Vytvářet samořídící auta, která dokážou rozhodovat jako lidé, je dlouhodobým cílem společností jako Waymo, GM Cruise, Uber a dalších. Intel Mobileye nabízí matematický model Responsibility-Sensitive Safety (RSS), který společnost popisuje jako přístup „zdravého selského rozumu“, který se vyznačuje naprogramováním autopilota tak, aby se choval „dobře“, například dával ostatním vozům přednost v jízdě. . Na druhou stranu NVIDIA aktivně vyvíjí Safety Force Field, systémovou rozhodovací technologii, která monitoruje nebezpečné akce okolních účastníků silničního provozu pomocí analýzy dat ze senzorů vozidel v reálném čase. Nyní se k tomuto výzkumu připojila skupina vědců z Massachusettského technologického institutu (MIT) a navrhla nový přístup založený na použití map podobných GPS a vizuálních dat získaných z kamer instalovaných na voze, aby autopilot mohl navigovat na neznámé cesty podobné osobě.cesta.
Lidé jsou výjimečně dobří v řízení aut na silnicích, po kterých nikdy předtím nejeli. Jednoduše porovnáváme to, co vidíme kolem sebe, s tím, co vidíme na našich GPS zařízeních, abychom určili, kde jsme a kam musíme jít. Samořídící auta naopak extrémně obtížně projíždějí neznámými úseky silnice. U každého nového místa musí autopilot pečlivě analyzovat novou trasu a automatické řídicí systémy často spoléhají na složité 3D mapy, které jim dodavatelé předem připraví.
V příspěvku prezentovaném tento týden na Mezinárodní konferenci o robotice a automatizaci výzkumníci z MIT popisují systém autonomního řízení, který se „učí“ a pamatuje si vzorce rozhodování lidského řidiče, když se pohybují po silnicích v oblasti malého města pouze pomocí dat. kamery a jednoduchou mapu podobnou GPS. Vycvičený autopilot pak může řídit auto bez řidiče na zcela novém místě simulujícím lidskou jízdu.
Stejně jako člověk, autopilot také detekuje jakékoli nesrovnalosti mezi svou mapou a vlastnostmi silnice. To pomáhá systému určit, zda jeho poloha na silnici, senzory nebo mapa nejsou správné, aby mohl opravit kurz vozidla.
K prvotnímu výcviku systému řídil lidský operátor automatizovanou Toyotu Prius vybavenou několika kamerami a základním navigačním systémem GPS pro sběr dat z místních příměstských ulic, včetně různých silničních struktur a překážek. Systém pak úspěšně řídil vůz po předem naplánované trase v další zalesněné oblasti určené pro testování autonomních vozidel.
„S naším systémem nemusíte trénovat na každé silnici předem,“ říká autor studie Alexander Amini, postgraduální student MIT. "Můžete si stáhnout novou mapu pro své auto, abyste se mohli pohybovat po silnicích, které jste ještě neviděli."
„Naším cílem je vytvořit autonomní navigaci, která je odolná vůči řízení v nových prostředích,“ dodává spoluautorka Daniela Rus, ředitelka Laboratoře počítačových věd a umělé inteligence (CSAIL). "Například, pokud trénujeme autonomní vozidlo pro jízdu v městském prostředí, jako jsou ulice Cambridge, systém musí být schopen plynule jezdit i v lese, i když takové prostředí ještě nikdy neviděl."
Tradiční navigační systémy zpracovávají data ze senzorů prostřednictvím několika modulů konfigurovaných pro úlohy, jako je lokalizace, mapování, detekce objektů, plánování pohybu a řízení. Danielina skupina už roky vyvíjí komplexní navigační systémy, které zpracovávají data ze senzorů a ovládají vůz bez potřeby jakýchkoli specializovaných modulů. Doposud však byly tyto modely používány výhradně pro bezpečné cestování po silnici, bez jakéhokoli skutečného účelu. V nové práci výzkumníci zdokonalili svůj end-to-end systém pro pohyb z cíle do cíle v dříve neznámém prostředí. Za tímto účelem vědci vycvičili svého autopilota, aby kdykoli během jízdy předpovídal plné rozdělení pravděpodobnosti pro všechny možné ovládací příkazy.
Systém využívá model strojového učení nazývaný konvoluční neuronová síť (CNN), běžně používaný pro rozpoznávání obrazu. Během výcviku systém sleduje chování lidského řidiče při řízení. CNN koreluje otáčky volantu se zakřivením vozovky, které sleduje prostřednictvím kamer a na své malé mapě. Výsledkem je, že se systém učí nejpravděpodobnější povely řízení pro různé jízdní situace, jako jsou rovné silnice, čtyřsměrné křižovatky nebo T-křižovatky, rozvětvení a zatáčky.
"Zpočátku, na T-křižovatce, existuje mnoho různých směrů, kterými se může auto otočit," říká Rus. „Model začíná přemýšlením o všech těchto směrech, a jak CNN získává stále více údajů o tom, co lidé dělají v určitých situacích na silnici, uvidí, že někteří řidiči odbočují vlevo a jiní odbočují vpravo, ale nikdo nejede přímo. . Přímo vpřed je vyloučeno jako možný směr a model dochází k závěru, že na T-křižovatkách se může pohybovat pouze doleva nebo doprava.“
Během jízdy CNN také získává vizuální silniční prvky z kamer, což jí umožňuje předvídat možné změny trasy. Například identifikuje červenou stopku nebo přerušovanou čáru na kraji silnice jako znamení blížící se křižovatky. V každém okamžiku používá předpokládané rozdělení pravděpodobnosti řídicích příkazů k výběru nejsprávnějšího příkazu.
Je důležité si uvědomit, že podle výzkumníků jejich autopilot používá mapy, které se extrémně snadno uchovávají a zpracovávají. Autonomní řídicí systémy obvykle používají lidarové mapy, které zabírají přibližně 4000 40 GB dat pro uložení pouze města San Francisco. Pro každý nový cíl musí auto používat a vytvářet nové mapy, což vyžaduje obrovské množství paměti. Na druhou stranu mapa používaná novým Autopilotem pokrývá celý svět a zabírá pouze XNUMX gigabajtů dat.
Během autonomní jízdy systém také neustále porovnává svá vizuální data s mapovými daty a označuje případné nesrovnalosti. To pomáhá autonomnímu vozidlu lépe určit, kde se na silnici nachází. A to zajišťuje, že auto zůstane na nejbezpečnější cestě, i když obdrží protichůdné vstupní informace: pokud, řekněme, auto jede po rovné silnici bez odbočení a GPS signalizuje, že by auto mělo odbočit vpravo, auto vědět jít rovně nebo zastavit.
„Ve skutečném světě senzory selhávají,“ říká Amini. "Chceme se ujistit, že náš autopilot je odolný vůči různým poruchám senzorů tím, že vytvoříme systém, který dokáže přijímat jakékoli hlukové signály a přesto správně navigovat po silnici."
Zdroj: 3dnews.ru