İnsana bənzər qərarlar qəbul edə bilən özü idarə olunan avtomobillərin yaradılması Waymo, GM Cruise, Uber və digər şirkətlərin çoxdankı məqsədi olub. Intel Mobileye, şirkətin avtopilotun digər avtomobillərə yol hüququ vermək kimi "yaxşı" davranması üçün proqramlaşdırılması ilə xarakterizə olunan "sağlam düşüncə" yanaşması kimi təsvir etdiyi Məsuliyyətə Həssas Təhlükəsizlik (RSS) riyazi modelini təklif edir. . Digər tərəfdən, NVIDIA real vaxt rejimində avtomobil sensorlarından alınan məlumatları təhlil edərək ətrafdakı yol istifadəçilərinin təhlükəli hərəkətlərinə nəzarət edən sistem əsaslı qərar qəbuletmə texnologiyası olan Safety Force Field-ı fəal şəkildə inkişaf etdirir. İndi Massaçusets Texnologiya İnstitutundan (MIT) bir qrup alim bu araşdırmaya qoşularaq GPS-ə bənzər xəritələrin və avtomobildə quraşdırılmış kameralardan əldə edilən vizual məlumatların istifadəsinə əsaslanan yeni yanaşma təklif edib ki, avtopilot naməlum istiqamətlərdə hərəkət edə bilsin. adama bənzər yollar. yol.
İnsanlar əvvəllər heç olmadıqları yollarda avtomobil sürməkdə müstəsna bacarıqlıdırlar. Harada olduğumuzu və hara getməli olduğumuzu müəyyən etmək üçün sadəcə olaraq ətrafımızda gördüklərimizi GPS cihazlarımızda gördüklərimizlə müqayisə edirik. Özünü idarə edən avtomobillər isə yolun naməlum hissələrində hərəkət etməkdə olduqca çətinlik çəkirlər. Hər bir yeni yer üçün avtopilot yeni marşrutu diqqətlə təhlil etməlidir və çox vaxt avtomatik idarəetmə sistemləri təchizatçıların onlar üçün əvvəlcədən hazırladıqları mürəkkəb 3D xəritələrə əsaslanır.
Bu həftə Robototexnika və Avtomatlaşdırma üzrə Beynəlxalq Konfransda təqdim olunan məqalədə MİT tədqiqatçıları yalnız məlumatlardan istifadə edərək kiçik bir şəhər ərazisində yollarda hərəkət edərkən insan sürücünün qərar qəbul etmə nümunələrini "öyrənən" və yadda saxlayan avtonom idarəetmə sistemini təsvir edir. kameralar və sadə GPS kimi xəritə. Təlim keçmiş avtopilot daha sonra sürücüsüz avtomobili tamamilə yeni yerdə idarə edə, insanların idarə edilməsini simulyasiya edə bilər.
Bir insan kimi, avtopilot da xəritə ilə yol xüsusiyyətləri arasında hər hansı uyğunsuzluğu aşkar edir. Bu, sistemə onun yolda, sensorlarda və ya xəritədə mövqeyinin səhv olub-olmadığını müəyyən etməyə kömək edir, beləliklə, o, avtomobilin istiqamətini düzəldə bilər.
İlkin olaraq sistemi öyrətmək üçün bir insan operatoru müxtəlif yol strukturları və maneələr də daxil olmaqla yerli şəhərətrafı küçələrdən məlumat toplamaq üçün çoxsaylı kameralar və əsas GPS naviqasiya sistemi ilə təchiz edilmiş avtomatlaşdırılmış Toyota Prius avtomobilini idarə etdi. Daha sonra sistem avtonom nəqliyyat vasitələrinin sınaqdan keçirilməsi üçün nəzərdə tutulmuş başqa meşəlik ərazidə avtomobili əvvəlcədən planlaşdırılmış marşrut üzrə uğurla idarə edib.
MIT aspirantı, tədqiqat müəllifi Alexander Amini deyir: "Sistemimizlə hər yolda əvvəlcədən məşq etmək lazım deyil". "Siz avtomobiliniz üçün əvvəllər heç vaxt görülməmiş yollarda hərəkət etmək üçün yeni xəritə yükləyə bilərsiniz."
Kompüter Elmləri və Süni İntellekt Laboratoriyasının (CSAIL) direktoru, həmmüəllif Daniela Rus əlavə edir: "Məqsədimiz yeni mühitlərdə sürməyə davamlı olan avtonom naviqasiya yaratmaqdır". "Məsələn, əgər biz Kembric küçələri kimi şəhər mühitində idarə etmək üçün avtonom bir nəqliyyat vasitəsi öyrədiriksə, sistem daha əvvəl belə bir mühit görməmiş olsa belə, meşədə də rəvan sürə bilməlidir."
