ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်

အရည်အသွေးမြင့် လေ့ကျင့်ရေးဒေတာသည် စွမ်းဆောင်ရည်မြင့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များကို လောင်စာဆီပေးသည်။

ပြီးခဲ့သောဆယ်စုနှစ် သို့မဟုတ် ယင်းထက်နည်းသောကာလတွင်၊ သင်တွေ့ဆုံခဲ့သော ကားထုတ်လုပ်သူတိုင်းသည် စျေးကွက်တွင်လွှမ်းမိုးနေသည့် မောင်းသူမဲ့ကားများ၏ အလားအလာအတွက် စိတ်လှုပ်ရှားနေပါသည်။ ကားထုတ်လုပ်သူအချို့သည် အဝေးပြေးလမ်းမပေါ်တွင် ကိုယ်တိုင်မောင်းနှင်နိုင်သည့် 'ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်မရှိသော' ယာဉ်များကို ထုတ်ဖော်ပြသခဲ့သော်လည်း (ယာဉ်မောင်းများထံမှ အဆက်မပြတ်စောင့်ကြည့်နေသည့်) ကျွမ်းကျင်ပညာရှင်များက ယုံကြည်ထားသည့်အတိုင်း ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရနည်းပညာသည် ဖြစ်မလာသေးပေ။

2019 မှာ တစ်ကမ္ဘာလုံးမှာ လောက်ရှိခဲ့တယ်။ 31 သန်း စစ်ဆင်ရေးများတွင် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များ (ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရအဆင့်အချို့)။ ဤအရေအတွက်သည် 54 ခုနှစ်တွင် 2024 သန်းအထိတိုးလာရန်ခန့်မှန်းထားသည်။ လမ်းကြောင်းများက 60 တွင် 3% ကျဆင်းသွားသော်လည်းစျေးကွက်သည် 2020% တိုးတက်နိုင်ကြောင်းပြသထားသည်။

မောင်းသူမဲ့ကားများကို မျှော်လင့်ထားသည်ထက် များစွာနောက်ကျပြီး မောင်းနှင်နိုင်သည့် အကြောင်းရင်းများစွာရှိသော်လည်း အဓိကအကြောင်းအရင်းမှာ ထုထည်၊ ကွဲပြားမှုနှင့် တရားဝင်မှုဆိုင်ရာ အရည်အသွေးဆိုင်ရာ လေ့ကျင့်ရေးဒေတာ မရှိခြင်းပင်ဖြစ်သည်။ သို့သော် လေ့ကျင့်ရေးဒေတာသည် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်ဖွံ့ဖြိုးတိုးတက်မှုအတွက် အဘယ်ကြောင့်အရေးကြီးသနည်း။

ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များအတွက် လေ့ကျင့်ရေးဒေတာ၏ အရေးပါမှု

ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များ AI ၏ အခြားအပလီကေးရှင်းများထက် ဒေတာမောင်းနှင်မှုနှင့် ဒေတာကို မှီခိုမှုပိုများသည်။ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်စနစ်များ၏ အရည်အသွေးသည် အသုံးပြုထားသော လေ့ကျင့်ရေးဒေတာအမျိုးအစား၊ ထုထည်နှင့် ကွဲပြားမှုအပေါ်တွင် များစွာမူတည်ပါသည်။

ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များသည် အကန့်အသတ်မရှိ သို့မဟုတ် လူအချင်းချင်းအပြန်အလှန် မောင်းနှင်နိုင်စေရန် သေချာစေရန်၊ ၎င်းတို့သည် လမ်းမများပေါ်ရှိ အချိန်နှင့်တပြေးညီ လှုံ့ဆော်မှုများနှင့် နားလည်သဘောပေါက်ရန်၊ အသိအမှတ်ပြုရန်နှင့် အပြန်အလှန်တုံ့ပြန်ရမည်ဖြစ်သည်။ ဒီလိုဖြစ်လာဖို့၊ အများကြီး အာရုံကြောကွန်ရက်များ ဘေးကင်းသော လမ်းကြောင်းပြမှုကို ပို့ဆောင်ရန်အတွက် အာရုံခံကိရိယာများမှ စုဆောင်းရရှိထားသော ဒေတာများကို အပြန်အလှန်တုံ့ပြန်ပြီး လုပ်ဆောင်ရပါမည်။

ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များအတွက် လေ့ကျင့်ရေးဒေတာကို မည်သို့ရယူရမည်နည်း။

