Առաջընթաց Computer Vision Propel Transportation Autonomy-ում

Տեսողությունը մարդկային հզոր զգայական ներդրում է: Այն թույլ է տալիս բարդ առաջադրանքներ և գործընթացներ, որոնք մենք ընդունում ենք որպես տրված: AoT™-ի (Իրերի ինքնավարության) աճով տարբեր ծրագրերում՝ սկսած տրանսպորտից և գյուղատնտեսությունից մինչև ռոբոտաշինություն և բժշկություն, տեսախցիկների, հաշվարկների և մեքենայական ուսուցման դերը նշանակալի է դառնում մարդու նման տեսողություն և ճանաչողություն ապահովելու գործում: Համակարգչային տեսլականը որպես ակադեմիական դիսցիպլին տարածվեց 1960-ականներին, հիմնականում այն ​​համալսարաններում, որոնք զբաղվում էին արհեստական ​​ինտելեկտի (AI) և մեքենայական ուսուցման զարգացող ոլորտում: Այն կտրուկ առաջընթաց ունեցավ հաջորդ չորս տասնամյակների ընթացքում, երբ զգալի առաջընթաց գրանցվեց կիսահաղորդչային և հաշվողական տեխնոլոգիաների ոլորտում: Խորը ուսուցման և արհեստական ​​ինտելեկտի վերջին առաջընթացներն էլ ավելի են արագացրել համակարգչային տեսլականի կիրառությունը՝ իրական ժամանակում, ցածր ուշացման ընկալում և շրջակա միջավայրի ճանաչողություն ապահովելու համար՝ հնարավորություն տալով ինքնավարություն, անվտանգություն և արդյունավետություն տարբեր ծրագրերում: Տրանսպորտը այն ոլորտն է, որը զգալիորեն շահել է:

LiDAR-ը (Light Detection and Ranging) ակտիվ օպտիկական պատկերավորման մոտեցում է, որն օգտագործում է լազերներ՝ օբյեկտի շուրջ 3D միջավայրը որոշելու համար: Դա այն տեխնոլոգիաներից է, որը փորձում են խաթարել համակարգչային տեսողության լուծումները (որոնք հիմնվում են բացառապես շրջակա լույսի վրա և չեն օգտագործում լազերներ 3D ընկալման համար): Ընդհանուր թեման այն է, որ մարդկային վարորդներին LiDAR-ը պետք չէ խորության ընկալման համար, այնպես որ՝ մեքենաները նույնպես պետք չէ: Ներկայիս առևտրային L3-ի ինքնավար վարման առանձնահատկությունները (ամբողջական ինքնավարություն կոնկրետ աշխարհագրության և եղանակային պայմաններում, երբ վարորդը պատրաստ է կառավարել վայրկյանների ընթացքում) ապրանքներ այսօր օգտագործել LiDAR-ը. Զուտ տեսողության վրա հիմնված տեխնիկան դեռևս չի կարողացել կոմերցիոն առումով առաջարկել այս հնարավորությունը:

