לראות את הכביש אחרת

אחת הבעיות בדרך לפריצת כלי הרכב האוטונומיים לשוק היא דרישות בטיחות מחמירות, הדורשות ממערכות הרכב להסתמך לא רק על מצלמה בניתוח הכביש, אלא גם על מכ"ם הרגיש פחות להגבלות ראות. מערכות בינה מלאכותית לומדות לנתח תמונות על בסיס תיוג שעשו בני אדם, אבל איך אפשר ללמד מערכת כזו לפענח תמונות מכ"ם השונות מאוד ממה שבני אדם רגילים לראות ולתייג? חוקרים מאוניברסיטת בר-אילן מציעים פתרון: בינה מלאכותית שתלמד לנתח את הקורה בכביש באמצעות השוואה בין צילומי המצלמה לתמונות המכ"ם. 

תוכנת מחשב המדמה את ניתוח המידע במוח. הדמיה של רשת עצבית | איור: Evannovostro, Shutterstock

עצבים בכביש  

נדמה כי מהפכת כלי הרכב האוטונומיים נמצאת מעבר לפינה, והיא צפויה לשנות מהותית את האופן שבו אנשים וסחורות מתניידים ממקום למקום. עם זאת, חדירתם לשוק של כלי רכב כאלה מתעכבת בשל אתגרים טכנולוגיים שנועדו לספק מענה מיטבי לבטיחות המשתמשים בדרך. רשויות הבקרה דורשות כיום כי כלי רכב  אוטונומיים יתבססו על מנגנוני חישה נפרדים שביניהם יש יְתִירוּת, כלומר מנגנונים המספקים מידע זהה לרכב. הדרישה ליתירות במנגנוני החישה נובעת מהצורך לספק רשתות הגנה במקרה של כשלים טכניים, או של תנאים סביבתיים המקשים על פעילותה של מערכת אחת של חיישנים. שלושת המנגנונים העיקריים בשימוש הם מצלמה, מכ"ם (מגלה כיוון ומרחק, RADAR) המבוסס על גלי רדיו, ומכ"ם המבוסס על לייזר ( LiDAR). לדוגמה, מצלמות כיום מספקות מידע איכותי ואמין לנהיגה אוטונומית, אולם בתנאי ראות ירודים כמו בחושך או ערפל יעילותן תיפגע. לעומת המצלמה, מכ"ם מבוסס גלי רדיו אינו מושפע מתנאי ראות ירודים, אולם הוא פחות יעיל בניתוח של תמונת הדרך.

פילוח הכביש (road segmentation) הוא תהליך שבו מחשב הרכב ממפה את קטע הדרך שלפניו, כדי לזהות את גבולות הכביש וגופים בדרך, כמו כלי רכב אחרים. זהו הבסיס לכל אלגוריתם של נסיעה אוטונומית. כיום משימת הפילוח מבוצעת על בסיס שיטות של למידת מכונה שהוכחו כיעילות ביותר למטרות אלה. התוכנה שקולטת את תמונות המצלמה מבוססת על רשתות עצביות, תוכנות מחשב המדמות את האופן שבו רשת תאי העצב במוח מנתחת מידע. הרשתות העצביות הן מודלים מתמטיים מורכבים שאינן מנוסחות על ידי אדם, אלא "מאומנות" באופן אוטומטי באמצעות סט של תמונות אימון מתויגות – לדוגמה, תמונות של מכונית שתויגו ככאלה, תמונות מתויגות של אופניים, וכן הלאה. לאחר אימונן, הרשתות מסוגלות לקבל תמונה, לנתח אותה ולזהות את העצמים המופיעים בה.

בעוד אימון של רשתות עצביות עבור תמונות מצלמה אפשרית בעזרת תמונות שתייגו בני אדם, גישה זאת אינה יעילה עם תמונות מכ"ם שהן הרבה יותר מעורפלות וקשות לפענוח. בתמונות מכ"ם יש הרבה רעש כתוצאה מהחזרים ממשטחים שונים ומגוונים בסביבת הנסיעה, ואי אפשר לשייך בקלות אות בתמונת המכ"ם לעצם מסוים בסביבה. אתגרים אלה מקשים על שימוש במכ"ם לצורך פילוח הכביש ושימוש במידע ממנו לניווט כלי רכב אוטונומיים.

שלוש נקודות מבט על אותו כביש. למעלה: תמונת המכ"מ, למטה: מצלמה בתנאי ראות לקויה, במרכז: התמונה המשולבת של הבינה המלאכותית | צילום מתוך מאמר המחקר

הצמדת טכנולוגיות

חוקרים מאוניברסיטת בר-אילן, מציעים במחקר חדש לפתור את הבעיה באמצעות שימוש במצלמה בצמוד למכ"ם, ורתימת תמונות המצלמה ככלי לאימון רשתות עצביות שנועדו לנתח תמונות מכ"ם. תמונות המצלמה עוברות לרשת עצבית שאומנה מראש לנתח תמונות והן מזהות ומתייגות חפצים בתמונה, והתמונה המתויגת משמשת לאמן את המערכת בפענוח תמונות המכ"ם שצולמו עם תמונת המצלמה. אף על פי ששיטה זו אינה מביאה לסיווג מדויק של תמונות כמו של רשת עצבית שאומנה באמצעות תמונות שתויגו באופן ידני, היא בכל זאת מביאה לתוצאות חיוביות היכן שעד כה היה חסר פתרון יעיל.

במחקר של פרופ' זאב זלבסקי, איתי אור וד"ר מושיק כהן, מצאו החוקרים כי הרשת העצבית הצליחה לסווג בהצלחה תמונות מהמכ"ם, ולזהות את שטחי הכביש הפנויים לנסיעה. יתרה מכך, במקרים שבהם תמונות המצלמה היו משובשות עקב טיפות גשם, תחזית המכ"ם אף עלתה על זו של המצלמה – כפי שרצוי מהמנגנונים היתירים שנועדו לחפות זה על זה. הגישה החדשנית המוצגת במחקר עשויה לפתוח כיוון חדש למחקר של עיבוד מידע מחיישנים, במטרה לשכלל את שיטות החישה הקיימות ולקרב את מהפכת כלי הרכב  האוטונומיים.