Mối liên hệ giữa AI và xe tự hành
Xe tự hành là một trong những lĩnh vực ứng dụng chính của AI, xe tự lái (AV) được trang bị nhiều cảm biến, chẳng hạn như camera, radar và lidar, giúp chúng hiểu rõ hơn về môi trường xung quanh và lập kế hoạch đường đi. Những cảm biến này tạo ra một lượng lớn dữ liệu. Để hiểu được dữ liệu do các cảm biến này tạo ra, AV cần có khả năng xử lý gần như tức thì, giống như siêu máy tính. Các công ty phát triển hệ thống AV phải phụ thuộc rất nhiều vào AI, dưới dạng học máy và học sâu, để xử lý lượng dữ liệu khổng lồ một cách hiệu quả, đồng thời đào tạo và xác nhận hệ thống lái xe tự động của họ.
Lần đầu tiên sử dụng AI cho lái xe tự động bắt nguồn từ Thử thách xe tự hành lần thứ hai của Cơ quan Dự án Nghiên cứu Quốc phòng Mỹ (DARPA) vào năm 2005. Chiến thắng thuộc về chiếc xe rô-bốt tự lái có tên Stanley của đội đua Đại học Stanford. Đội chiến thắng dẫn đầu bởi Sebastian Thurn, Phó giáo sư khoa học máy tính và Giám đốc Phòng thí nghiệm trí tuệ nhân tạo Stanford, đã giành chiến thắng nhờ sử dụng máy học. Stanley được trang bị nhiều cảm biến và được hỗ trợ bởi phần mềm được viết tùy chỉnh, bao gồm các thuật toán máy học, giúp phương tiện tìm đường, phát hiện chướng ngại vật và tránh chúng khi tiếp tục hành trình. Thurn sau đó đã lãnh đạo “Dự án xe tự lái” tại Google, dự án này cuối cùng trở thành Waymo vào năm 2016.
Waymo đã tận dụng rộng rãi AI để biến việc lái xe hoàn toàn tự động thành hiện thực. Các kỹ sư của công ty đã hợp tác với nhóm Google Brain để áp dụng mạng nơ ron học sâu trong hệ thống phát hiện người đi bộ của mình. Sử dụng công nghệ học sâu, các kỹ sư đã có thể giảm tỷ lệ lỗi phát hiện người đi bộ xuống 100 lần. Dmitri Dolgov, CTO và phó chủ tịch Kỹ thuật tại Waymo, đã nhấn mạnh trong một blog trên Medium về cách AI và máy học đã giúp công ty phát triển hệ thống AV rằng: "Mặc dù nhận thức là lĩnh vực trưởng thành nhất để học sâu, nhưng chúng tôi cũng sử dụng mạng nơ ron học sâu (DNN) cho mọi thứ, từ dự đoán đến lập kế hoạch đến lập bản đồ và mô phỏng. Trong quá trình đó, chúng ta có thể điều hướng các tình huống phức tạp và khó khăn, điều động các khu vực xây dựng, nhường chỗ cho các phương tiện khẩn cấp và nhường chỗ cho những chiếc ô tô đỗ song song”.
Waymo cũng đào tạo rộng rãi các mô-đun học sâu của mình trong hơn 10 triệu dặm trên đường và quan sát hàng trăm triệu tương tác giữa các phương tiện, người đi bộ và người đi xe đạp. Công ty cũng đào tạo các mô-đun học sâu của mình trong mô phỏng.
Xe tự hành đang phát triển thế nào?
Theo công ty phân tích dữ liệu GlobalData, cả xe tiêu dùng và xe thương mại đều đang tận dụng dữ liệu thời gian thực để xây dựng các mô phỏng phức tạp và hiểu cách trí tuệ nhân tạo (AI) phản ứng với các tình huống không thể đoán trước.