ԳՈՎԱԶԴ

TeslaTSLA
Պասիվ տեսախցիկի վրա հիմնված համակարգչային տեսլականի օգտագործման գերիշխող կողմնակիցն է՝ մարդատար ավտոմեքենաների ինքնավարություն ապահովելու համար: Ընկերության վերջերս կայացած AI Day միջոցառման ժամանակ Իլոն Մասկը և նրա ինժեներները տպավորիչ ներկայացում են ներկայացրել իր AI-ի, տվյալների կառավարման և հաշվողական հնարավորությունների մասին, որոնք, ի թիվս այլ նախաձեռնությունների, աջակցում են Tesla-ի մի քանի մոդելների վրա Full Self Driving (FSD) գործառույթը: FSD-ը պահանջում է, որ մարդ վարորդը մշտապես ներգրավված լինի վարորդական առաջադրանքում (ինչը համապատասխանում է L2 ինքնավարությանը): Ներկայումս այս տարբերակը հասանելի է 160,000 մեքենաների վրա, որոնք գնվել են հաճախորդների կողմից ԱՄՆ-ում և Կանադայում: Յուրաքանչյուր մեքենայի վրա 8 տեսախցիկների հավաքածուն ապահովում է զբաղվածության 360° քարտեզ: Այս մեքենաների տեսախցիկի (և այլ) տվյալներն օգտագործվում են նրա նեյրոնային ցանցը վարժեցնելու համար (որն օգտագործում է ավտոմատ պիտակավորում) օբյեկտները ճանաչելու, մեքենայի հնարավոր հետագծերը գծելու, օպտիմալներն ընտրելու և համապատասխան կառավարման գործողությունները ակտիվացնելու համար: Վերջին 75 ամիսների ընթացքում նեյրոնային ցանցի 12 հազար թարմացումներ են տեղի ունեցել (~ 1 թարմացում յուրաքանչյուր 7 րոպեն մեկ), քանի որ շարունակաբար հավաքվում են նոր տվյալներ և հայտնաբերվում են պիտակավորման սխալներ կամ մանևրելու սխալներ: Ուսուցանված ցանցն իրականացնում է պլանավորման և վերահսկման գործողություններ՝ նպատակային հաշվարկային էլեկտրոնիկայի ինբորտ, ավելորդ ճարտարապետության միջոցով: Tesla-ն ակնկալում է, որ FSD-ն, ի վերջո, կհանգեցնի ինքնավար տրանսպորտային միջոցների (AVs), որոնք ապահովում են ամբողջական ինքնավարություն որոշակի գործառնական նախագծման տիրույթներում, առանց մարդկային վարորդի ներգրավման պահանջի (որը նաև կոչվում է L4 ինքնավարություն):

Այլ ընկերություններ, ինչպիսիք են Phiar-ը, Helm.ai-ն և NODAR-ը հետամուտ են նաև համակարգչային տեսողության պողոտային: NODAR-ը նպատակ ունի զգալիորեն ընդլայնել ստերեո տեսախցիկների համակարգերի պատկերային տիրույթը և 3D ընկալումը` սովորելով հարմարեցնել տեսախցիկի անհամապատասխանությունը և թրթռման էֆեկտները արտոնագրված մեքենայական ուսուցման ալգորիթմների միջոցով: Այն վերջերս հավաքել է $12 մլն իր առաջատար արտադրանքի՝ Hammerhead™-ի արտադրության համար, որն օգտագործում է ավտոմոբիլային դասի տեսախցիկներ և ստանդարտ հաշվողական հարթակներ:

Բացի արժեքից և չափից, LiDAR-ի օգտագործման դեմ հաճախակի փաստարկն այն է, որ այն ունի սահմանափակ տիրույթ և լուծաչափ՝ համեմատած տեսախցիկների հետ: Օրինակ, այսօր հասանելի են LiDAR-ները 200 մ տիրույթով և 5-10 M կետ/վրկ (PPS նման է լուծաչափին): 200 մ բարձրության վրա փոքր խոչընդոտները, ինչպիսիք են աղյուսները կամ անվադողերի բեկորները, շատ քիչ միավորներ կգրանցեն (գուցե 2-3 ուղղահայաց և 3-5 հորիզոնական ուղղությամբ), ինչը դժվարացնում է օբյեկտների ճանաչումը: Իրերն ավելի կոպիտ են դառնում ավելի երկար տիրույթներում: Համեմատության համար՝ 30 Հց հաճախականությամբ աշխատող ստանդարտ մեգապիքսել տեսախցիկները կարող են առաջացնել 30M պիքսել/վայրկյան՝ հնարավորություն տալով օբյեկտների բարձրակարգ ճանաչում նույնիսկ մեծ տիրույթում: Ավելի առաջադեմ տեսախցիկները (12 M պիքսել) կարող են էլ ավելի մեծացնել դա: Խնդիրն այն է, թե ինչպես օգտագործել այս հսկայական տվյալները և ստեղծել գործող ընկալում միլիվայրկյանների մակարդակի հետաձգման, ցածր էներգիայի սպառման և լուսավորության վատթարացման պայմաններում:

