Stvaranje samovozećih automobila koji mogu donositi odluke poput ljudi bio je dugogodišnji cilj kompanija kao što su Waymo, GM Cruise, Uber i druge. Intel Mobileye nudi matematički model za sigurnost osjetljiv na odgovornost (RSS), koji kompanija opisuje kao pristup "zdravog razuma" koji karakterizira programiranje autopilota da se ponaša na "dobar" način, kao što je davanje prednosti drugim automobilima . S druge strane, NVIDIA aktivno razvija Safety Force Field, sistemsku tehnologiju donošenja odluka koja prati nesigurne akcije okolnih učesnika u saobraćaju analizirajući podatke sa senzora vozila u realnom vremenu. Sada se grupa naučnika sa Massachusetts Institute of Technology (MIT) pridružila ovom istraživanju i predložila novi pristup baziran na korišćenju mapa sličnih GPS-u i vizuelnih podataka dobijenih od kamera instaliranih na automobilu kako bi autopilot mogao da se kreće na nepoznatom putevi slični osobi.način.
Ljudi su izuzetno dobri u vožnji automobila na putevima na kojima nikada ranije nisu bili. Jednostavno upoređujemo ono što vidimo oko sebe sa onim što vidimo na našim GPS uređajima kako bismo odredili gdje smo i kuda trebamo ići. S druge strane, samovozeći se automobili izuzetno teško snalaze u nepoznatim dijelovima puta. Za svaku novu lokaciju, autopilot treba pažljivo analizirati novu rutu, a često se sistemi automatske kontrole oslanjaju na složene 3D karte koje dobavljači pripremaju za njih unaprijed.
U radu predstavljenom ove sedmice na Međunarodnoj konferenciji o robotici i automatizaciji, istraživači MIT-a opisuju sistem autonomne vožnje koji "uči" i pamti obrasce odlučivanja ljudskog vozača dok se kreću putevima u malom gradskom području koristeći samo podatke iz videa. kamere i jednostavnu kartu nalik GPS-u. Obučeni autopilot tada može voziti automobil bez vozača na potpuno novoj lokaciji, simulirajući ljudsku vožnju.
Kao i čovjek, autopilot također otkriva bilo kakve razlike između njegove karte i karakteristika puta. Ovo pomaže sistemu da utvrdi da li je njegova pozicija na putu, senzori ili karta netačni kako bi mogao ispraviti kurs vozila.
Da bi prvobitno obučio sistem, ljudski operater je vozio automatizovanu Toyotu Prius opremljenu sa više kamera i osnovnim GPS navigacionim sistemom za prikupljanje podataka sa lokalnih prigradskih ulica, uključujući različite putne strukture i prepreke. Sistem je zatim uspješno vozio automobil po unaprijed planiranoj ruti u drugom šumskom području namijenjenom za testiranje autonomnih vozila.
„Sa našim sistemom, ne morate da trenirate na svakom putu unapred“, kaže autor studije Alexander Amini, student MIT-a. "Možete preuzeti novu mapu za svoj automobil za navigaciju cestama koje nikada prije niste vidjeli."
„Naš cilj je stvoriti autonomnu navigaciju koja je otporna na vožnju u novim okruženjima“, dodaje koautor Daniela Rus, direktor Laboratorije za kompjuterske nauke i umjetnu inteligenciju (CSAIL). „Na primjer, ako obučimo autonomno vozilo za vožnju u urbanom okruženju kao što su ulice Kembridža, sistem također mora biti u stanju da nesmetano vozi u šumi, čak i ako nikada ranije nije vidio takvo okruženje.
Tradicionalni navigacijski sistemi obrađuju podatke senzora kroz više modula konfiguriranih za zadatke kao što su lokalizacija, mapiranje, detekcija objekata, planiranje kretanja i upravljanje. Danielina grupa godinama razvija navigacijske sisteme s kraja na kraj koji obrađuju podatke senzora i kontrolišu automobil bez potrebe za bilo kakvim specijalizovanim modulima. Međutim, do sada su se ovi modeli koristili isključivo za sigurno putovanje na putu, bez ikakve prave svrhe. U novom radu, istraživači su poboljšali svoj sistem od kraja do kraja za kretanje od cilja do odredišta u ranije nepoznatom okruženju. Da bi to uradili, naučnici su obučili svog autopilota da predvidi punu distribuciju verovatnoće za sve moguće komande upravljanja u bilo kom trenutku tokom vožnje.
Sistem koristi model mašinskog učenja nazvan konvoluciona neuronska mreža (CNN), koji se obično koristi za prepoznavanje slika. Tokom treninga, sistem prati ponašanje čovjeka u vožnji. CNN korelira okretanje volana sa krivinom puta, koju posmatra putem kamera i na svojoj maloj mapi. Kao rezultat toga, sistem uči najvjerovatnije komande upravljanja za različite situacije u vožnji, kao što su ravni putevi, četverosmjerne raskrsnice ili T-raskrsnice, račvanja i skretanja.
„U početku, na T-raskrsnici, postoji mnogo različitih pravaca u kojima automobil može skrenuti“, kaže Rus. “Model počinje razmišljanjem o svim ovim smjerovima, a kako CNN dobija sve više podataka o tome šta ljudi rade u određenim situacijama na cesti, vidjet će se da neki vozači skreću lijevo, a drugi desno, ali niko ne ide direktno . Pravo naprijed je isključeno kao mogući smjer, a model zaključuje da se na T-spojnicama može kretati samo lijevo ili desno.”
Tokom vožnje, CNN takođe izdvaja vizuelne karakteristike puta iz kamera, omogućavajući mu da predvidi moguće promene rute. Na primjer, identificira crveni znak za zaustavljanje ili isprekidanu liniju na strani ceste kao znakove predstojeće raskrsnice. U svakom trenutku koristi predviđenu distribuciju vjerovatnoće kontrolnih komandi da odabere najispravniju naredbu.
Važno je napomenuti da, prema istraživačima, njihov autopilot koristi karte koje su izuzetno jednostavne za skladištenje i obradu. Autonomni kontrolni sistemi obično koriste lidarske mape, koje zauzimaju otprilike 4000 GB podataka za pohranu samo grada San Francisca. Za svaku novu destinaciju, automobil mora koristiti i kreirati nove karte, što zahtijeva ogromnu količinu memorije. S druge strane, mapa koju koristi novi Autopilot pokriva cijeli svijet i zauzima samo 40 gigabajta podataka.
Tokom autonomne vožnje, sistem takođe konstantno upoređuje svoje vizuelne podatke sa podacima karte i označava sva neslaganja. Ovo pomaže autonomnom vozilu da bolje odredi gdje se nalazi na putu. A to osigurava da automobil ostane na najsigurnijoj putanji, čak i ako dobije proturječne ulazne informacije: ako, recimo, automobil putuje ravnom cestom bez skretanja, a GPS pokazuje da bi automobil trebao skrenuti desno, automobil će znati ići pravo ili stati.
„U stvarnom svijetu senzori pokvare“, kaže Amini. „Želimo da budemo sigurni da je naš autopilot otporan na različite kvarove senzora tako što ćemo kreirati sistem koji može da primi bilo kakve signale buke i da se i dalje pravilno kreće putem.”
izvor: 3dnews.ru