Название базовой системы (платформы): | Искусственный интеллект (ИИ, Artificial intelligence, AI) |
Разработчики: | Cognitive Pilot (Когнитив Роботикс) |
Дата премьеры системы: | 2024/02/07 |
Отрасли: | Транспорт |
Технологии: | Системы безопасности и контроля автотранспорта, Системы видеоаналитики |
Основные статьи:
2024: Представление системы Cognitive Smart OoD
Cognitive Pilot решила сложную задачу при обучении нейросетей, которая позволяет обеспечивать максимальный уровень безопасности систем автономного управления и экономить десятки человеко-лет при их разработке. Об этом компания сообщила 7 февраля 2024 года.
Выбор редких интересных данных из видеопотока является чрезвычайно важным этапом, особенно на поздних стадиях обучения нейронных сетей. Именно он позволяет достигнуть максимальной точности распознавания объектов и крайне важен при решении задач класса life critical (критичных для жизни человека) к которым относятся системы автопилотирования трамваем, трактором и иными транспортными средствами, призванных обеспечить безопасность участников движения в любых условиях. Система управления рисками и внутреннего контроля (СУРиВК) GRC на «Триафлай» — это просто
Специалисты Cognitive Pilot предложили продуктивный метод автоматического поиска необычных данных в видеопотоке. Ими была разработана технология Cognitive Smart OoD (от международного названия этого направления - Out-of-Distribution detection), позволяющая осуществлять такой поиск автоматически.
Суть подхода, разработанного Cognitive Pilot, состоит в следующем. Если обучить нейронную сеть на наиболее часто встречающихся при движении транспортного средства изображениях, с чем у разработчиков, как правило, проблем не возникает, то система в этом случае может обеспечить только базовый, близкий к промышленному уровень безопасности. Но для того, чтобы система автопилотирования гарантировала безопасность транспортного средства, нужно, чтобы нейронная сеть была обучена всем ситуациям, которые только могут возникнуть в процессе ее эксплуатации. Чтобы учесть это, нейронную сеть необходимо обучить всевозможным редким ситуациям, с чем и возникают большие сложности.
![]() | Открытие ученых и инженеров Cognitive Pilot означает, что найдено средство автоматического обучения автопилота всевозможным случайностям, которые могут возникнуть при движении транспортного средства. А это значит, что практически во всех случаях наша система автопилотирования способна четко понимать ситуацию на дороге, в поле, на рельсах и адекватно на нее реагировать, обеспечивая максимальную безопасность движения. Это огромный технологический прорыв, чрезвычайно большое событие на рынке систем И», — сказала генеральный директор Cognitive Pilot Ольга Ускова. | ![]() |
Примером редких, нетипичных данных может быть частично заслоненный светофор, вспышка молнии во время движения, животное в поле, необычная машина и даже метеорит.
Поиск такого рода объектов в видеопотоке традиционным, "ручным" способом является чрезвычайно трудоемкой и утомительной процедурой, которая занимает у разработчиков ИИ многие недели, а то и месяцы.
![]() | Это как добыча радия, может занимать десятки человеко-лет, — рассказывает руководитель направления беспилотного транспорта Cognitive Pilot Геннадий Савицкий. Произвести качественный отбор изображений такого рода специалисту по разметке вручную просто нереально. Уникальных кадров может быть один на миллион, они просто на вес золота. Мы же это делаем, фактически, по нажатию клавиши. | ![]() |
Технология Cognitive Smart OoD позволяет правильно классифицировать и упорядочивать редкие и необычные объекты. На первом этапе производится оценка датасета на предмет содержания редких изображений. Это осуществляется с помощью нейронной сети, обученной на достаточно большом разнообразном наборе данных.
На втором этапе, для поиска нетипичных данных и данных с редкими признаками в Cognitive Smart OoD используются статистические методы.
Cogniitve Pilot ранее уже представляла результаты работ по автоматизации поиска репрезентативных данных в видеопотоке.
![]() | Возможность автоматизации отбора редких данных является громадным шагом вперед, продолжением наших разработок в направлении машинного обучения. В этой зоне рынка ИИ для беспилотного транспорта у нас накоплена одна из наиболее солидных экспертиз по обучению нейронных сетей на собственных датасетах сразу в нескольких сегментах: сельском хозяйстве, рельсовом транспорте и системах помощи водителю, — заключила Ольга Ускова. | ![]() |
Технология Cognitive Smart OoD уже реализована в системах автопилотирования Cognitive Pilot, как для агро-транспорта, так и умных трамваев.
Подрядчики-лидеры по количеству проектов
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение систем по количеству проектов, не включая партнерские решения
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Подрядчики-лидеры по количеству проектов
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение систем по количеству проектов, не включая партнерские решения
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)