ԳՈՎԱԶԴ

ՃանաչելԿալիֆորնիայում գործող ընկերությունը փորձում է լուծել այս խնդիրը։ Ըստ գործադիր տնօրեն Մարկ Բոլիտոյի, իր առաքելությունն է «ապահովել գերմարդկային տեսողական ընկալում լիովին ինքնավար մեքենաների համար»: Ընկերությունը հիմնադրվել է 2017 թվականին, մինչ օրս հավաքել է 75 միլիոն դոլար և ունի 70 աշխատակից: RK Anand-ը, Juniper Networks-ի շիբը, համահիմնադիրներից է և արտադրանքի գլխավոր տնօրենը: Նա կարծում է, որ ավելի բարձր լուծաչափով տեսախցիկների օգտագործումը, ավելի քան 120 դԲ դինամիկ տիրույթով, որոնք աշխատում են բարձր կադրերի արագությամբ (օրինակ՝ OnSemi, Sony և Omnivision) ապահովում են բարձր լուծաչափով 3D տեղեկատվություն ստեղծելու համար անհրաժեշտ տվյալներ, ինչը կարևոր է AV-ների իրականացման համար: Դրան նպաստող գործոններն են.

1. Պատվերով նախագծված ASIC-ներ՝ տվյալների արդյունավետ մշակման և մեքենայի միջավայրի ճշգրիտ և բարձր լուծաչափով 3D քարտեզներ ստեղծելու համար: Սրանք արտադրվում են TSMC 7 նմ պրոցեսի վրա՝ 100 մմ² չիպի չափով, որն աշխատում է 1 ԳՀց հաճախականությամբ:
2. Անհատական ​​մեքենայական ուսուցման ալգորիթմներ՝ միլիոնավոր տվյալների կետերը օֆլայն մշակելու համար՝ ստեղծելու վարժեցված նեյրոնային ցանց, որն այնուհետև կարող է արդյունավետ գործել և շարունակաբար սովորել: Այս ցանցը ապահովում է ընկալումը և ներառում է օբյեկտների դասակարգում և հայտնաբերում, իմաստային հատվածավորում, գոտիների հայտնաբերում, ճանապարհային նշաններ և լուսացույցի ճանաչում
3. Նվազագույնի հասցնել չիպից դուրս պահեստավորման և բազմապատկման գործողությունները, որոնք էներգիա են պահանջում և ստեղծում են բարձր ուշացում: Recogni-ի ASIC դիզայնը օպտիմիզացված է լոգարիթմական մաթեմատիկայի համար և օգտագործում է հավելում: Հետագա արդյունավետություններն իրականացվում են կշիռները օպտիմալ կերպով հավաքելով մարզված նեյրոնային ցանցում:

Ուսուցման փուլում առևտրային LiDAR-ն օգտագործվում է որպես գետնին ճշմարտություն՝ բարձր լուծաչափով, բարձր դինամիկ տիրույթի ստերեո տեսախցիկի տվյալները մարզելու համար՝ խորը տեղեկատվություն հանելու և այն ամուր դարձնելու սխալ դասավորության և թրթռման էֆեկտների դեմ: Ըստ պարոն Անանդի, իրենց մեքենայական ուսուցման իրականացումն այնքան արդյունավետ է, որ այն կարող է էքստրապոլյացնել խորության գնահատականները LiDAR-ի տրամաչափման տրամադրած ուսուցման միջակայքներից դուրս (որն ապահովում է գետնի ճշմարտությունը 100 մ հեռավորության վրա):

ԳՈՎԱԶԴ

Վերևի ուսուցման տվյալները անցկացվել են ցերեկային ժամերին՝ 8.3 մեգապիքսելանոց ստերեո զույգ տեսախցիկների միջոցով, որոնք աշխատում էին 30 Հց կադրերի արագությամբ (~ 0.5 Բ պիքսել վայրկյանում): Այն ցույց է տալիս մարզված ցանցի կարողությունը՝ 3D տեղեկատվություն կորզելու դեպքի վայրում 100 մ հեռավորությունից այն կողմ, որով մարզվել է: Recogni-ի լուծումը կարող է նաև էքստրապոլյացիա անել իր ուսուցումը ցերեկային տվյալների հետ գիշերային աշխատանքին (Նկար 2):

ԳՈՎԱԶԴ

Ըստ պարոն Անանդի, միջակայքի տվյալները ճշգրիտ են մինչև 5% (երկար միջակայքում) և մոտ 2% (ավելի կարճ միջակայքում): Լուծումն ապահովում է 1000 TOPS (տրիլիոն գործողություններ վայրկյանում) 6 ms ուշացումով և 25 Վտ էներգիայի սպառմամբ (40 TOPS/W), որն առաջատար է արդյունաբերության մեջ: Ամբողջ թվերի մաթեմատիկա օգտագործող մրցակիցներն այս ցուցանիշի համեմատ 10 անգամ ավելի ցածր են: Recogni-ի լուծումը ներկայումս փորձարկվում է ավտոմոբիլային 1-ին մակարդակի բազմաթիվ մատակարարներում:

Մարգարեացե՛ք («կանխատեսել և տեսնել, թե որտեղ է գործողությունը»), որը հիմնված է Ֆրանսիայում, օգտագործում է իր միջոցառումների վրա հիմնված տեսախցիկները AV-ների, վարորդների աջակցության առաջադեմ համակարգերի (ADAS), արդյունաբերական ավտոմատացման, սպառողների հավելվածների և առողջապահության համար: Հիմնադրվել է 2014 թ ընկերությունը վերջերս փակեց իր C փուլի 50 միլիոն դոլարի ֆինանսավորումը, մինչ օրս հավաքված ընդհանուր $127M-ով: Բջջային հեռախոսների առաջատար արտադրող Xiaomi-ն ներդրողներից մեկն է։ Prophesee-ի նպատակն է ընդօրինակել մարդու տեսլականը, երբ ցանցաթաղանթի ընկալիչները արձագանքում են դինամիկ տեղեկատվությանը: Մարդու ուղեղը կենտրոնանում է տեսարանի փոփոխությունների մշակման վրա (հատկապես վարելու համար): Հիմնական գաղափարն է օգտագործել տեսախցիկի և պիքսելային ճարտարապետությունները, որոնք հայտնաբերում են լույսի ինտենսիվության փոփոխությունները շեմից բարձր (իրադարձություն) և միայն այս տվյալները տրամադրում են հաշվողական կույտին հետագա մշակման համար: Փիքսելներն աշխատում են ասինխրոն (ոչ շրջանակված, ինչպես սովորական CMOS տեսախցիկների դեպքում) և շատ ավելի բարձր արագությամբ, քանի որ դրանք պետք չէ ինտեգրել ֆոտոնները, ինչպես սովորական շրջանակի վրա հիմնված տեսախցիկը և սպասել, որ ամբողջ շրջանակը ավարտի դա մինչև տվյալների ընթերցումը: Առավելությունները նշանակալի են՝ տվյալների ցածր թողունակություն, որոշումների հետաձգում, պահեստավորում և էներգիայի սպառում: Ընկերության առաջին կոմերցիոն կարգի VGA իրադարձությունների վրա հիմնված տեսողության սենսորն առանձնանում էր բարձր դինամիկ տիրույթով (>120 դԲ), ցածր էներգիայի սպառում (26 մՎտ սենսորային մակարդակում կամ 3 նՎտ/իրադարձություն): Նաև թողարկվել է HD (High Definition) տարբերակը (համատեղ մշակված Sony-ի հետ)՝ արդյունաբերության մեջ առաջատար պիքսելների չափսով (<5 մկմ):

ԳՈՎԱԶԴ

Այս սենսորները կազմում են Metavision® զգայական հարթակի առանցքը, որն օգտագործում է AI-ն՝ ինքնավարության հավելվածների խելացի և արդյունավետ ընկալում ապահովելու համար և գտնվում է տրանսպորտային ոլորտում բազմաթիվ ընկերությունների կողմից գնահատման փուլում: Բացի AV-ների և ADAS-ի առջև կանգնած ընկալումից, Prophesee-ն ակտիվորեն ներգրավված է հաճախորդների հետ՝ L2 և L3 հավելվածների համար վարորդի ներքին մոնիտորինգի համար, տես Նկար 4.

Ավտոմոբիլային հնարավորությունները շահութաբեր են, բայց դիզայնի ցիկլերը երկար են: Անցած երկու տարիների ընթացքում Prophesee-ը նկատել է զգալի հետաքրքրություն և ձգողականություն արդյունաբերական կիրառությունների մեքենայական տեսողության տարածության մեջ: Դրանք ներառում են բարձր արագության հաշվում, մակերեսային զննում և թրթռումների մոնիտորինգ:

ԳՈՎԱԶԴ

Prophesee-ը վերջերս հայտարարեց համագործակցության մասին մեքենայական տեսողության համակարգերի առաջատար մշակողների հետ՝ արդյունաբերական ավտոմատացման, ռոբոտաշինության, ավտոմոբիլաշինության և IoT (Իրերի ինտերնետ) ոլորտներում հնարավորություններն օգտագործելու համար: Մյուս անմիջական հնարավորություններն են բջջային հեռախոսների և AR/VR հավելվածների պատկերի մշուշման ուղղումը: Սրանք օգտագործում են ավելի ցածր ձևաչափի սենսորներ, քան նրանք, որոնք օգտագործվում են ավելի երկարաժամկետ ADAS/AV հնարավորությունների համար, սպառում են նույնիսկ ավելի ցածր էներգիա և գործում են զգալիորեն ցածր ուշացումով:

Իսրայելը առաջատար նորարար է բարձր տեխնոլոգիաների ոլորտում՝ զգալի վենչուրային ներդրումներով և ակտիվ մեկնարկային միջավայրով: 2015 թվականից ի վեր մոտ 70 միլիարդ դոլարի վենչուրային ներդրումներ են կատարվել տեխնոլոգիական ոլորտում. Դրա մի մասը համակարգչային տեսողության ոլորտում է: Mobileye-ը գլխավորեց այս հեղափոխությունը 1999 թվականին, երբ Ամնոն Շաշուան՝ Եբրայական համալսարանի AI առաջատար հետազոտող, հիմնեց ընկերությունը՝ կենտրոնանալու ADAS-ի և AV-ների տեսախցիկի վրա հիմնված ընկալման վրա: Ընկերությունը IPO է ներկայացրել 2014 թվականին և ձեռք է բերվել Intel-ի կողմիցINTC
2017 թվականին 15 միլիարդ դոլարով: Այսօր այն հեշտությամբ առաջատար խաղացող է համակարգչային տեսլականի և AV տիրույթում և վերջերս հայտարարել է IPO դիմելու իր մտադրության մասին և դառնալ անկախ սուբյեկտ: Mobileye-ն ունեցել է $1.4 մլրդ/տարի եկամուտ և համեստ կորուստներ ($75 մլն): Այն ապահովում է համակարգչային տեսողության հնարավորություններ 50 ավտոմոբիլային OEM-ների, որոնք այն տեղակայում են 800 մեքենաների մոդելներում՝ ADAS-ի հնարավորությունների համար: Ապագայում նրանք մտադիր են առաջատար լինել L4 ավտոմեքենայի ինքնավարության ոլորտում (վարորդ չի պահանջվում)՝ օգտագործելով համակարգչային տեսողության այս փորձը և LiDAR հնարավորությունները՝ հիմնված Intel-ի սիլիկոնային ֆոտոնիկայի պլատֆորմի վրա: Mobileye-ի արժեքը գնահատվում է ~50 միլիարդ դոլար, երբ նրանք վերջապես հրապարակվեն:

ԳՈՎԱԶԴ

Champel Capital, որը հիմնված է Երուսաղեմում, առաջատար դիրքերում է ներդրումներ կատարել ընկերություններում, որոնք մշակում են համակարգչային տեսլականի վրա հիմնված ապրանքներ՝ տրանսպորտից և գյուղատնտեսությունից մինչև անվտանգություն և անվտանգություն տարբեր ծրագրերի համար: Ամիր Վեյթմանը համահիմնադիր և կառավարիչ գործընկեր է և հիմնադրել է իր վենչուրային ընկերությունը 2017 թվականին: Առաջին հիմնադրամը $20 մլն ներդրում է կատարել 14 ընկերություններում: Նրանց ներդրումներից մեկը Innoviz-ում էր, որը 2018-ին SPAC-ի միաձուլման միջոցով հանրությանը հայտնի դարձավ և դարձավ LiDAR միաեղջյուր: Օմեր Քեյլաֆի գլխավորությամբ (ով գալիս էր Իսրայելի պաշտպանության բանակի հետախուզական կորպուսի տեխնոլոգիական ստորաբաժանումից), ընկերությունն այսօր առաջատար է LiDAR-ի տեղակայման ADAS-ի և AV-ների համար՝ BMW-ում և Volkswagen-ում դիզայնի բազմաթիվ հաղթանակներով:

Champel Capital-ի երկրորդ հիմնադրամը (Impact Deep Tech Fund II) հիմնադրվել է 2022 թվականի հունվարին և մինչ օրս հավաքել է $30 մլն (նպատակը $100 մլն է մինչև 2022 թվականի վերջ): Գերիշխող ուշադրությունը կենտրոնացված է համակարգչային տեսլականի վրա՝ հինգ ընկերություններում տեղաբաշխված $12 մլն. Դրանցից երեքը օգտագործում են համակարգչային տեսլականը տրանսպորտի և ռոբոտաշինության համար:

TankU, հիմնված Հայֆայում, սկսել է իր գործունեությունը 2018 թվականին և հավաքել է $10 մլն ֆինանսավորում: Դեն Վալդհորնը գլխավոր տնօրենն է և շրջանավարտ է 8200 ստորաբաժանման՝ Իսրայելի պաշտպանության բանակի էլիտար բարձր տեխնոլոգիական խումբ, որը պատասխանատու է ազդանշանների հետախուզության և ծածկագրի վերծանման համար: TankU-ի SaaS (Ծրագրաշարը որպես ծառայություն) արտադրանքը ավտոմատացնում և ապահովում է գործընթացները բարդ բացօթյա միջավայրերում, որոնք սպասարկում են մեքենաները և վարորդները: Այս ապրանքներն օգտագործվում են ավտոպարկերի, մասնավոր մեքենաների, վառելիքի լիցքավորման և էլեկտրական լիցքավորման կայանների սեփականատերերի կողմից՝ ավտոմատացված ֆինանսական գործարքներում գողությունը և խարդախությունը կանխելու համար: Մեքենաների վառելիքի ծառայությունները տարեկան կազմում են 2T դոլար համաշխարհային եկամուտ, որից մասնավոր և առևտրային տրանսպորտային միջոցների նավատորմի սեփականատերերը սպառում են 40%-ը կամ $800 մլրդ: Մանրածախ առևտրով զբաղվողները և նավատորմի սեփականատերերը տարեկան կորցնում են 100 միլիարդ դոլար գողության և խարդախության պատճառով (օրինակ՝ չթույլատրված մասնավոր տրանսպորտային միջոցների համար վառելիքի նավատորմի քարտ օգտագործելը): CNP (Քարտը ներկա չէ) խարդախությունը և վառելիքի կեղծումը/գողությունը կորստի լրացուցիչ աղբյուրներ են, հատկապես բջջային հավելվածներում գողացված քարտի տվյալները վճարումների համար օգտագործելու դեպքում:

ԳՈՎԱԶԴ

Ընկերության TUfuel արտադրանքը հեշտացնում է մեկ հպումով ապահով վճարումը, արգելափակում է խարդախության տեսակների մեծ մասը և զգուշացնում հաճախորդներին, երբ կասկածում է խարդախության մեջ: Այն դա անում է արհեստական ​​ինտելեկտի շարժիչի հիման վրա, որը վերապատրաստվել է այս հաստատություններում առկա CCTV-ների տվյալների և թվային գործարքների տվյալների վրա (ներառյալ POS-ը և հետին պլանի այլ տվյալներ): Պարամետրերը, ինչպիսիք են մեքենայի հետագիծը և դինամիկան, մեքենայի ID-ն, ճանապարհորդության ժամանակը, վազքը, վառելիքի լիցքավորման ժամանակը, վառելիքի քանակը, վառելիքի պատմությունը և վարորդի վարքագիծը, խարդախությունը հայտնաբերելու համար վերահսկվող որոշ հատկանիշներ են: Այս տվյալները նաև օգնում են մանրածախ վաճառողներին օպտիմալացնել կայքի աշխատանքը, բարձրացնել հաճախորդների հավատարմությունը և կիրառել տեսլականի վրա հիմնված մարքեթինգային գործիքներ: Ըստ գործադիր տնօրեն Դեն Վալդհորնի, իրենց լուծումը հայտնաբերում է նավատորմի 70%-ը, վարկային քարտերի 90%-ը և խարդախության հետ կապված դեպքերի 70%-ը:

Սոնոլ Էներգետիկ ծառայություններ մատուցող ընկերություն է, որը տիրապետում և շահագործում է 240 կայանների և հարմարավետ խանութների ցանց ամբողջ Իսրայելում: TUfuel-ը տեղակայված է իրենց կայքերում և ցուցադրել է ուժեղացված անվտանգություն, խարդախության կանխարգելում և հաճախորդների հավատարմություն: Արտադրանքի փորձարկումներն ընթանում են ԱՄՆ-ում՝ բենզալցակայանների և հարմարավետ խանութների սարքավորումների համաշխարհային առաջատար մատակարարի հետ համատեղ: Նմանատիպ նախաձեռնություններ են իրականացվում նաև Աֆրիկայում և Եվրոպայում։