Trưởng phòng thực hành Manish Dixit cho biết: “AV tập trung vào việc sử dụng các thuật toán tiên tiến và công nghệ cảm biến để cải thiện tầm nhìn, radar, phát hiện và đo khoảng cách ánh sáng (lidar) cùng với hệ thống điều khiển phương tiện. AI đang giúp lập kế hoạch và dự đoán đường đi để dự báo hành vi của các phương tiện và người đi bộ khác, đồng thời với việc bảo trì dự đoán để giảm thời gian ngừng hoạt động và chi phí bảo trì của AV”.
Prathyusha Paruchuri, nhà phân tích công nghệ đột phá cấp cao của GlobalData, cho biết thêm: “AI là một phần không thể thiếu trong chức năng của AV, bắt đầu từ quan sát và ra quyết định đến kiểm soát và giám sát. AI không chỉ có thể giảm tắc nghẽn giao thông và tối ưu hóa lộ trình di chuyển mà còn loại bỏ sự can thiệp của con người vào việc lái xe. Tuy nhiên, nó vẫn cần phải vượt qua những thách thức về độ an toàn cũng như độ tin cậy của AV để cải thiện hiệu suất tổng thể của xe”.
Thực tế thời gian qua khi sự bùng phát của đại dịch COVID-19 cùng với sự chậm lại trong phát triển kinh tế và tài trợ toàn cầu đã khiến nhiều thử nghiệm AV phải tạm dừng. Hơn nữa, chi phí đầu tư cao, khả năng sinh lời thấp và thời gian sản xuất AV khiến nhiều người chơi bỏ cuộc.
Đơn cử như Uber đã thanh lý bộ phận AV của mình vào cuối năm 2020 hay liên doanh Argo.ai giữa Ford và VW đã bị giải tán vào năm 2022. Sau đó, các công ty như Tesla, Waymo và Baidu đang tìm cách sản xuất các phương tiện an toàn và đáng tin cậy hơn.
Continental AG, một nhà cung cấp phụ tùng ô tô có trụ sở tại Đức, đã hợp tác với NVIDIA, nhà cung cấp dịch vụ lưu trữ dữ liệu AI và Spectrum của IBM. Họ đã ra mắt Hệ thống hỗ trợ người lái nâng cao (ADAS), sử dụng mạng lưới thần kinh nhân tạo được đào tạo và học sâu để phát triển các cảm biến thông minh và giải pháp an toàn giao thông dựa trên dữ liệu. Các hệ thống này được cho là cải thiện 70% thời gian đào tạo AI và giảm thời gian đào tạo từ vài tuần xuống vài ngày.
Trong khi đó, Tập đoàn BMW đã hợp tác với DXC Technology, nhà cung cấp dịch vụ tư vấn và CNTT, để truy cập và phân tích hiệu quả lượng dữ liệu khổng lồ cần thiết để phát triển và cải thiện các thuật toán lái xe cho các phương tiện tự động của mình. Nền tảng cung cấp gần 230 petabyte dung lượng lưu trữ có thể sử dụng và thiết lập đủ khả năng xử lý để mô phỏng tới 240 triệu km dữ liệu thử nghiệm trong khoảng thời gian chỉ ba tháng.
Splunk, một nhà cung cấp công nghệ, đã được Honda Manufacturing of Alabama (HMA), cơ sở sản xuất xe tải nhẹ lớn nhất của Honda, tiếp cận để triển khai giải pháp học máy (ML). Splunk tuyên bố rằng giải pháp ML của họ cho phép HMA truy cập đúng dữ liệu và giảm 70% thời gian trung bình để sửa chữa.
“Việc sử dụng trí tuệ nhân tạo và máy học đang biến các phương tiện thành hệ thống thông minh và có khả năng thích ứng. AV cũng đang kết hợp an ninh mạng để bảo vệ dữ liệu hành khách khỏi hoạt động độc hại. Các nhà sản xuất hiện đang tập trung vào AI Sáng tạo sử dụng dữ liệu đào tạo tổng hợp để tiến hành các thử nghiệm ảo trong môi trường được kiểm soát, điều này có thể đào tạo AV của họ hiệu quả và hiệu quả hơn”, Paruchuri nhấn mạnh.
Google translate