รถที่ขับเองอัตโนมัติจำป้ายถนนได้ คอมพิวเตอร์วิทัศน์และปัญญาประดิษฐ์ -
เก็ตตี้
การมองเห็นเป็นอินพุตทางประสาทสัมผัสของมนุษย์ที่ทรงพลัง ช่วยให้งานและกระบวนการที่ซับซ้อนที่เรารับทำได้ ด้วยการเพิ่มขึ้นของ AoT™ (Autonomy of Things) ในการใช้งานที่หลากหลายตั้งแต่การขนส่งและการเกษตร ไปจนถึงวิทยาการหุ่นยนต์และการแพทย์ บทบาทของกล้อง คอมพิวเตอร์ และการเรียนรู้ของเครื่องในการจัดเตรียมการมองเห็นและการรับรู้ที่เหมือนมนุษย์จึงมีความสำคัญ คอมพิวเตอร์วิทัศน์เป็นสาขาวิชาทางวิชาการเริ่มต้นขึ้นในทศวรรษที่ 1960 โดยส่วนใหญ่แล้วในมหาวิทยาลัยที่เกี่ยวข้องกับปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง มีความก้าวหน้าอย่างมากในสี่ทศวรรษข้างหน้า เนื่องจากมีการพัฒนาเทคโนโลยีเซมิคอนดักเตอร์และคอมพิวเตอร์อย่างมีนัยสำคัญ ความก้าวหน้าล่าสุดในการเรียนรู้เชิงลึกและปัญญาประดิษฐ์ได้เร่งการประยุกต์ใช้คอมพิวเตอร์วิทัศน์เพื่อให้รับรู้แบบเรียลไทม์ เวลาแฝงต่ำ และการรับรู้สภาพแวดล้อม ทำให้เกิดความเป็นอิสระ ความปลอดภัย และประสิทธิภาพในการใช้งานที่หลากหลาย การคมนาคมเป็นพื้นที่หนึ่งที่ได้รับประโยชน์อย่างมาก
LiDAR (Light Detection and Ranging) คือวิธีการสร้างภาพด้วยแสงแบบแอ็คทีฟที่ใช้เลเซอร์เพื่อกำหนดสภาพแวดล้อม 3 มิติรอบวัตถุ เป็นหนึ่งในเทคโนโลยีที่โซลูชันการมองเห็นด้วยคอมพิวเตอร์ (ซึ่งอาศัยแสงโดยรอบล้วนๆ และไม่ใช้เลเซอร์ในการรับรู้ 3 มิติ) พยายามขัดขวาง หัวข้อทั่วไปคือ ไดรเวอร์ของมนุษย์ไม่ต้องการ LiDAR สำหรับการรับรู้เชิงลึก ดังนั้นเครื่องจักรก็ไม่ควรเช่นกัน คุณสมบัติการขับขี่อัตโนมัติ L3 เชิงพาณิชย์ในปัจจุบัน (อิสระอย่างสมบูรณ์ในพื้นที่ทางภูมิศาสตร์และสภาพอากาศที่เฉพาะเจาะจง โดยผู้ขับขี่พร้อมที่จะควบคุมภายในไม่กี่วินาที) ผลิตภัณฑ์วันนี้ ใช้ LiDAR. เทคนิคที่ใช้การมองเห็นล้วนๆ ยังไม่สามารถนำเสนอความสามารถนี้ในเชิงพาณิชย์ได้
โฆษณา
เทสลา
บริษัทอื่นๆ เช่น Phiar, Helm.ai และ NODAR กำลังดำเนินการตามถนนวิสัยทัศน์คอมพิวเตอร์ NODAR ตั้งเป้าที่จะขยายช่วงการถ่ายภาพและการรับรู้ 3 มิติของระบบกล้องสเตอริโออย่างมีนัยสำคัญ โดยการเรียนรู้ที่จะปรับให้กล้องไม่ตรงแนวและเอฟเฟกต์การสั่นสะเทือนผ่านอัลกอริธึมการเรียนรู้ของเครื่องที่ได้รับการจดสิทธิบัตร เพิ่งระดมทุนได้ $12M สำหรับการผลิตผลิตภัณฑ์เรือธง Hammerhead™ ซึ่งใช้กล้องเกรดยานยนต์ "นอกชั้นวาง" และแพลตฟอร์มการคำนวณมาตรฐาน
