Crear cotxes autònoms que puguin prendre decisions semblants a les persones ha estat un objectiu de llarga data d'empreses com Waymo, GM Cruise, Uber i altres. Intel Mobileye ofereix un model matemàtic de seguretat sensible a la responsabilitat (RSS), que l'empresa descriu com un enfocament de "sentit comú" que es caracteritza per programar el pilot automàtic perquè es comporti d'una manera "bona", com ara donar el pas a altres cotxes. . D'altra banda, NVIDIA està desenvolupant activament Safety Force Field, una tecnologia de decisió basada en sistemes que supervisa les accions insegures dels usuaris de les carreteres circumdants mitjançant l'anàlisi de dades dels sensors del vehicle en temps real. Ara un grup de científics de l'Institut Tecnològic de Massachusetts (MIT) s'ha sumat a aquesta investigació i ha proposat un nou enfocament basat en l'ús de mapes semblants a GPS i dades visuals obtingudes de càmeres instal·lades al cotxe perquè el pilot automàtic pugui navegar per desconeguts. camins semblants a una persona.
La gent és excepcionalment bona per conduir cotxes per carreteres per les quals mai no havia anat. Simplement comparem el que veiem al nostre voltant amb el que veiem als nostres dispositius GPS per determinar on som i on hem d'anar. Els cotxes autònoms, en canvi, els costa molt navegar per trams desconeguts de la carretera. Per a cada nova ubicació, el pilot automàtic ha d'analitzar acuradament la nova ruta, i sovint els sistemes de control automàtic es basen en mapes 3D complexos que els proveïdors els preparen per endavant.
En un article presentat aquesta setmana a la Conferència Internacional sobre Robòtica i Automatització, els investigadors del MIT descriuen un sistema de conducció autònom que "aprèn" i recorda els patrons de presa de decisions d'un conductor humà mentre navega per les carreteres d'una petita àrea de la ciutat utilitzant només dades del vídeo càmeres i un mapa senzill semblant a un GPS. El pilot automàtic entrenat pot conduir el cotxe sense conductor en una ubicació completament nova, simulant la conducció humana.
Igual que un humà, el pilot automàtic també detecta qualsevol discrepància entre el seu mapa i les característiques de la carretera. Això ajuda al sistema a determinar si la seva posició a la carretera, els sensors o el mapa són incorrectes perquè pugui corregir el rumb del vehicle.
Per entrenar inicialment el sistema, un operador humà va conduir un Toyota Prius automatitzat equipat amb múltiples càmeres i un sistema bàsic de navegació GPS per recollir dades dels carrers suburbans locals, incloses diverses estructures de carreteres i obstacles. Aleshores, el sistema va conduir amb èxit el cotxe per una ruta prèviament planificada en una altra zona boscosa destinada a provar vehicles autònoms.
"Amb el nostre sistema, no cal entrenar a totes les carreteres per endavant", diu l'autor de l'estudi Alexander Amini, estudiant de postgrau del MIT. "Pots descarregar un mapa nou per al teu cotxe per navegar per carreteres que mai s'havia vist abans".
"El nostre objectiu és crear una navegació autònoma que sigui resistent a la conducció en nous entorns", afegeix la coautora Daniela Rus, directora del Laboratori d'Informàtica i Intel·ligència Artificial (CSAIL). "Per exemple, si entrenem un vehicle autònom per conduir en un entorn urbà com els carrers de Cambridge, el sistema també ha de ser capaç de conduir sense problemes en un bosc, encara que mai abans no hagi vist un entorn així".
Els sistemes de navegació tradicionals processen les dades del sensor mitjançant diversos mòduls configurats per a tasques com ara localització, mapeig, detecció d'objectes, planificació de moviment i direcció. Des de fa anys, el grup de Daniela desenvolupa sistemes de navegació d'extrem a extrem que processen les dades dels sensors i controlen el cotxe sense necessitat de cap mòdul especialitzat. Fins ara, però, aquests models s'han utilitzat estrictament per viatjar amb seguretat per carretera, sense cap finalitat real. En el nou treball, els investigadors van perfeccionar el seu sistema d'extrem a extrem per al moviment d'objectiu a destinació en un entorn desconegut anteriorment. Per fer-ho, els científics van entrenar el seu pilot automàtic per predir la distribució de probabilitat completa per a totes les ordres de control possibles en qualsevol moment durant la conducció.
El sistema utilitza un model d'aprenentatge automàtic anomenat xarxa neuronal convolucional (CNN), que s'utilitza habitualment per al reconeixement d'imatges. Durant l'entrenament, el sistema observa el comportament de conducció d'un conductor humà. CNN correlaciona els girs del volant amb la curvatura de la carretera, que observa a través de càmeres i en el seu petit mapa. Com a resultat, el sistema aprèn les ordres de direcció més probables per a diverses situacions de conducció, com ara carreteres rectes, interseccions de quatre direccions o cruïlles en T, bifurcacions i girs.
"Inicialment, en una intersecció en T, hi ha moltes direccions diferents que un cotxe pot girar", diu Rus. “El model comença pensant en totes aquestes direccions, i a mesura que la CNN aconsegueixi més i més dades sobre què està fent la gent en determinades situacions a la carretera, veurà que alguns conductors giren a l'esquerra i d'altres a la dreta, però ningú va directament. . Es descarta cap endavant com a possible direcció i el model conclou que a les cruïlles en T només es pot moure cap a l'esquerra o la dreta".
Mentre condueix, la CNN també extreu característiques visuals de la carretera de les càmeres, cosa que li permet predir possibles canvis de ruta. Per exemple, identifica un senyal de parada vermell o una línia trencada al costat de la carretera com a senyals d'una propera intersecció. En cada moment, utilitza la distribució de probabilitat prevista de les ordres de control per seleccionar l'ordre més correcta.
És important tenir en compte que, segons els investigadors, el seu pilot automàtic utilitza mapes que són extremadament fàcils d'emmagatzemar i processar. Els sistemes de control autònoms solen utilitzar mapes lidar, que ocupen aproximadament 4000 GB de dades per emmagatzemar només la ciutat de San Francisco. Per a cada nova destinació, el cotxe ha d'utilitzar i crear nous mapes, la qual cosa requereix una gran quantitat de memòria. D'altra banda, el mapa utilitzat pel nou Autopilot cobreix tot el món mentre només ocupa 40 gigabytes de dades.
Durant la conducció autònoma, el sistema també compara constantment les seves dades visuals amb les dades del mapa i marca qualsevol discrepància. Això ajuda al vehicle autònom a determinar millor on es troba a la carretera. I això garanteix que el cotxe es mantingui en el camí més segur, fins i tot si rebi informació d'entrada conflictiva: si, per exemple, el cotxe circula per una carretera recta sense girs i el GPS indica que el cotxe ha de girar a la dreta, el cotxe saber anar recte o parar.
"Al món real, els sensors fallen", diu Amini. "Volem assegurar-nos que el nostre pilot automàtic sigui resistent a diverses fallades del sensor mitjançant la creació d'un sistema que pugui rebre qualsevol senyal de soroll i encara navegar per la carretera correctament".
Font: 3dnews.ru