Новую технологию обучения ИИ для автопилотирования сельхозтехники представила отечественная компания

Одна из наиболее сложных проблем в обучении систем компьютерного зрения для автономного управления транспортом — расхождение восприятия сцены между человеком и нейросетью. То есть человек и алгоритм могут по-разному интерпретировать одну и ту же картину. Обычно такие расхождения возникают в сложных условиях, когда видимость затруднена грязью, снегом, дождём, частично закрытыми краями объектов и прочими помехами. Например, беспилотный трактор движется по полю, где участки обработанной земли или дерна закрывают кромку маршрута, по которому ведётся навигация, или робот ориентируется на визуальные маркеры, искажённые тенями или освещением. В итоге ИИ-система выстраивает траекторию по-своему, а оператор — по-своему.

В подобных случаях человек обычно определяет траекторию движения с высокой точностью, опираясь на прошлый опыт и интуицию, тогда как нейросеть «видит» её лишь по визуальным признакам. При сборе обучающих данных накапливаются систематические искажения, приводящие к расхождению между реальностью и моделью. Искусственный интеллект начинает не понимать, что именно от него ожидают, и выдает неверные прогнозы. В итоге снижаются показатели точности управления автопилотом, возрастает число ложных срабатываний, и падает общий уровень безопасности автономной системы.

Специалисты компании "Когнитив пилот" впервые смогли предложить комплексное решение этой сложной задачи. В то время подобного решения у зарубежных команд не удалось обнаружить. Ее решение, по мнению экспертов, позволит вывести точность управления на качественно новый уровень, где ошибки практически исключены, и обеспечить максимально возможную безопасность движения. Команда экспертов разработала метод, который позволяет выявлять и количественно оценивать расхождения между тем, как нейросеть и человек воспринимают границы и смысл сцены.

У разработчиков получилось автоматически выявлять характерные признаки сцены, которые человек распознаёт на основе своей интуиции и набранного опыта, чтобы понять, как должна складываться траектория движения автомобиля. Для этого создан полноценный механизм — анализатор дивергенций, который осуществляет выделение таких признаков. В их числе, например, форма и размещение фрагментов почвы на поле, интенсивность и контраст границ, а также пространственная структура самой сцены. Далее система автоматически оценивает расхождения: рассчитываются метрики расхождений между границами, выделенными моделью и ground truth (человеком).

Кадры, в которых восприятие совпадает между человеком и сетью, остаются в обучающей выборке, а несогласованные отправляются в карантин для дальнейшего анализа и решения об их использовании.В итоге улучшается согласованность данных, что, в свою очередь, повышает качество обучения и обеспечивает более высокий уровень безопасности систем автономного управления.Без решения данной задачи недостижима требуемая точность выполнения сельскохозяйственных операций беспилотной агротехникой и полная безопасность движения иных автономных транспортных средств.

С конца весны 2025 года на умные тракторы, а также на полностью автономные и бескабинные мини‑тракторы, начали внедрять системы автопилотирования с технологией, и их практическая эффективность была подтверждена.

Сегмент технологий подобного класса на данный момент находится в стадии формирования, однако эксперты считают его перспективы и значимость исключительно высокими. 

Источник фотографии: freepik

Агропромышленный портал АгроXXI