นอกเหนือจากราคาและขนาดแล้ว การโต้แย้งบ่อยครั้งเกี่ยวกับการใช้ LiDAR ก็คือมันมีช่วงและความละเอียดที่จำกัดเมื่อเทียบกับกล้อง ตัวอย่างเช่น LiDAR ที่มีช่วง 200 ม. และ 5-10 M จุด/วินาที (PPS ที่คล้ายกับความละเอียด) มีวางจำหน่ายแล้วในปัจจุบัน ที่ระยะ 200 เมตร สิ่งกีดขวางเล็กๆ เช่น อิฐหรือเศษยางจะบันทึกจุดน้อยมาก (อาจจะ 2-3 ในแนวตั้งและ 3-5 ในแนวนอน) ทำให้การจดจำวัตถุทำได้ยาก สิ่งต่าง ๆ จะหยาบมากขึ้นในระยะยาว เมื่อเปรียบเทียบแล้ว กล้องเมกะพิกเซลมาตรฐานที่ทำงานที่ 30 Hz สามารถสร้างพิกเซลได้ 30 ล้านพิกเซล/วินาที ทำให้สามารถจดจำวัตถุได้อย่างเหนือชั้นแม้ในระยะยาว กล้องขั้นสูงเพิ่มเติม (12 M พิกเซล) สามารถเพิ่มสิ่งนี้ให้ดียิ่งขึ้นไปอีก ปัญหาคือวิธีการใช้ข้อมูลขนาดใหญ่นี้ และสร้างการรับรู้ที่สามารถดำเนินการได้จริงด้วยเวลาแฝงระดับมิลลิวินาที การใช้พลังงานต่ำ และสภาพแสงที่ลดลง
โฆษณา
รับรู้ซึ่งเป็นบริษัทในแคลิฟอร์เนียกำลังพยายามแก้ปัญหานี้ ตามที่ CEO Mark Bolitho ภารกิจของมันคือ “มอบการรับรู้ภาพเหนือมนุษย์สำหรับยานพาหนะที่เป็นอิสระอย่างเต็มที่” บริษัทก่อตั้งขึ้นในปี 2017 ระดมทุนได้ 75 ล้านดอลลาร์จนถึงปัจจุบัน และมีพนักงาน 70 คน RK Anand ศิษย์เก่าของ Juniper Networks เป็นหนึ่งในผู้ร่วมก่อตั้งและประธานเจ้าหน้าที่ฝ่ายผลิตภัณฑ์ เขาเชื่อว่าการใช้กล้องที่มีความละเอียดสูงกว่าที่มีช่วงไดนามิก > 120 dB ซึ่งทำงานที่อัตราเฟรมสูง (เช่น OnSemi, Sony และ Omnivision) ให้ข้อมูลที่จำเป็นในการสร้างข้อมูล 3D ที่มีความละเอียดสูง ซึ่งเป็นสิ่งสำคัญสำหรับการรับรู้ AV ตัวเปิดใช้งานสำหรับสิ่งนี้คือ:
- ASIC ที่ออกแบบเองเพื่อประมวลผลข้อมูลอย่างมีประสิทธิภาพและสร้างแผนที่ 3 มิติที่แม่นยำและมีความละเอียดสูงของสภาพแวดล้อมในรถ สิ่งเหล่านี้ถูกสร้างขึ้นบนกระบวนการ TSMC 7 nm ด้วยขนาดชิป 100 มม.² ซึ่งทำงานที่ความถี่ 1 GHz
- อัลกอริธึมแมชชีนเลิร์นนิงที่เป็นกรรมสิทธิ์ในการประมวลผลจุดข้อมูลหลายล้านจุดแบบออฟไลน์เพื่อสร้างเครือข่ายประสาทที่ได้รับการฝึกอบรม ซึ่งสามารถทำงานได้อย่างมีประสิทธิภาพและเรียนรู้อย่างต่อเนื่อง เครือข่ายนี้ให้การรับรู้และรวมถึงการจำแนกและตรวจจับวัตถุ การแบ่งส่วนความหมาย การตรวจจับช่องจราจร สัญญาณไฟจราจร และการรับรู้สัญญาณไฟจราจร
