Ny AI minskar beräkningsbelastning med 32 procent – banbrytande framsteg för självkörande bilar

Effektivare AI minskar energiförbrukning dramatiskt

Ett av de största hindren för självkörande bilar har varit den enorma beräkningskraft som krävs för att analysera ständiga flöden av kameradata. Men enligt ny forskning publicerad på arXiv har forskare utvecklat ETA-VLA, en teknik som minskar beräkningsbelastningen med hela 32 procent utan att kompromissa med säkerheten.

Tekniken bygger på en fascinerande princip: att efterlikna hur människor fördelar sin uppmärksamhet när de kör. Det nya systemet, kallat Intra-LLM Sparse Aggregator (ILSA), identifierar och sorterar bort överflödig visuell information medan det bevarar kritiska detaljer för säker körning.

Resultaten från testerna på NAVSIM v2-plattformen är imponerande. Systemet lyckas ta bort 85 procent av visuella symboler och reducerar beräkningar under körning med 61 procent, samtidigt som det behåller 94 procent av den ursprungliga noggrannheten. För en bransch där varje procent förbättring i energieffektivitet kan betyda skillnaden mellan kommersiell framgång och misslyckande är detta ett betydande steg framåt.

Specialiserad AI överträffar generella modeller i säkerhetsuppgifter

Parallellt med effektivitetsgenombrottet har forskare även tacklar säkerhetsutmaningen med en ny metod för kollisionsförebyggande. VLAAD (Video-Language-Augmented Anomaly Detector) kombinerar bildanalys med språkförståelse för att upptäcka och förutsäga kollisioner.

Vad som gör denna forskning särskilt intressant är att den visar hur specialiserade AI-lösningar kan överträffa betydligt större, generella modeller. När VLAAD testades mot verkliga kördata genom Real-Collide-databasen presterade den 23,3 procent bättre än mycket större AI-modeller, trots sin kompakta storlek.

Förskarna tränade systemet med hjälp av CARLA-Collide, en omfattande databas med realistiska kollisionsscenarier. När VLAAD integrerades i befintliga körsystem förbättrades säkerheten med 14,12 procent – en betydande förbättring som direkt kan översättas till färre olyckor och reddade liv.

Teoretisk grund stärker långsiktig trafikplanering

Den tredje pusselbiten kommer från DeepDemand, ett ramverk som kombinerar klassisk transportteori med moderna djupinlärningsmetoder. Detta system fokuserar på den bredare utmaningen att förstå och förutsäga trafikflöden på nationell nivå.

Traditionellt har trafikplanerare tvingats välja mellan tolkbarhet och prediktionsnoggrannhet. DeepDemand löser detta dilemma genom att förena det bästa från båda världarna. När systemet testades på det brittiska strategiska vägnätet med åtta års data från över 5000 motorvägssegment uppnådde det en korrelationskoefficient på 0,718 och överträffade traditionella metoder.

Vad som gör DeepDemand särskilt värdefullt är dess geografiska överförbarhet – modeller tränade på en region kan appliceras på andra områden med bibehållen noggrannhet. Detta innebär att investeringar i AI-driven trafikplanering kan skalas upp effektivt över olika geografiska områden.

Tre byggstenar för framtidens mobilitet

Tillsammans representerar dessa tre genombrott olika aspekter av den komplekta utmaning som självkörande bilar utgör. ETA-VLA löser beräkningsutmaningen, VLAAD tacklar säkerhetsproblemet, och DeepDemand hanterar infrastrukturplaneringen. Var och en för sig är de betydelsefulla framsteg, men tillsammans pekar de mot en framtid där autonoma fordon inte längre är en fråga om "om" utan "när".