ယုံကြည်စိတ်ချရသော AV စနစ်အား အချိန်နှင့်တပြေးညီ ကြုံတွေ့ရနိုင်သည့် ဖြစ်နိုင်ခြေရှိသော အခြေအနေတိုင်းတွင် လေ့ကျင့်ပေးထားသည်။ တိကျသောယာဉ်အမူအကျင့်ကိုထုတ်လုပ်ရန်အတွက် ပတ်ဝန်းကျင်ပြောင်းလွဲမှုများရှိ အရာဝတ္ထုများကို အသိအမှတ်ပြုရန် ပြင်ဆင်ထားရပါမည်။ သို့သော် အစွန်းအဖျားကိစ္စတိုင်းကို တိကျစွာကိုင်တွယ်ဖြေရှင်းရန် ဤမျှများပြားသောဒေတာအတွဲများကို စုဆောင်းခြင်းသည် စိန်ခေါ်မှုတစ်ခုဖြစ်သည်။

AV စနစ်အား ကောင်းစွာလေ့ကျင့်ရန်၊ ရုပ်ပုံတစ်ခုအတွင်းရှိ အရာဝတ္ထုများကို ခွဲခြားဖော်ပြရန်နှင့် ဖော်ပြရန်အတွက် ဗီဒီယိုနှင့် ရုပ်ပုံမှတ်စုနည်းပညာများကို အသုံးပြုပါသည်။ လေ့ကျင့်ရေးဒေတာကို ကင်မရာမှထုတ်လုပ်ထားသော ဓာတ်ပုံများကို အသုံးပြု၍ ပုံများကို အမျိုးအစားခွဲခြားသတ်မှတ်ကာ တိကျစွာ အညွှန်းတပ်ခြင်းဖြင့် စုဆောင်းပါသည်။

မှတ်သားထားသော ပုံများသည် စက်သင်ယူမှုစနစ်များနှင့် ကွန်ပျူတာများ လိုအပ်သည့် လုပ်ငန်းဆောင်တာများကို မည်သို့လုပ်ဆောင်ရမည်ကို လေ့လာရန် ကူညီပေးပါသည်။ အချက်ပြများ၊ လမ်းဆိုင်းဘုတ်များ၊ လမ်းသွားလမ်းလာများ၊ ရာသီဥတုအခြေအနေ၊ ယာဉ်များကြားအကွာအဝေး၊ အနက်နှင့် အခြားသက်ဆိုင်ရာအချက်အလက်များကဲ့သို့သော ဆက်စပ်အကြောင်းအရာများကို ပေးဆောင်ပါသည်။

ထိပ်တန်းကုမ္ပဏီအများအပြားသည် မတူညီသောပုံသဏ္ဌာန်များနှင့် လေ့ကျင့်ရေးဒေတာအတွဲများကို ပံ့ပိုးပေးသည်။ ဗီဒီယိုမှတ်စုများ AI မော်ဒယ်များကို တီထွင်ရန်အတွက် developer များ အသုံးပြုနိုင်သည့် ဖော်မတ်များ။

သင်တန်းဒေတာက ဘယ်ကလာတာလဲ။

ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များသည် ၎င်းတို့၏ပတ်ဝန်းကျင်တစ်ဝိုက်ရှိ အချက်အလက်များကို စုဆောင်းရန်၊ အသိအမှတ်ပြုရန်နှင့် အဓိပ္ပာယ်ဖွင့်ဆိုရန်အတွက် အာရုံခံကိရိယာများနှင့် စက်အမျိုးမျိုးကို အသုံးပြုသည်။ ဥာဏ်ရည်တုဖြင့် စွမ်းဆောင်နိုင်သော စွမ်းဆောင်ရည်မြင့် AV စနစ်များ ဖွံ့ဖြိုးတိုးတက်ရန်အတွက် အမျိုးမျိုးသော အချက်အလက်နှင့် မှတ်ချက်များကို လိုအပ်ပါသည်။

အသုံးပြုသည့်ကိရိယာအချို့မှာ-

  • ကင်မရာ:

    ယာဉ်ပေါ်ရှိ ကင်မရာများသည် 3D နှင့် 2D ရုပ်ပုံများနှင့် ဗီဒီယိုများကို မှတ်တမ်းတင်သည်။

  • ရေဒါ-

    ရေဒါသည် အရာဝတ္ထု ခြေရာခံခြင်း၊ ထောက်လှမ်းခြင်းနှင့် ရွေ့လျားမှု ခန့်မှန်းခြင်းဆိုင်ရာ ယာဉ်အတွက် အရေးကြီးသော အချက်အလက်ကို ပေးပါသည်။ ၎င်းသည် တက်ကြွသောပတ်ဝန်းကျင်၏ ဒေတာကြွယ်ဝသောကိုယ်စားပြုမှုကို တည်ဆောက်ရာတွင်လည်း ကူညီပေးပါသည်။