- ลดการจัดเก็บแบบ off-chip และการคูณซึ่งใช้พลังงานมากและสร้างเวลาแฝงสูง การออกแบบ ASIC ของ Recogni ได้รับการปรับให้เหมาะสมสำหรับคณิตศาสตร์ลอการิทึมและใช้การบวก ประสิทธิภาพเพิ่มเติมเกิดขึ้นได้ด้วยการจัดกลุ่มน้ำหนักอย่างเหมาะสมในโครงข่ายประสาทเทียมที่ผ่านการฝึกอบรม
ในระหว่างขั้นตอนการฝึกอบรม LiDAR เชิงพาณิชย์จะใช้ความจริงพื้นฐานในการฝึกข้อมูลกล้องสเตอริโอที่มีช่วงไดนามิกสูงที่มีความละเอียดสูง เพื่อดึงข้อมูลเชิงลึก และทำให้ทนทานต่อผลกระทบจากการจัดแนวผิดแนวและการสั่นสะท้าน คุณอานันท์กล่าวว่าการนำการเรียนรู้ของเครื่องไปใช้นั้นมีประสิทธิภาพมากจนสามารถประมาณการความลึกได้เกินกว่าช่วงการฝึกอบรมที่ LiDAR ให้ไว้ (ซึ่งให้ความจริงภาคพื้นดินในช่วง 100 ม.)
โฆษณา
รูปที่ 1: กล่องสีเขียวแสดงประสิทธิภาพ 3 มิติของสแต็คการรับรู้ของ Recogni ในข้อมูลที่ได้รับการฝึกที่100 -
รับรู้
ข้อมูลการฝึกอบรมข้างต้นดำเนินการในเวลากลางวันด้วยกล้องสเตอริโอคู่ขนาด 8.3 ล้านพิกเซลที่ทำงานที่อัตราเฟรม 30 Hz (~0.5B พิกเซลต่อวินาที) แสดงให้เห็นถึงความสามารถของเครือข่ายที่ได้รับการฝึกอบรมในการดึงข้อมูล 3D ในฉากที่อยู่นอกเหนือช่วง 100 ม. ที่ฝึกด้วย โซลูชันของ Recogni ยังสามารถคาดการณ์การเรียนรู้ด้วยข้อมูลในเวลากลางวันไปจนถึงประสิทธิภาพในเวลากลางคืน (รูปที่ 2)
รูปที่ 2: สแต็คการรับรู้ของ Recogni ที่ได้รับการฝึกจากข้อมูลในเวลากลางวันยังทำงานภายใต้ระดับแสงที่ต่ำกว่า -
รับรู้
โฆษณา
คุณอานันท์กล่าวว่าข้อมูลช่วงมีความถูกต้องภายใน 5% (ที่ระยะยาว) และใกล้ถึง 2% (ที่ช่วงที่สั้นกว่า) โซลูชันนี้มอบ 1000 TOPS (ล้านล้านการทำงานต่อวินาที) ด้วยเวลาแฝง 6 ms และการใช้พลังงาน 25W (40 TOPS/W) ซึ่งเป็นผู้นำอุตสาหกรรม คู่แข่งที่ใช้เลขจำนวนเต็มต่ำกว่าเมตริกนี้ > 10 เท่า โซลูชันของ Recogni กำลังอยู่ในระหว่างการทดลองกับซัพพลายเออร์ระดับ 1 ด้านยานยนต์หลายราย
พยากรณ์ (“การทำนายและดูว่าการกระทำอยู่ที่ไหน”)ซึ่งตั้งอยู่ในฝรั่งเศส ใช้กล้องสำหรับงานอีเวนต์สำหรับ AV, Advanced Driver Assistance Systems (ADAS), ระบบอัตโนมัติทางอุตสาหกรรม, แอพพลิเคชั่นสำหรับผู้บริโภค และการดูแลสุขภาพ ก่อตั้งขึ้นในปี 2014 the บริษัทเพิ่งปิดการระดมทุนรอบ C มูลค่า 50 ล้านเหรียญสหรัฐโดยระดมทุนได้ทั้งหมด 127 ล้านดอลลาร์จนถึงปัจจุบัน Xiaomi ผู้ผลิตโทรศัพท์มือถือชั้นนำเป็นหนึ่งในนักลงทุน