Aby mohly automatizované systémy od řidičů převzít kontrolu nad vozem, musí vozidlo pochopit okamžité chování všech účastníků provozu. Jen tak se může systém v každé situaci rozhodnout správně. Tento úkol nejlépe zvládají algoritmy využívající metody hlubokého strojového učení (deep machine learning). 

„Umělá inteligence hraje důležitou roli při nahrazování lidských činností. Se softwarem, který jí bude vybaven, dokáže auto správně vyhodnotit i komplexní a nepředvídatelné dopravní situace – nebude se rozhodovat jen podle toho, co se děje před vozem, ale vezme v úvahu i to, co by se vůbec mohlo dít,“ říká Karl Haupt, vedoucí oddělení pokročilých asistenčních systémů společnosti Continental,  „umělou inteligenci považujeme za klíčovou technologii pro automatizované řízení.  Je zkrátka součástí budoucnosti automobilismu.“

Porozumění situaci a znalost kontextu

Umělá inteligence otevírá nové možnosti pro systémy počítačového vidění. Díky ní budou například umět rozeznat lidi a vyhodnotit jejich úmysly a gesta. Continental používá umělou inteligenci, aby systémům ve vozidle dodal lidské schopnosti. „Auto by mělo být natolik inteligentní, aby rozumělo svému řidiči i dění okolo,“ říká Robert Thiel, vedoucí strojového učení v oddělení pokročilých asistenčních systémů. Nejlepším příkladem je reakce na chodce.

Algoritmus pracující s pravidly na něj zareaguje až v okamžiku, kdy chodec opravdu vstupuje do vozovky. Naproti tomu algoritmus na bázi umělé inteligence dokáže v předstihu správně určit záměry přibližujícího se chodce. V tomto ohledu se umělá inteligence podobá zkušenému řidiči, jenž instinktivně rozpoznává potenciálně nebezpečné situace a je připraven včas brzdit. K tomu je potřeba plně porozumět celé situaci, předpokládat budoucí dění a podle toho odpovídajícím způsobem reagovat.

Hluboké strojové učení jako virtuální autoškola

Systémy umělé inteligence se musí, stejně jako lidé, nejdříve naučit řídit. Jako autoškola jim slouží metoda „učení pod dozorem“. Software analyzuje obrovské množství dat, z nichž odvozuje úspěšné a neúspěšné strategie pro další akci. Nabyté znalosti následně uplatňuje při řízení vozu. Tato schopnost učení se se u algoritmů neustále vyvíjí. Data pro strojové učení se získávají ukládáním signálů z radaru a kamery ze skutečného provozu. Právě obrovská databáze takových údajů je v případě společnosti Continental základním kamenem vývoje umělé inteligence.

Společnost spoléhá na umělou inteligenci při řešení extrémně komplexních úkolů, například při detekci chodců, kdy na základě milionů vstupních dat vznikají konkrétní parametry pro návrh celého řešení. To vyžaduje vytvoření systému, jenž kombinuje a parametrizuje vstupní data, tedy miliony pixelů z obrazu kamery pro detekci chodců. Druhým krokem je, aby systém uměl vyhledat každou kombinaci vlastních parametrů, která vede k vyřešení problému.

Sériová výroba tohoto systému bude zahájena s příchodem páté generace multifunkční kamery. Již její předchozí generace ale využívá postupy hlubokého učení. Metody na něm založené slouží k ovládnutí komplexních situací na různých úrovních – od sledování okolí vozu až k plánování konkrétních jízdních strategií pro ovládání vozidla. Tyto metody jsou navíc škálovatelné. To znamená, že více dat a více výpočetního výkonu vede k lepším výsledkům.