ကိုင်တွယ်ရန်

  • LiDaR (အလင်းရှာဖွေခြင်းနှင့် အကွာအဝေး)-

    2D space တွင် 3D ရုပ်ပုံများကို တိကျစွာအဓိပ္ပာယ်ပြန်ဆိုရန် LiDAR ကို အသုံးပြုရန် အရေးကြီးပါသည်။ LiDAR သည် လေဆာကို အသုံးပြု၍ အတိမ်အနက်နှင့် အကွာအဝေးနှင့် အနီးကပ်အာရုံခံခြင်းတို့ကို တိုင်းတာရာတွင် ကူညီပေးသည်။

သင်၏ AI Model ကိုလေ့ကျင့်ရန် အရည်အသွေးမြင့် Computer Vision Dataset

ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်လေ့ကျင့်ရေးဒေတာကို စုဆောင်းနေစဉ် သတိပြုပါ။

မောင်းသူမဲ့ယာဉ်ကို လေ့ကျင့်သင်ကြားပေးခြင်းသည် တစ်ခုတည်းသောအလုပ်မဟုတ်ပါ။ စဉ်ဆက်မပြတ် တိုးတက်မှု လိုအပ်သည်။ အပြည့်အဝကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်သည် လူသားအကူအညီလိုအပ်သော မောင်းသူမဲ့ကားများအတွက် ပိုမိုဘေးကင်းသောအစားထိုးမှုတစ်ခုဖြစ်နိုင်သည်။ ဒါပေမယ့် ဒီစနစ်ဟာ မတူကွဲပြားတဲ့ အမြောက်အမြားနဲ့ လေ့ကျင့်သင်ကြားရမှာ ဖြစ်ပါတယ်။ အရည်အသွေးမြင့် လေ့ကျင့်ရေးဒေတာ။

ထုထည်နှင့် ကွဲပြားမှု

သင်လေ့ကျင့်ပေးသောအခါတွင် ပိုမိုကောင်းမွန်ပြီး ယုံကြည်စိတ်ချရသော စနစ်တစ်ခုကို တီထွင်နိုင်မည်ဖြစ်သည်။ စက်သင်ယူမှု မတူကွဲပြားသော ဒေတာအတွဲအမြောက်အများကို စံပြပါ။ ဒေတာအတွဲတစ်ခုသည် လုံလောက်သည့်အချိန်နှင့် လက်တွေ့ကမ္ဘာအတွေ့အကြုံ လိုအပ်သည့်အခါတွင် တိကျစွာခွဲခြားသတ်မှတ်နိုင်သည့် ဒေတာဗျူဟာတစ်ခုဖြစ်သည်။

ကားမောင်းခြင်း၏ အချို့သော ကဏ္ဍများသည် လက်တွေ့ကမ္ဘာ အတွေ့အကြုံမှသာလျှင် လာပါသည်။ ဥပမာအားဖြင့်၊ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်သည် အချက်ပြခြင်းမရှိဘဲ လှည့်ခြင်း သို့မဟုတ် လမ်းသွားလမ်းလာ လမ်းလျှောက်ခြင်းကဲ့သို့ ကွဲလွဲနေသော လက်တွေ့ကမ္ဘာအခြေအနေများကို ကြိုတင်မျှော်လင့်ထားသင့်သည်။

အရည်အသွေးမြင့်နေချိန် အချက်အလက်မှတ်စု ကြီးမားသောအတိုင်းအတာအထိ ကူညီပေးသည်၊ ၎င်းအား လေ့ကျင့်မှုနှင့် အတွေ့အကြုံသင်တန်းကာလအတွင်း ထုထည်နှင့် ကွဲပြားမှုဆိုင်ရာ အချက်အလက်များ ရယူရန်လည်း အကြံပြုထားသည်။

မှတ်ချက်အတွက် တိကျမှု မြင့်မားသည်။

သင်၏စက်သင်ယူမှုနှင့် နက်နဲသောသင်ယူမှုပုံစံများကို သန့်ရှင်းပြီး တိကျသောဒေတာအတွက် လေ့ကျင့်ပေးရပါမည်။ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရှိသည်။ ကားတွေမောင်းတယ်။ ပိုမိုယုံကြည်စိတ်ချရပြီး တိကျမှုအဆင့်မြင့်မားလာသည်ကို မှတ်တမ်းတင်ထားသော်လည်း ၎င်းတို့သည် 95% တိကျမှုမှ 99% သို့ ရွှေ့ရန် လိုအပ်နေသေးသည်။ ထိုသို့လုပ်ဆောင်ရန်၊ ၎င်းတို့သည် လမ်းကို ကောင်းစွာရိပ်မိပြီး လူ့အမူအကျင့်များ၏ ပုံမှန်မဟုတ်သော စည်းမျဉ်းများကို နားလည်ရမည်ဖြစ်သည်။

အရည်အသွေးပြည့်မီသော ဒေတာမှတ်ချက်ရေးနည်းများကို အသုံးပြုခြင်းဖြင့် စက်သင်ယူမှုပုံစံ၏ တိကျမှုကို မြှင့်တင်ပေးနိုင်ပါသည်။

  • သတင်းအချက်အလက်စီးဆင်းမှုတွင် ကွာဟမှုများနှင့် ကွာဟမှုများကို ဖော်ထုတ်ပြီး ဒေတာတံဆိပ်ကပ်ခြင်းဆိုင်ရာ လိုအပ်ချက်များကို မွမ်းမံထားခြင်းဖြင့် စတင်ပါ။
  • လက်တွေ့ကမ္ဘာ၏ အစွန်းအထင်းဖြစ်ရပ်များကို ဖြေရှင်းရန် ဗျူဟာများကို တီထွင်ပါ။
  • နောက်ဆုံးပေါ် လေ့ကျင့်ရေးပန်းတိုင်များကို ထင်ဟပ်စေရန် မော်ဒယ်နှင့် အရည်အသွေး စံနှုန်းများကို ပုံမှန် မြှင့်တင်ပါ။
  • နောက်ဆုံးပေါ်တံဆိပ်တပ်ခြင်းနှင့် အသုံးပြုသည့် ယုံကြည်စိတ်ချရပြီး အတွေ့အကြုံရှိသော ဒေတာလေ့ကျင့်ရေးလုပ်ဖော်ကိုင်ဖက်တစ်ဦးနှင့် အမြဲလက်တွဲပါ။ မှတ်ချက်ရေးနည်းများ အကောင်းဆုံးအလေ့အကျင့်များ။

ဖြစ်နိုင်သောအသုံးပြုမှုကိစ္စများ

  • Object Detection & Tracking

    ပုံတစ်ပုံတွင် လမ်းသွားလမ်းလာများ၊ ကားများ၊ လမ်းအချက်ပြများနှင့် အခြားအရာများကဲ့သို့သော အရာဝတ္ထုများကို မှတ်သားရန်အတွက် မှတ်ချက်ရေးနည်းများစွာကို အသုံးပြုပါသည်။ ၎င်းသည် အလိုအလျောက်မောင်းနှင်သည့်ယာဉ်များကို ပိုမိုတိကျမှန်ကန်စွာဖြင့် အရာများကိုရှာဖွေပြီး ခြေရာခံရန် ကူညီပေးသည်။

  • နံပါတ်ပြား ထောက်လှမ်းခြင်း။

    နံပါတ်ပြား ထောက်လှမ်းခြင်း/ အသိအမှတ်ပြုမှု အဝိုင်းပုံးပုံမှတ်စာနည်းပညာ၏အကူအညီဖြင့်၊ နံပါတ်ပြားများကို မော်တော်ယာဥ်ပုံများမှ အလွယ်တကူ ထုတ်ယူနိုင်သည်။

  • Semaphore ပိုင်းခြားစိတ်ဖြာခြင်း။

    တဖန်၊ ဘောင်ခတ်ထားသောဘောက်စ်နည်းစနစ်ကို အသုံးပြု၍ အချက်ပြမှုများနှင့် ဆိုင်းဘုတ်များကို အလွယ်တကူ ခွဲခြားသိမြင်နိုင်ပြီး မှတ်စုပြုပါသည်။

  • လမ်းလျှောက်ခြေရာခံစနစ်

    လမ်းသွားလမ်းလာ ခြေရာခံခြင်းကို ဗီဒီယိုဘောင်တစ်ခုစီတွင် ခြေရာခံပြီး မှတ်သားထားခြင်းဖြင့် လမ်းသွားလမ်းလာများကို ခြေရာခံခြင်းအား အလိုအလျောက်ထိန်းချုပ်နိုင်သောယာဉ်သည် လမ်းသွားလမ်းလာများ၏ လှုပ်ရှားမှုကို တိကျစွာသိရှိနိုင်စေရန် လုပ်ဆောင်ပါသည်။