เป้าหมายของนักพยากรณ์คือการจำลองการมองเห็นของมนุษย์ โดยที่ตัวรับในเรตินาจะตอบสนองต่อข้อมูลแบบไดนามิก สมองของมนุษย์มุ่งเน้นไปที่การประมวลผลการเปลี่ยนแปลงในฉาก (โดยเฉพาะอย่างยิ่งสำหรับการขับขี่) แนวคิดพื้นฐานคือการใช้สถาปัตยกรรมกล้องและพิกเซลที่ตรวจจับการเปลี่ยนแปลงของความเข้มของแสงที่สูงกว่าเกณฑ์ (เหตุการณ์) และให้ข้อมูลนี้เฉพาะกับสแต็คการประมวลผลเพื่อการประมวลผลต่อไป พิกเซลทำงานแบบอะซิงโครนัส (ไม่ได้จัดเฟรมเหมือนในกล้อง CMOS ทั่วไป) และที่ความเร็วสูงกว่ามาก เนื่องจากไม่ต้องรวมโฟตอนเหมือนในกล้องที่ใช้เฟรมแบบทั่วไป และรอให้ทั้งเฟรมเสร็จสิ้นก่อนที่จะอ่านข้อมูล ข้อดีมีนัยสำคัญ – แบนด์วิดท์ข้อมูลที่ต่ำกว่า เวลาแฝงในการตัดสินใจ พื้นที่จัดเก็บ และการใช้พลังงาน วิชันเซนเซอร์แบบใช้เหตุการณ์ VGA เกรดเชิงพาณิชย์ตัวแรกของบริษัทมีช่วงไดนามิกสูง (>120 dB) ใช้พลังงานต่ำ (26 mW ที่ระดับเซ็นเซอร์หรือ 3 nW/เหตุการณ์) นอกจากนี้ยังมีการเปิดตัวเวอร์ชัน HD (ความคมชัดสูง) (พัฒนาร่วมกับ Sony) ด้วยขนาดพิกเซลชั้นนำของอุตสาหกรรม (< 5 µm)
รูปที่ 3: เซ็นเซอร์ภาพตามเหตุการณ์รูปแบบความละเอียดสูงพร้อมระยะพิทช์พิกเซล 5 um ได้รับการพัฒนาร่วมกัน -
พยากรณ์
โฆษณา
เซ็นเซอร์เหล่านี้เป็นแกนหลักของแพลตฟอร์มการตรวจจับ Metavision® ซึ่งใช้ AI เพื่อให้การรับรู้ที่ชาญฉลาดและมีประสิทธิภาพสำหรับการใช้งานที่เป็นอิสระ และอยู่ภายใต้การประเมินโดยบริษัทหลายแห่งในพื้นที่การขนส่ง นอกเหนือจากการรับรู้ที่มุ่งไปข้างหน้าสำหรับ AVs และ ADAS แล้ว Prophesee ยังมีส่วนร่วมกับลูกค้าอย่างแข็งขันสำหรับการตรวจสอบไดรเวอร์ในห้องโดยสารสำหรับแอปพลิเคชัน L2 และ L3 ดูรูปที่ 4:
รูปที่ 4: การตรวจสอบไดรเวอร์ในห้องโดยสารของ XPERI ตามวิสัยทัศน์ neuromorphic ที่ได้รับแรงบันดาลใจจาก numan
พยากรณ์
โอกาสด้านยานยนต์มีกำไร แต่วงจรการออกแบบนั้นยาวนาน ในช่วงสองปีที่ผ่านมา Prophesee ได้เห็นความสนใจและแรงฉุดอย่างมากในพื้นที่วิชันซิสเต็มสำหรับการใช้งานทางอุตสาหกรรม ซึ่งรวมถึงการนับความเร็วสูง การตรวจสอบพื้นผิว และการตรวจสอบการสั่นสะเทือน
โฆษณา
รูปที่ 5: การนับสูงโดยใช้กล้องตามเหตุการณ์
พยากรณ์
