لقد كان إنشاء سيارات ذاتية القيادة يمكنها اتخاذ قرارات تشبه قرارات الإنسان هدفًا طويل الأمد لشركات مثل Waymo وGM Cruise وUber وغيرها. تقدم Intel Mobileye نموذجًا رياضيًا للسلامة الحساسة للمسؤولية (RSS)، والذي تصفه الشركة بأنه نهج "الفطرة السليمة" الذي يتميز ببرمجة الطيار الآلي ليتصرف بطريقة "جيدة"، مثل إعطاء السيارات الأخرى حق الطريق . من ناحية أخرى، تعمل NVIDIA بنشاط على تطوير Safety Force Field، وهي تقنية صنع القرار القائمة على النظام والتي تراقب الإجراءات غير الآمنة لمستخدمي الطريق المحيطين من خلال تحليل البيانات من أجهزة استشعار السيارة في الوقت الفعلي. الآن انضمت مجموعة من العلماء من معهد ماساتشوستس للتكنولوجيا (MIT) إلى هذا البحث واقترحوا نهجًا جديدًا يعتمد على استخدام خرائط تشبه نظام تحديد المواقع العالمي (GPS) والبيانات المرئية التي تم الحصول عليها من الكاميرات المثبتة على السيارة حتى يتمكن الطيار الآلي من التنقل في مناطق مجهولة. الطرق المشابهة لشخص.طريقة.
يجيد الناس قيادة السيارات على طرق لم يسبق لهم السير عليها من قبل. نحن ببساطة نقارن ما نراه من حولنا مع ما نراه على أجهزة تحديد المواقع لدينا لتحديد مكاننا والمكان الذي يجب أن نذهب إليه. ومن ناحية أخرى، تجد السيارات ذاتية القيادة صعوبة بالغة في التنقل في أجزاء غير معروفة من الطريق. ولكل موقع جديد، يحتاج الطيار الآلي إلى تحليل المسار الجديد بعناية، وغالباً ما تعتمد أنظمة التحكم الآلي على خرائط ثلاثية الأبعاد معقدة يقوم الموردون بإعدادها لهم مسبقاً.
في بحث تم تقديمه هذا الأسبوع في المؤتمر الدولي للروبوتات والأتمتة، وصف باحثون من معهد ماساتشوستس للتكنولوجيا نظام قيادة ذاتي "يتعلم" ويتذكر أنماط صنع القرار للسائق البشري أثناء تنقله على الطرق في منطقة مدينة صغيرة باستخدام البيانات فقط من الفيديو. كاميرات وخريطة بسيطة تشبه نظام تحديد المواقع العالمي (GPS). ويمكن للطيار الآلي المُدرب بعد ذلك قيادة السيارة بدون سائق في موقع جديد تمامًا، ومحاكاة القيادة البشرية.
تمامًا مثل الإنسان، يكتشف الطيار الآلي أيضًا أي اختلافات بين خريطته وميزات الطريق. ويساعد ذلك النظام على تحديد ما إذا كان موقعه على الطريق أو أجهزة الاستشعار أو الخريطة غير صحيحة حتى يتمكن من تصحيح مسار السيارة.
ولتدريب النظام في البداية، قاد مشغل بشري سيارة تويوتا بريوس آلية مزودة بكاميرات متعددة ونظام ملاحة أساسي بنظام تحديد المواقع العالمي (GPS) لجمع البيانات من شوارع الضواحي المحلية، بما في ذلك هياكل الطرق والعقبات المختلفة. ثم نجح النظام في قيادة السيارة بنجاح على طول طريق مخطط مسبقًا في منطقة غابات أخرى مخصصة لاختبار المركبات ذاتية القيادة.
يقول مؤلف الدراسة ألكسندر أميني، وهو طالب دراسات عليا في معهد ماساتشوستس للتكنولوجيا: "مع نظامنا، لا يتعين عليك التدرب على كل طريق مسبقًا". "يمكنك تنزيل خريطة جديدة لسيارتك للتنقل في طرق لم ترها من قبل."
تضيف المؤلفة المشاركة دانييلا روس، مديرة مختبر علوم الكمبيوتر والذكاء الاصطناعي (CSAIL): "هدفنا هو إنشاء نظام ملاحة مستقل يتسم بالمرونة للقيادة في بيئات جديدة". "على سبيل المثال، إذا قمنا بتدريب مركبة ذاتية القيادة على القيادة في بيئة حضرية مثل شوارع كامبريدج، فيجب أن يكون النظام أيضًا قادرًا على القيادة بسلاسة في الغابة، حتى لو لم ير مثل هذه البيئة من قبل."