  • လမ်းကြောကွဲပြားခြင်း။

    လမ်းကြောကွဲပြားခြင်းသည် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်စနစ် ဖွံ့ဖြိုးတိုးတက်ရေးတွင် အရေးပါသောအခန်းကဏ္ဍမှ ပါဝင်ပါသည်။ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်များတွင်၊ တိကျသောလမ်းကြောကွဲပြားမှုကိုသိရှိနိုင်စေရန် polyline မှတ်ချက်များကိုအသုံးပြု၍ လမ်းကြောများ၊ လမ်းများနှင့် လမ်းစင်္ကြံများအပေါ်တွင် မျဉ်းကြောင်းများကို ရေးဆွဲထားသည်။

  • ADAS စနစ်များ

    အဆင့်မြင့် ယာဉ်မောင်းအကူအညီစနစ်များသည် အလိုအလျောက်မောင်းနှင်သည့်ယာဉ်များကို လမ်းဆိုင်းဘုတ်များ၊ လမ်းသွားလမ်းလာများ၊ အခြားကားများ၊ ပါကင်အကူအညီနှင့် ယာဉ်တိုက်မှုသတိပေးချက်များကို သိရှိနိုင်ရန် ကူညီပေးပါသည်။ ဖွင် ကွန်ပျူတာရူပါရုံကို in Adasအရာဝတ္ထုများနှင့် အခြေအနေများကို သိရှိနားလည်ပြီး အချိန်နှင့်တစ်ပြေးညီ အရေးယူနိုင်ရန် လမ်းဆိုင်းဘုတ်ပုံအားလုံးကို မှတ်သားထားရပါမည်။

  • Driver Monitoring System/ In-cabin Monitoring

    ကားအတွင်းခန်းစောင့်ကြပ်ကြည့်ရှုခြင်းသည်လည်း မော်တော်ယာဥ်စီးနင်းသူများနှင့် အခြားသူများ၏ဘေးကင်းမှုကို သေချာစေပါသည်။ ကားအတွင်းတွင် တပ်ဆင်ထားသော ကင်မရာသည် အိပ်ငိုက်ခြင်း၊ မျက်လုံးအကြည့်၊ အာရုံပြောင်းခြင်း၊ စိတ်ခံစားမှုနှင့် အခြားအရာများကဲ့သို့သော အရေးကြီးသော ယာဉ်မောင်းအချက်အလက်များကို စုဆောင်းပါသည်။ ဤအခန်းတွင်းရှိ ပုံများကို တိကျစွာ မှတ်ယူထားပြီး စက်သင်ယူမှု မော်ဒယ်များကို လေ့ကျင့်ရန်အတွက် အသုံးပြုပါသည်။

Shaip သည် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်စနစ်များကို ပါဝါပေးရန်အတွက် လုပ်ငန်းများကို အရည်အသွေးမြင့်လေ့ကျင့်ရေးဒေတာများပေးဆောင်ရာတွင် အဓိကအခန်းကဏ္ဍမှပါဝင်နေသည့် ထိပ်တန်းဒေတာမှတ်စုကုမ္ပဏီတစ်ခုဖြစ်သည်။ ကျွန်တော်တို့ရဲ့ ပုံအညွှန်းနှင့် မှတ်ချက်တိကျမှု ကျန်းမာရေးစောင့်ရှောက်မှု၊ လက်လီအရောင်းဆိုင်နှင့် မော်တော်ယာဥ်များကဲ့သို့သော စက်မှုလုပ်ငန်းကဏ္ဍအသီးသီးတွင် ထိပ်တန်း AI ထုတ်ကုန်များကို တည်ဆောက်ရန် ကူညီပေးခဲ့သည်။

ကျွန်ုပ်တို့သည် သင့်စက်သင်ယူမှုနှင့် နက်ရှိုင်းသောသင်ယူမှုမော်ဒယ်များအားလုံးအတွက် ကွဲပြားသောလေ့ကျင့်ရေးဒေတာအတွဲအမြောက်အမြားကို အပြိုင်အဆိုင်စျေးနှုန်းများဖြင့် ပံ့ပိုးပေးပါသည်။

ယုံကြည်စိတ်ချရပြီး အတွေ့အကြုံရှိသော လေ့ကျင့်ရေးဒေတာပံ့ပိုးသူဖြင့် သင်၏ AI ပရောဂျက်များကို အသွင်ပြောင်းရန် အသင့်ပြင်ထားပါ။

လူမှုဝေမျှမယ်