ԳՈՎԱԶԴ

Թել Ավիվում ITC հիմնադրվել է 2019 թվականին Բեն-Գուրիոն համալսարանի մեքենայական ուսուցման ակադեմիկոսների կողմից: ITC-ն ստեղծում է SaaS արտադրանք, որը «Չափել երթևեկության հոսքը, կանխատեսել գերբեռնվածությունը և մեղմացնել այն լուսացույցների խելացի մանիպուլյացիայի միջոցով՝ նախքան խցանումների ձևավորումը»: TankU-ի նման, այն օգտագործում է վաճառվող տեսախցիկների տվյալները (արդեն տեղադրված են բազմաթիվ երթևեկության խաչմերուկներում)՝ ուղիղ երթևեկության տվյալներ ստանալու համար: Քաղաքում հազարավոր տեսախցիկների տվյալները վերլուծվում են, և այնպիսի պարամետրեր, ինչպիսիք են մեքենայի տեսակը, արագությունը, շարժման ուղղությունը և տրանսպորտային միջոցների տեսակների հաջորդականությունը (բեռնատարներ ընդդեմ մեքենաների) արդյունահանվում են սեփական AI ալգորիթմների կիրառման միջոցով: Սիմուլյացիան կանխատեսում է երթևեկության հոսք և հնարավոր խցանումների իրավիճակներ մինչև 30 րոպե առաջ: Երթևեկության լույսերը ճշգրտվում են՝ օգտագործելով այս արդյունքները՝ երթևեկության հոսքը հարթելու և խցանումները կանխելու համար:

AI համակարգի ուսուցումը տևում է մեկ ամիս տեսողական տվյալների տիպիկ քաղաքում և ներառում է վերահսկվող և չվերահսկվող ուսուցման համադրություն: ITC-ի լուծումն արդեն տեղադրված է Թել-Ավիվում (25 թվականին աշխարհի ամենածանրաբեռնված քաղաքներում 2020-րդ տեղն է զբաղեցնում), հազարավոր տեսախցիկներով, որոնք տեղակայված են հարյուրավոր խաչմերուկներում, որոնք վերահսկվում են լուսացույցներով: ITC-ի համակարգը ներկայումս կառավարում է 75 հազար ավտոմեքենա, որը ակնկալվում է, որ կշարունակի աճել: Ընկերությունը տեղադրում է ա նմանատիպ հնարավորություններ Լյուքսեմբուրգում և սկսում է փորձարկումներ ԱՄՆ խոշոր քաղաքներում: Համաշխարհային մասշտաբով իր լուծումը կառավարում է 300,000 մեքենա, որոնք գործում են Իսրայելում, ԱՄՆ-ում, Բրազիլիայում և Ավստրալիայում: Dvir Kenig-ը, CTO-ն, կրքոտ է լուծել այս խնդիրը՝ մարդկանց վերադարձնել անձնական ժամանակը, նվազեցնել ջերմոցային գազերը, բարձրացնել ընդհանուր արտադրողականությունը և ամենակարևորը՝ նվազեցնել վթարները խցանված խաչմերուկներում: Ըստ պարոն Քենիգի. «Մեր տեղակայումները ցույց են տալիս խցանումների 30%-ով կրճատում՝ նվազեցնելով անարդյունավետ վարելու ժամանակը, սթրեսը, վառելիքի սպառումը և աղտոտվածությունը»։