تقوم أنظمة الملاحة التقليدية بمعالجة بيانات الاستشعار من خلال وحدات متعددة تم تكوينها لمهام مثل تحديد الموقع ورسم الخرائط واكتشاف الكائنات وتخطيط الحركة والتوجيه. لسنوات عديدة، تعمل مجموعة دانييلا على تطوير أنظمة ملاحة شاملة تعالج بيانات المستشعر وتتحكم في السيارة دون الحاجة إلى أي وحدات متخصصة. ومع ذلك، حتى الآن، تم استخدام هذه النماذج بشكل صارم للسفر الآمن على الطريق، دون أي غرض حقيقي. في العمل الجديد، قام الباحثون بتحسين نظامهم الشامل للحركة من الهدف إلى الوجهة في بيئة غير معروفة سابقًا. وللقيام بذلك، قام العلماء بتدريب الطيار الآلي الخاص بهم على التنبؤ بالتوزيع الاحتمالي الكامل لجميع أوامر التحكم الممكنة في أي وقت أثناء القيادة.
يستخدم النظام نموذجًا للتعلم الآلي يسمى الشبكة العصبية التلافيفية (CNN)، والذي يُستخدم عادةً للتعرف على الصور. أثناء التدريب، يراقب النظام سلوك القيادة للسائق البشري. وتربط CNN بين انعطافات عجلة القيادة وانحناء الطريق، الذي ترصده من خلال الكاميرات وعلى خريطتها الصغيرة. ونتيجة لذلك، يتعلم النظام أوامر التوجيه الأكثر احتمالاً لمختلف مواقف القيادة، مثل الطرق المستقيمة والتقاطعات ذات الأربعة اتجاهات أو تقاطعات T والشوك والمنعطفات.
يقول روس: "في البداية، عند تقاطع T، هناك العديد من الاتجاهات المختلفة التي يمكن للسيارة الانعطاف إليها". "يبدأ النموذج بالتفكير في كل هذه الاتجاهات، ومع حصول CNN على المزيد والمزيد من البيانات حول ما يفعله الناس في مواقف معينة على الطريق، سترى أن بعض السائقين يتجهون إلى اليسار والبعض الآخر يتجه إلى اليمين، ولكن لا أحد يتجه مباشرة . تم استبعاد الاتجاه للأمام المستقيم كاتجاه محتمل، ويخلص النموذج إلى أنه عند تقاطعات T لا يمكن التحرك إلا إلى اليسار أو اليمين.
أثناء القيادة، تستخرج CNN أيضًا ميزات الطريق المرئية من الكاميرات، مما يسمح لها بالتنبؤ بالتغييرات المحتملة في المسار. على سبيل المثال، فإنه يحدد علامة توقف حمراء أو خطًا متقطعًا على جانب الطريق كعلامات لتقاطع قادم. وفي كل لحظة، يستخدم التوزيع الاحتمالي المتوقع لأوامر التحكم لاختيار الأمر الأكثر صحة.
ومن المهم الإشارة إلى أنه وفقًا للباحثين، يستخدم الطيار الآلي خرائط يسهل تخزينها ومعالجتها للغاية. تستخدم أنظمة التحكم الذاتية عادةً خرائط الليدار، التي تستهلك ما يقرب من 4000 جيجابايت من البيانات لتخزين مدينة سان فرانسيسكو فقط. لكل وجهة جديدة، يجب على السيارة استخدام وإنشاء خرائط جديدة، الأمر الذي يتطلب قدرًا هائلاً من الذاكرة. ومن ناحية أخرى، فإن الخريطة التي يستخدمها الطيار الآلي الجديد تغطي العالم بأكمله بينما تشغل 40 غيغابايت فقط من البيانات.
أثناء القيادة الذاتية، يقوم النظام أيضًا بمقارنة بياناته المرئية باستمرار مع بيانات الخريطة ويحدد أي تناقضات. وهذا يساعد السيارة ذاتية القيادة على تحديد مكانها على الطريق بشكل أفضل. وهذا يضمن بقاء السيارة على المسار الأكثر أمانًا، حتى لو تلقت معلومات إدخال متضاربة: إذا، على سبيل المثال، إذا كانت السيارة تسير على طريق مستقيم بدون انعطافات، وأشار نظام تحديد المواقع العالمي (GPS) إلى أن السيارة يجب أن تنعطف إلى اليمين، فستتحرك السيارة تعرف على الذهاب مباشرة أو التوقف.
يقول أميني: "في العالم الحقيقي، تفشل أجهزة الاستشعار". "نريد التأكد من أن الطيار الآلي الخاص بنا يتمتع بالمرونة تجاه العديد من أعطال أجهزة الاستشعار من خلال إنشاء نظام يمكنه استقبال أي إشارات ضوضاء مع الاستمرار في التنقل على الطريق بشكل صحيح."
المصدر: 3dnews.ru