ผู้พยากรณ์เพิ่งประกาศความร่วมมือ ร่วมกับผู้พัฒนาระบบแมชชีนวิชันชั้นนำเพื่อใช้ประโยชน์จากโอกาสในระบบอัตโนมัติทางอุตสาหกรรม หุ่นยนต์ ยานยนต์ และ IoT (Internet of Things) โอกาสอื่นๆ ในทันที เช่น การแก้ไขภาพเบลอสำหรับโทรศัพท์มือถือและแอปพลิเคชัน AR/VR สิ่งเหล่านี้ใช้เซ็นเซอร์รูปแบบที่ต่ำกว่าที่ใช้สำหรับโอกาส ADAS/AV ในระยะยาว ใช้พลังงานต่ำกว่า และทำงานด้วยเวลาแฝงที่ต่ำกว่าอย่างมาก
อิสราเอลเป็นผู้ริเริ่มชั้นนำในด้านเทคโนโลยีชั้นสูง โดยมีการลงทุนที่สำคัญและสภาพแวดล้อมในการเริ่มต้นธุรกิจที่กระตือรือร้น ตั้งแต่ปี 2015 มีการลงทุนประมาณ 70 พันล้านดอลลาร์ในภาคเทคโนโลยีเกิดขึ้น. ส่วนหนึ่งอยู่ในขอบเขตของการมองเห็นด้วยคอมพิวเตอร์ Mobileye เป็นหัวหอกในการปฏิวัติครั้งนี้ในปี 1999 เมื่อ Amnon Shashua นักวิจัย AI ชั้นนำของมหาวิทยาลัยฮิบรู ก่อตั้งบริษัทเพื่อมุ่งเน้นไปที่การรับรู้ด้วยกล้องสำหรับ ADAS และ AV บริษัทได้ยื่นขอ IPO ในปี 2014 และถูกซื้อกิจการโดย Intel
โฆษณา
แชมเพิลแคปิตอลซึ่งตั้งอยู่ในกรุงเยรูซาเลม อยู่ในระดับแนวหน้าของการลงทุนในบริษัทต่างๆ ที่พัฒนาผลิตภัณฑ์โดยใช้คอมพิวเตอร์วิทัศน์สำหรับการใช้งานที่หลากหลายตั้งแต่การขนส่ง การเกษตร ไปจนถึงการรักษาความปลอดภัยและความปลอดภัย Amir Weitman เป็นผู้ร่วมก่อตั้งและหุ้นส่วนผู้จัดการและเริ่มต้นบริษัทร่วมทุนของเขาในปี 2017 กองทุนแรกลงทุน 20 ล้านดอลลาร์ใน 14 บริษัท หนึ่งในการลงทุนของพวกเขาคือ Innoviz ซึ่งเผยแพร่สู่สาธารณะผ่านการควบรวมกิจการของ SPAC ในปี 2018 และกลายเป็นยูนิคอร์น LiDAR นำโดย Omer Keilaf (ผู้ซึ่งได้รับการยกย่องจากหน่วยเทคโนโลยีของหน่วยข่าวกรองของกองกำลังป้องกันประเทศอิสราเอล) ปัจจุบันบริษัทเป็นผู้นำในการปรับใช้ LiDAR สำหรับ ADAS และ AVs โดยได้รับรางวัลด้านการออกแบบมากมายจาก BMW และ Volkswagen
กองทุนที่สองของ Champel Capital (Impact Deep Tech Fund II) เริ่มต้นขึ้นในเดือนมกราคม 2022 และระดมทุนได้ 30 ล้านดอลลาร์จนถึงปัจจุบัน (เป้าหมายคือ 100 ล้านดอลลาร์ภายในสิ้นปี 2022) จุดสนใจหลักอยู่ที่การมองเห็นด้วยคอมพิวเตอร์ โดยมีมูลค่า 12 ล้านดอลลาร์สหรัฐฯ นำไปใช้ในบริษัท XNUMX แห่ง สามสิ่งนี้ใช้คอมพิวเตอร์วิทัศน์สำหรับการขนส่งและหุ่นยนต์
