Einführung¶
Die Geschichte der selbstfahrenden Autos¶
Schon seit den 1920er Jahren wurden Experimente mit selbstfahrenden Autos durchgeführt. In den 1950er Jahren gab es vielversprechende Versuche, und seitdem hat die Arbeit kontinuierlich Fortschritte gemacht. Die ersten selbständigen und wirklich autonomen Fahrzeuge tauchten in den 1980er Jahren auf, darunter das Navlab und ALV-Projekt der Carnegie Mellon University von 1984 sowie das Eureka Prometheus Projekt von Mercedes-Benz und der Universität der Bundeswehr München von 1987. Seit den späten 1980er Jahren haben zahlreiche Forschungseinrichtungen und große Automobilhersteller, darunter Mercedes-Benz, General Motors, Continental Automotive Systems, Autoliv Inc., Bosch, Nissan, Toyota, Audi, Volvo, Vislab der Universität Parma, die Universität Oxford und Google, funktionierende autonome Fahrzeuge entwickelt. Im Juli 2013 demonstrierte Vislab BRAiVE, ein Fahrzeug, das autonom auf einer für den öffentlichen Verkehr freigegebenen Strecke fuhr. Bis 2019 hatten bereits 29 US-Bundesstaaten Gesetze verabschiedet, die autonome Autos auf öffentlichen Straßen erlauben.
Einige Mitglieder der UNECE und der EU, einschließlich des Vereinigten Königreichs, haben Vorschriften und Regelungen für automatisierte und vollautomatisierte Autos erlassen. In Europa haben Städte in Belgien, Frankreich, Italien und dem Vereinigten Königreich Pläne zum Betrieb von Transportsystemen für fahrerlose Autos, während Deutschland, die Niederlande und Spanien bereits Tests mit Roboterautos im öffentlichen Verkehr erlaubt haben. Im Jahr 2020 sind das Vereinigte Königreich, die EU und Japan bereits auf dem Weg, automatisierte Autos zu regulieren.
Heute sind selbstfahrende Autos die nächstgelegene technologische Revolution. Einige Experten prognostizieren, dass bis 2025 Fahrzeuge der Stufe 4 auf den Markt kommen werden. Diese Autos der Stufe 4 werden es den Fahrern ermöglichen, ihre Aufmerksamkeit komplett abzulenken und sich nicht mehr auf den Verkehr zu konzentrieren, solange das System ordnungsgemäß funktioniert.
Referenz für Stufe 4:
Die jüngsten raschen Fortschritte in Software (Künstliche Intelligenz, Maschinelles Lernen), Hardware (GPUs, FPGAs, Beschleunigungssensoren usw.) und Cloud-Computing treiben diese technologische Revolution voran.
Im Oktober 2010 benötigte ein fahrerloser LKW des italienischen Technologieunternehmens Vislab drei Monate für die Reise von Italien nach China, insgesamt 8.077 Meilen.
Im April 2015 fuhr ein von Delphi Automotive entworfenes Auto von San Francisco nach New York über 3.400 Meilen, wobei 99 Prozent dieser Strecke unter Computerkontrolle zurückgelegt wurden.
Im Dezember 2018 startete Alphabet’s Waymo einen Taxi-Service der Stufe 4 in Arizona, wo sie seit 2008 fahrerlose Autos testeten. Ohne jemanden auf dem Fahrersitz legten die Fahrzeuge mehr als ein Jahr lang über 10 Millionen Meilen zurück.
Im Oktober 2020 eröffnete Baidu seinen Apollo Robotaxi selbstfahrenden Taxi-Service in Peking vollständig. Die Fahrrouten umfassen lokale Wohngebiete, Gewerbegebiete, Freizeit- und Industrieparks und bieten ein vollautomatisches Fahrsystem.
Jedoch, trotz der riesigen Mengen an täglich gesammelten Daten, einschließlich Trainingsdaten aus realen Fahrten und simulierten Szenarien, wurde die Komplexität der KI-Modelle für selbstfahrende Autos noch nicht vollständig erfüllt.
Laut dem RAND-Bericht erfordert das Erreichen des geeigneten Niveaus des autonomen Lernens Trainingsdaten aus hunderten von Millionen oder sogar hunderten von Milliarden von Meilen, um ein Maß an Zuverlässigkeit festzulegen.
Die Zukunft der selbstfahrenden Autos sieht also vielversprechend und spannend aus, doch es stehen noch viele Entwicklungsjahre bevor, bis die Technologie ausgereift genug ist, um auf dem Markt für selbstfahrende Autos vollständig verfügbar zu sein.
Der bewährte Weg, um eine aufkommende Technologie schnell reifen zu lassen, besteht darin, sie durch Minimierung der Markteintrittsanforderungen jedem leicht zugänglich zu machen. Dies ist SunFounders Motivation für den Start von PiCar-X.
SunFounders Ziel ist es, Anfängern und Neulingen, sowie all jenen, die einfach mehr über autonomes Fahren lernen möchten, den Entwicklungsprozess, die Technologie und die neuesten Innovationen im Bereich selbstfahrender Fahrzeuge näherzubringen.
Über PiCar-X¶
Der PiCar-X ist ein KI-gesteuertes selbstfahrendes Roboter-Auto für die Raspberry Pi-Plattform, wobei der Raspberry Pi als Steuerzentrum dient. Mit der 2-Achsen-Kamera, dem Ultraschallmodul und den Linienverfolgungsmodulen des PiCar-X können Funktionen wie Farb-/Gesichts-/Verkehrsschilder-Erkennung, automatische Hindernisvermeidung und automatisches Linienverfolgen realisiert werden.
Mit der von SunFounder entworfenen Robot HAT-Platine integriert der PiCar-X Links-/Rechtsantriebsmotoren, Servomotoren für Lenkung und die Schwenk-/Neigefunktionen der Kamera und setzt die ADC, PWM und Digital I2C Pins des Robot HAT vor, um Erweiterungen der Standardfunktionen des Raspberry Pi zu ermöglichen. Ein Lautsprecher und ein Bluetooth-Chip sind in den Robot HAT integriert, um Text-zu-Sprache, Soundeffekte oder sogar Hintergrundmusikfunktionen fernzusteuern.
Alle Funktionen des PiCar-X, einschließlich GPIO-Steuerung, Computer Vision und Deep Learning, werden über die Open-Source-Programmiersprache Python, OpenCV’s Computer Vision Library-Software und Googles TensorFlow für Deep Learning-Frameworks implementiert. Weitere Software wurde hinzugefügt, um die Fähigkeiten des PiCar-X zu optimieren und dem Benutzer eine nahezu grenzenlose Lernumgebung zu bieten.
Deep Learning und neuronale Netze¶
Um mehr über Deep Learning und neuronale Netze zu erfahren, empfiehlt SunFounder die folgenden Ressourcen:
Maschinelles Lernen - Andrew Ng : Dieser Kurs bietet eine umfassende Einführung in maschinelles Lernen, Datenabbau und statistische Mustererkennung.
Neuronale Netze und Deep Learning : Dieses E-Book behandelt sowohl neuronale Netze, ein biologisch inspiriertes Programmierparadigma, das es einem Computer ermöglicht, aus Beobachtungsdaten zu lernen, als auch Deep Learning, ein leistungsfähiges Set von Techniken für maschinelles Lernen in neuronalen Netzen.
Neudenken der Inception-Architektur für Computer Vision : Dieses hochrangige Whitepaper untersucht, wie Benutzer Netzwerke durch den effizientesten Einsatz zusätzlicher Berechnungen über faktorisierte Faltungen und aggressive Regularisierung skalieren können.