ԳՈՎԱԶԴ

Ներքին ռոբոտաշինություն էր հիմնադրվել է 2018- ում և վերջերս հավաքագրել է $18 մլն ֆինանսավորում. Ընկերությունը, որը հիմնված է Իսրայելի Թել-Ավիվի մոտակայքում, մշակում և վաճառում է անօդաչու սարքերի ինքնավար լուծումներ ներքին անվտանգության, անվտանգության և սպասարկման մոնիտորինգի համար: Գործադիր տնօրեն և համահիմնադիր Դորոն Բեն-Դեյվիդն ունի ռոբոտաշինության և ավիացիայի զգալի փորձ, որը կուտակվել է IAI-ում:IAI
(պաշտպանության հիմնական գլխավոր կապալառուն) և MAFAT-ը (Իսրայելի պաշտպանության նախարարության առաջադեմ հետազոտական ​​կազմակերպություն), որը նման է DARPA-ին ԱՄՆ-ում: Խելացի շենքերում և առևտրային անվտանգության շուկաներում աճող ներդրումները խթանում են ինքնավար համակարգերի անհրաժեշտությունը, որոնք կարող են օգտագործել համակարգչային տեսլականը և այլ զգայական միջոցներ փոքր և մեծ ներքին առևտրային տարածքներում (գրասենյակներ, տվյալների կենտրոններ, պահեստներ և մանրածախ տարածքներ): Indoor Robotics-ը թիրախավորում է այս շուկան՝ օգտագործելով ներսի դրոններ, որոնք հագեցված են վաճառվող տեսախցիկներով և ջերմային և ինֆրակարմիր միջակայքի տվիչներով:

Օֆիր Բար-Լևավը բիզնեսի գլխավոր տնօրենն է: Նա բացատրում է, որ GPS-ի բացակայությունը խանգարել է փակ դրոններին տեղայնացնել շենքերի ներսում (որպես կանոն, GPS-ը մերժվում է կամ ոչ ճշգրիտ): Բացի այդ, բացակայում էին դոկավորման և սնուցման հարմար և արդյունավետ լուծումները: Indoor Robotics-ն այս խնդիրը լուծում է անօդաչու թռչող սարքերի վրա տեղադրված չորս տեսախցիկների միջոցով (վերև, ներքև, ձախ, աջ) և միջակայքի պարզ սենսորներով, որոնք ճշգրտորեն քարտեզագրում են փակ տարածքը և դրա բովանդակությունը: Տեսախցիկի տվյալները (տեսախցիկները տրամադրում են տեղայնացման և քարտեզագրման տվյալներ) և ջերմային սենսորները (նաև տեղադրված են դրոնի վրա) վերլուծվում են արհեստական ​​ինտելեկտի համակարգի միջոցով՝ հայտնաբերելու անվտանգության, անվտանգության և սպասարկման հնարավոր խնդիրները և զգուշացնել հաճախորդին: Անօդաչու թռչող սարքերն իրենց ուժերն են տալիս առաստաղի վրա տեղադրված «կապակցման սալիկի» միջոցով, որը խնայում է արժեքավոր հատակի տարածքը և թույլ է տալիս տվյալների հավաքագրում լիցքավորման ընթացքում: Ակնհայտ են այս առօրյա գործընթացների ավտոմատացման ֆինանսական առավելությունները, որտեղ մարդկային աշխատանքը բարդ և թանկ է հավաքագրման, պահպանման և վերապատրաստման առումով: Օդային անօդաչու թռչող սարքերն ընդդեմ ցամաքային ռոբոտների օգտագործումը նաև զգալի առավելություններ ունի կապիտալի և գործառնական ծախսերի, հատակի տարածքի ավելի լավ օգտագործման, առանց խոչընդոտների տեղաշարժվելու ազատության և տեսախցիկի տվյալների հավաքման արդյունավետության առումով: Պարոն Բար-Լևավի խոսքերով, ներքին ռոբոտների TAM-ը (ընդհանուր հասցեական շուկա) ներքին խելացի անվտանգության համակարգերում մինչև 80 թվականը կկազմի $2026 մլրդ: Հաճախորդների հիմնական վայրերն այսօր ներառում են առաջատար համաշխարհային կորպորացիաների պահեստները, տվյալների կենտրոնները և գրասենյակային կամպուսները:

ԳՈՎԱԶԴ

Համակարգչային տեսլականը հեղափոխում է ինքնավարության խաղը՝ շարժման ավտոմատացման, անվտանգության, խելացի շենքերի մոնիտորինգի, խարդախության հայտնաբերման և երթևեկության կառավարման ոլորտում: Կիսահաղորդիչների հզորությունը և AI-ն հզոր հնարավորություններ են տալիս: Երբ համակարգիչները տիրապետում են այս անհավատալի զգայական եղանակին մասշտաբային ձևով, հնարավորություններն անսահման են: