Liikenneviraston Aurora-älytie avattiin testaajille ympäri maailmaa marraskuussa 2017. Kuvassa Sensible4:n Juto-sähköauto. LEHTIKUVA / OTTO PONTO

Robottiauton syväoppimista testattiin Lapissa lumisella tiellä

Auto pysyi hyvin omalla kaistallaan jopa 65 kilometrin tuntinopeudella.

Maanmittauslaitoksen Paikkatietokeskus on testannut robottiauton syväoppimismenetelmää Muoniossa arktisissa olosuhteissa. Nyt on menossa datan keräysvaihe.

– Keräämme parhaillaan dataa itseajavan auton koneoppimismenetelmien ja eri paikannusmenetelmien testaamiseen. Lapin ajo-olosuhteet ja Aurora-älytie ovat oivallinen ympäristö autonomisen ajamisen tutkimukselle, kertoo tiedotteessa apulaistutkija Jyri Maanpää Maanmittauslaitoksen Paikkatietokeskuksesta.

Aurora-älytie on 9 kilometrin mittainen kansainvälinen älykkään automaattisen liikenteen instrumentoitu testialue valtatie 21:llä Muoniossa. Tutkimusryhmä testasi Lapissa syväoppimismenetelmää, joka pitää auton kaistallaan haastavassakin ympäristössä. Menetelmä käyttää auton etukameran kuvaa sekä laserkeilaimien dataa ympäristön hahmottamiseen.

Auto pysyi hyvin omalla kaistallaan sekä lumisella tiellä että yöllä ajettaessa jopa 65 kilometrin tuntinopeudella. Pieniä ongelmia aiheuttivat kuitenkin esimerkiksi bussipysäkit, sillä ajettavan alueen leventyessä menetelmä korjaa ajoittain ohjauslinjaa hieman liikaa oikealle.

Autonomista ajamista on tutkittu Paikkatietokeskuksen Kaukokartoituksen ja fotogrammetrian osastolla vuodesta 2017. Tutkimus on syntynyt Laserkeilauksen huippuyksikön tutkimustoiminnan jatkohankkeena.

Vuoden verran rakenteilla olleen robottiauton alustana toimivaan Ford Hybrid Mondeoon on tehty tarvittavat laitteistoasennukset. Paikannus- ja ohjausmenetelmien kehitys on nyt saatu vaiheeseen, jossa laajempi datankeruu- sekä testaustoiminta on voitu käynnistää.

Lumen peittämät tiet ja hiekkatiet ovat perinteisille tekoälymenetelmille haastavia, sillä niillä ei ole selkeitä kaista- tai reunaviivoja, joita seurata. Tekoäly voidaan opettaa tunnistamaan erilaisia liikenneolosuhteita. Tämä ei kuitenkaan vielä riitä, vaan tekoälyn on pystyttävä myös tekemään yleistyksiä havainnoistaan.

Autonomisen ajamisen tutkimuksessa on keskitytty syväoppimismenetelmien kehittämiseen. Menetelmillä on saavutettu Paikkatietokeskuksen mukaan huimia tuloksia erilaisissa hahmontunnistusongelmissa, kuten kohteiden tunnistamisessa valokuvista, puheentunnistuksessa ja tekstin analysoinnissa.

– Kehitämme parhaillaan neuroverkkoon perustuvaa menetelmää, joka osaa ennustaa ratin asennon sensoridatan perusteella. Neuroverkkoa on koulutettu auton ajodatalla, jotta se löytää yhteyden sensoreilla havaitun tien ja ratin asennon välillä. Lopputuloksena saadaan kaistavahdin tapainen ratkaisu, joka toimii myös epäselvillä hiekkateillä ja haastavissa talviolosuhteissa. Menetelmän alustavat testiajot ovat vaikuttaneet lupaavilta, kertoo Maanpää.

Laserkeilain on hänen mukaansa yksi varmimmista ja tarkimmista sensorityypeistä, joita voi käyttää itseajavissa autoissa. Sen avulla saadaan mitattua kolmiulotteisia havaintoja kaikentyyppisistä kohteista. Tarkkuuteen ei vaikuta esimerkiksi vuorokaudenajan mukaan vaihtuva valoisuus, vaan sensori itse lähettää valopulsseja havainnoidessaan tietä ja näkee siten pimeässäkin.

Laserkeilaimilla saatua dataa voidaan myös käyttää kameroiden datan rinnalla, jolloin eri sensoreista saadut havainnot tukevat toisiaan ja tekevät ympäristön havainnoinnista entistä luotettavampaa. Esimerkiksi auton paikannusta voidaan parantaa tutkimalla muutoksia sekä laserkeilaimen että kameroiden datassa, jolloin niistä saatavat havainnot auton liikkeestä tukevat toisiaan sekä muista sensoreista saatavaa sijaintitietoa.

Testiajoneuvon rakentamisesta, menetelmäkehityksestä sekä tähänastisista kokemuksista on Paikkatietokeskuksen mukaan valmisteilla neljä diplomityötä ja useita tieteellisiä artikkeleita.

Kommentit

»Kommentoinnin säännöt