ถังยู, ซึ่งตั้งอยู่ในไฮฟา เริ่มดำเนินการในปี 2018 และระดมทุนได้ 10 ล้านดอลลาร์ Dan Valdhorn เป็น CEO และจบการศึกษาจาก Unit 8200 ซึ่งเป็นกลุ่มไฮเทคชั้นยอดในกองกำลังป้องกันประเทศอิสราเอลที่รับผิดชอบด้านสัญญาณอัจฉริยะและการถอดรหัสรหัส ผลิตภัณฑ์ SaaS (Software as a Service) ของ TankU ทำให้กระบวนการทำงานอัตโนมัติและปลอดภัยในสภาพแวดล้อมกลางแจ้งที่ซับซ้อนซึ่งให้บริการยานพาหนะและคนขับ ผลิตภัณฑ์เหล่านี้ถูกใช้โดยเจ้าของยานพาหนะ รถยนต์ส่วนตัว สถานีเติมน้ำมันและชาร์จไฟฟ้าเพื่อป้องกันการโจรกรรมและการฉ้อโกงในธุรกรรมทางการเงินอัตโนมัติ บริการเชื้อเพลิงสำหรับยานยนต์สร้างรายได้ทั่วโลกประมาณ 2 แสนล้านเหรียญต่อปี โดยเจ้าของรถทั้งส่วนบุคคลและเชิงพาณิชย์ใช้เงิน 40% หรือ 800 พันล้านดอลลาร์ ผู้ค้าปลีกและเจ้าของยานพาหนะสูญเสีย ~ 100 พันล้านดอลลาร์ต่อปีเนื่องจากการโจรกรรมและการฉ้อโกง (เช่น การใช้บัตรเติมน้ำมันสำหรับยานพาหนะส่วนตัวที่ไม่ได้รับอนุญาต) การฉ้อโกง CNP (ไม่มีบัตร) และการปลอมแปลง/ขโมยเชื้อเพลิงเป็นแหล่งที่มาของการสูญเสียเพิ่มเติม โดยเฉพาะอย่างยิ่งเมื่อใช้รายละเอียดบัตรที่ถูกขโมยในแอปมือถือสำหรับการชำระเงิน
โฆษณา
ผลิตภัณฑ์ TUfuel ของบริษัทอำนวยความสะดวกในการชำระเงินด้วยการแตะเพียงครั้งเดียว บล็อกการฉ้อโกงส่วนใหญ่ และแจ้งเตือนลูกค้าเมื่อสงสัยว่ามีการฉ้อโกง โดยอิงจากกลไก AI ที่ได้รับการฝึกอบรมจากกล้องวงจรปิดที่มีอยู่ในสิ่งอำนวยความสะดวกเหล่านี้และข้อมูลธุรกรรมดิจิทัล (รวมถึง POS และข้อมูลส่วนหลังอื่นๆ) พารามิเตอร์ต่างๆ เช่น วิถีโคจรและไดนามิกของรถ รหัสรถ เวลาเดินทาง ระยะทาง เวลาเติมน้ำมัน ปริมาณเชื้อเพลิง ประวัติเชื้อเพลิง และพฤติกรรมของผู้ขับขี่ เป็นคุณลักษณะบางอย่างที่ตรวจสอบเพื่อตรวจจับการฉ้อโกง ข้อมูลนี้ยังช่วยให้ผู้ค้าปลีกเพิ่มประสิทธิภาพการทำงานของไซต์ เพิ่มความภักดีของลูกค้า และปรับใช้เครื่องมือทางการตลาดตามวิสัยทัศน์ ตามที่ CEO Dan Valdhorn โซลูชันของพวกเขาตรวจพบ 70% ของฟลีท, 90% ของบัตรเครดิตและ 70% ของการฉ้อโกงที่เกี่ยวข้องกับการปลอมแปลง
รูปที่ 6: TUfuel ใช้ข้อมูลเรียลไทม์จากกล้องวงจรปิดสถานีเติมน้ำมันและข้อมูลดิจิตอลอื่นๆ จาก -
ถังU
โซโนล เป็นบริษัทผู้ให้บริการด้านพลังงานที่เป็นเจ้าของและดำเนินการเครือข่าย 240 สถานีและร้านสะดวกซื้อทั่วอิสราเอล TUfuel ถูกติดตั้งที่ไซต์งานและได้แสดงให้เห็นถึงการรักษาความปลอดภัยที่เพิ่มขึ้น การป้องกันการฉ้อโกง และความภักดีของลูกค้า การทดลองใช้ผลิตภัณฑ์กำลังดำเนินการในสหรัฐอเมริกาโดยร่วมมือกับซัพพลายเออร์ชั้นนำระดับโลกด้านปั๊มน้ำมันและอุปกรณ์ร้านสะดวกซื้อ ความคิดริเริ่มที่คล้ายคลึงกันกำลังดำเนินอยู่ในแอฟริกาและยุโรป
โฆษณา