Ənənəvi naviqasiya sistemləri sensor məlumatlarını lokallaşdırma, xəritəçəkmə, obyektin aşkarlanması, hərəkətin planlaşdırılması və idarəetmə kimi tapşırıqlar üçün konfiqurasiya edilmiş çoxsaylı modullar vasitəsilə emal edir. Uzun illərdir ki, Danielanın qrupu sensor məlumatlarını emal edən və heç bir xüsusi modullara ehtiyac olmadan avtomobili idarə edən uçdan-uca naviqasiya sistemlərini inkişaf etdirir. Ancaq indiyə qədər bu modellər heç bir real məqsəd olmadan ciddi şəkildə yolda təhlükəsiz səyahət üçün istifadə olunurdu. Yeni işdə tədqiqatçılar əvvəllər naməlum bir mühitdə hədəfdən təyinat yerinə hərəkət üçün uçdan uca sistemini təkmilləşdirdilər. Bunun üçün elm adamları avtomobil idarə edərkən istənilən vaxt bütün mümkün idarəetmə əmrləri üçün tam ehtimal paylanmasını proqnozlaşdırmaq üçün öz avtopilotuna təlim keçiblər.
Sistem, təsvirin tanınması üçün adətən istifadə olunan konvolyusiya neyron şəbəkəsi (CNN) adlı maşın öyrənmə modelindən istifadə edir. Təlim zamanı sistem insan sürücünün sürücülük davranışını müşahidə edir. CNN sükan çarxının dönmələrini kameralar vasitəsilə və kiçik xəritəsində müşahidə etdiyi yolun əyriliyi ilə əlaqələndirir. Nəticədə sistem düz yollar, dördtərəfli kəsişmələr və ya T-qovşaqları, çəngəllər və döngələr kimi müxtəlif sürücülük vəziyyətləri üçün ən çox ehtimal olunan sükan əmrlərini öyrənir.
Rus deyir: "Əvvəlcə T-kəsişməsində avtomobilin dönə biləcəyi çoxlu müxtəlif istiqamətlər var". “Model bütün bu istiqamətləri düşünməklə başlayır və CNN insanların yolda müəyyən vəziyyətlərdə nə etdikləri barədə getdikcə daha çox məlumat əldə etdikcə, bəzi sürücülərin sola, digərlərinin isə sağa döndüyünü görəcək, lakin heç kim birbaşa getmir. . Düz irəli mümkün istiqamət kimi istisna edilir və model T-qovşaqlarında yalnız sola və ya sağa hərəkət edə biləcəyi qənaətinə gəlir.
Avtomobil sürərkən CNN, həmçinin, mümkün marşrut dəyişikliklərini proqnozlaşdırmağa imkan verən kameralardan vizual yol xüsusiyyətlərini çıxarır. Məsələn, o, qırmızı dayanma nişanını və ya yolun kənarındakı qırıq xətti yaxınlaşan kəsişmənin əlamətləri kimi müəyyən edir. Hər an ən düzgün əmri seçmək üçün idarəetmə əmrlərinin proqnozlaşdırılan ehtimal paylanmasından istifadə edir.
Qeyd etmək vacibdir ki, tədqiqatçıların fikrincə, onların avtopilotu saxlamaq və emal etmək olduqca asan olan xəritələrdən istifadə edir. Avtonom idarəetmə sistemləri adətən yalnız San Fransisko şəhərini saxlamaq üçün təxminən 4000 GB məlumat tutan lidar xəritələrindən istifadə edir. Hər yeni təyinat üçün avtomobil böyük yaddaş tələb edən yeni xəritələrdən istifadə etməli və yaratmalıdır. Digər tərəfdən, yeni Avtopilotun istifadə etdiyi xəritə cəmi 40 giqabayt məlumat tutmaqla bütün dünyanı əhatə edir.
Avtonom idarəetmə zamanı sistem həmçinin daim öz vizual məlumatlarını xəritə məlumatları ilə müqayisə edir və hər hansı uyğunsuzluğu qeyd edir. Bu, avtonom avtomobilə yolun harada olduğunu daha yaxşı müəyyən etməyə kömək edir. Və bu, avtomobilin ziddiyyətli giriş məlumatı alsa belə, ən təhlükəsiz yolda qalmasını təmin edir: əgər məsələn, avtomobil dönmə olmadan düz yolda gedirsə və GPS avtomobilin sağa dönməli olduğunu göstərirsə, avtomobil düz getməyi və ya dayanmağı bilir.
"Real dünyada sensorlar uğursuz olur" deyir Amini. “Biz istənilən səs-küy siqnalını qəbul edə bilən və hələ də yolu düzgün idarə edə bilən sistem yaratmaqla avtopilotumuzun müxtəlif sensor nasazlıqlarına qarşı dayanıqlı olmasına əmin olmaq istəyirik.”
Mənbə: 3dnews.ru