაცემებს) და თერმული სენსორები (ასევე დამონტაჟებული დრონზე) ანალიზდება AI სისტემით, რათა აღმოაჩინოს უსაფრთხოების, უსაფრთხოებისა და ტექნიკური პოტენციური პრობლემები და გააფრთხილოს მომხმარებელი. დრონები იკვებება ჭერზე დამაგრებული „სამაგრი კრამიტის“ მეშვეობით, რომელიც ზოგავს ძვირფას იატაკს და იძლევა მონაცემთა შეგროვების საშუალებას დატენვისას. აშკარაა ამ ამქვეყნიური პროცესების ავტომატიზაციის ფინანსური უპირატესობები, სადაც ადამიანის შრომა რთული და ძვირია რეკრუტირების, შენარჩუნებისა და ტრენინგის თვალსაზრისით. საჰაერო თვითმფრინავების გამოყენებას მიწისზე დაფუძნებული რობოტების წინააღმდეგ ასევე მნიშვნელოვანი უპირატესობები აქვს კაპიტალისა და საოპერაციო ხარჯების, იატაკის სივრცის უკეთ გამოყენების, დაბრკოლებების გარეშე გადაადგილების თავისუფლებას და კამერის მონაცემების აღების ეფექტურობას. ბ-ნი ბარ-ლევავის თქმით, შიდა რობოტიკის TAM (მთლიანი მისამართიანი ბაზარი) შიდა ინტელექტუალური უსაფრთხოების სისტემებში 80 წლისთვის იქნება $2026 მილიარდი. კლიენტების ძირითადი ადგილები დღეს მოიცავს წამყვანი გლობალური კორპორაციების საწყობებს, მონაცემთა ცენტრებს და საოფისე კამპუსებს.
რეკლამა
კომპიუტერული ხედვა ახდენს რევოლუციას ავტონომიურ თამაშში - მოძრაობის ავტომატიზაციაში, უსაფრთხოებაში, ჭკვიანი შენობების მონიტორინგში, თაღლითობის გამოვლენასა და ტრაფიკის მართვაში. ნახევარგამტარების ძალა და ხელოვნური ინტელექტი ძლიერი გამაძლიერებელია. მას შემდეგ, რაც კომპიუტერები დაეუფლებიან ამ წარმოუდგენელ სენსორულ მოდალობას მასშტაბური გზით, შესაძლებლობები გაუთავებელია.
წყარო: https://www.forbes.com/sites/sabbirrangwala/2022/10/04/advances-in-computer-vision-propel-transportation-autonomy/