ตามเทลอาวีฟ ITC ก่อตั้งขึ้นในปี 2019 โดยนักวิชาการด้านแมชชีนเลิร์นนิ่งจากมหาวิทยาลัย Ben-Gurion ITC สร้างผลิตภัณฑ์ SaaS ที่ “วัดการไหลของการจราจร คาดการณ์ความแออัด และบรรเทาความแออัดด้วยการจัดการสัญญาณไฟจราจรอย่างชาญฉลาด ก่อนที่การจราจรจะติดขัด” เช่นเดียวกับ TankU มันใช้ข้อมูลจากกล้องนอกชั้นวาง (ติดตั้งแล้วที่สี่แยกการจราจรจำนวนมาก) เพื่อรับข้อมูลการจราจรสด ข้อมูลจากกล้องหลายพันตัวทั่วเมืองจะได้รับการวิเคราะห์ และพารามิเตอร์ต่างๆ เช่น ประเภทของยานพาหนะ ความเร็ว ทิศทางการเคลื่อนที่ และลำดับของประเภทยานพาหนะ (รถบรรทุกกับรถยนต์) จะถูกดึงออกมาผ่านการใช้อัลกอริธึม AI ที่เป็นเอกสิทธิ์เฉพาะ การจำลองคาดการณ์การไหลของการจราจรและสถานการณ์การจราจรที่อาจติดขัดได้ล่วงหน้า 30 นาที สัญญาณไฟจราจรถูกปรับโดยใช้ผลลัพธ์เหล่านี้เพื่อให้การจราจรไหลลื่นและป้องกันการติดขัด
รูปที่ 7: ข้อมูลจากกล้องหลายพันตัวรวบรวมโดย VMS ภายในเขตควบคุมการจราจรในเมือง -
ITC
การฝึกอบรมระบบ AI ใช้เวลาหนึ่งเดือนของข้อมูลภาพทั่วเมืองทั่วไป และเกี่ยวข้องกับการเรียนรู้ทั้งแบบมีผู้ดูแลและไม่ได้รับการดูแล โซลูชันของ ITC มีการใช้งานแล้วในเทลอาวีฟ (อันดับที่ 25 ของเมืองที่แออัดที่สุดในโลกในปี 2020) โดยมีกล้องหลายพันตัวติดตั้งอยู่ที่ทางแยกหลายร้อยแยกที่ควบคุมโดยสัญญาณไฟจราจร ปัจจุบันระบบของ ITC จัดการรถยนต์ 75K ซึ่งคาดว่าจะเติบโตต่อไป บริษัทกำลังติดตั้ง a ความสามารถที่คล้ายกันใน ลักเซมเบิร์กและกำลังเริ่มทดลองในเมืองใหญ่ของสหรัฐ โซลูชันของบริษัทจัดการยานพาหนะ 300,000 คันทั่วโลกโดยมีสถานที่ปฏิบัติงานในอิสราเอล สหรัฐอเมริกา บราซิล และออสเตรเลีย Dvir Kenig, CTO มีความกระตือรือร้นในการแก้ปัญหานี้ - เพื่อให้ผู้คนกลับมามีเวลาส่วนตัว ลดก๊าซเรือนกระจก เพิ่มผลผลิตโดยรวม และที่สำคัญที่สุดคือ ลดอุบัติเหตุที่ทางแยกที่คับคั่ง ตามที่นายเคนนิก “การใช้งานของเราแสดงให้เห็นว่าการจราจรติดขัดลดลง 30% ช่วยลดเวลาการขับขี่ที่ไม่ก่อผล ความเครียด การสิ้นเปลืองเชื้อเพลิง และมลภาวะ”
โฆษณา
หุ่นยนต์ในร่ม คือ ก่อตั้งขึ้นใน 2018 และ เมื่อเร็ว ๆ นี้ ระดมทุนได้ 18 ล้านเหรียญสหรัฐ. บริษัท ซึ่งตั้งอยู่ใกล้เมืองเทลอาวีฟ ประเทศอิสราเอล พัฒนาและจำหน่ายโซลูชันโดรนไร้คนขับสำหรับการตรวจสอบความปลอดภัยในร่ม ความปลอดภัย และการบำรุงรักษา Doron Ben-David ซีอีโอและผู้ร่วมก่อตั้ง มีประสบการณ์ด้านวิทยาการหุ่นยนต์และวิชาการบินที่สำคัญสะสมที่ IAI
รูปที่ 8: ฝูงบินโดรนอิสระของ Indoor Robotics สามารถขับเคลื่อนตัวเองผ่านเพดานที่ติดตั้งได้ -
หุ่นยนต์ในร่ม
Ofir Bar-Levav เป็นประธานเจ้าหน้าที่ฝ่ายธุรกิจ เขาอธิบายว่าการขาด GPS ทำให้โดรนในร่มไม่สามารถระบุตำแหน่งภายในอาคารได้ (โดยทั่วไปแล้ว GPS จะถูกปฏิเสธหรือไม่ถูกต้อง) นอกจากนี้ ยังขาดโซลูชันการเชื่อมต่อและการจ่ายไฟที่สะดวกและมีประสิทธิภาพ Indoor Robotics แก้ไขปัญหานี้ด้วยกล้องที่ติดตั้งบนโดรน 80 ตัว (บน ล่าง ซ้าย ขวา) และเซ็นเซอร์ระยะอย่างง่ายที่ทำแผนที่พื้นที่ในร่มและเนื้อหาอย่างแม่นยำ ข้อมูลกล้อง (กล้องให้ข้อมูลการแปลเป็นภาษาท้องถิ่นและข้อมูลการทำแผนที่) และเซ็นเซอร์อุณหภูมิ (ติดตั้งบนโดรนด้วย) จะถูกวิเคราะห์โดยระบบ AI เพื่อตรวจจับปัญหาด้านความปลอดภัย ความปลอดภัย และการบำรุงรักษาที่อาจเกิดขึ้น และเตือนลูกค้า โดรนขับเคลื่อนตัวเองผ่าน “แท่นเชื่อมต่อ” ที่ติดตั้งบนเพดาน ซึ่งช่วยประหยัดพื้นที่อันมีค่าและช่วยให้สามารถรวบรวมข้อมูลขณะชาร์จได้ ข้อได้เปรียบทางการเงินของการทำให้กระบวนการทางโลกเป็นไปโดยอัตโนมัติ ซึ่งแรงงานมนุษย์มีความซับซ้อนและมีค่าใช้จ่ายสูงในแง่ของการจัดหางาน การเก็บรักษา และการฝึกอบรม การใช้โดรนทางอากาศกับหุ่นยนต์ภาคพื้นดินยังมีข้อได้เปรียบที่สำคัญในแง่ของเงินทุนและค่าใช้จ่ายในการดำเนินงาน การใช้พื้นที่บนพื้นที่ดีขึ้น อิสระในการเคลื่อนไหวโดยปราศจากสิ่งกีดขวาง และประสิทธิภาพในการบันทึกข้อมูลของกล้อง Mr. Bar-Levav กล่าวว่า TAM (Total Addressable Market) ของ Indoor Robotics ในระบบรักษาความปลอดภัยอัจฉริยะในอาคารจะมีมูลค่า 2026 พันล้านดอลลาร์ภายในปี XNUMX สถานที่ตั้งของลูกค้าที่สำคัญในปัจจุบัน ได้แก่ คลังสินค้า ศูนย์ข้อมูล และสำนักงานของบริษัทชั้นนำระดับโลก
โฆษณา
คอมพิวเตอร์วิทัศน์กำลังปฏิวัติเกมอิสระ – ในระบบการเคลื่อนไหวอัตโนมัติ การรักษาความปลอดภัย การตรวจสอบอาคารอัจฉริยะ การตรวจจับการฉ้อโกง และการจัดการการจราจร พลังของเซมิคอนดักเตอร์และ AI เป็นตัวขับเคลื่อนที่ทรงพลัง เมื่อคอมพิวเตอร์เชี่ยวชาญการสั่งการทางประสาทสัมผัสอันน่าทึ่งนี้ในรูปแบบที่ปรับขนาดได้ ความเป็นไปได้ก็ไม่มีที่สิ้นสุด
ที่มา: https://www.forbes.com/sites/sabbirrangwala/2022/10/04/advances-in-computer-vision-propel-transportation-autonomy/