At skabe selvkørende biler, der kan træffe menneskelignende beslutninger, har været et langvarigt mål for virksomheder som Waymo, GM Cruise, Uber og andre. Intel Mobileye tilbyder en Responsibility-Sensitive Safety (RSS) matematisk model, som virksomheden beskriver som en "sund fornuft" tilgang, der er karakteriseret ved at programmere autopiloten til at opføre sig på en "god" måde, såsom at give andre biler ret til forkørsel. . På den anden side udvikler NVIDIA aktivt Safety Force Field, en systembaseret beslutningstagningsteknologi, der overvåger usikre handlinger fra omgivende trafikanter ved at analysere data fra køretøjssensorer i realtid. Nu har en gruppe videnskabsmænd fra Massachusetts Institute of Technology (MIT) tilsluttet sig denne forskning og foreslået en ny tilgang baseret på brugen af GPS-lignende kort og visuelle data opnået fra kameraer installeret på bilen, så autopiloten kan navigere på ukendt veje, der ligner en person. måde.
Folk er usædvanligt gode til at køre bil på veje, de aldrig har været på før. Vi sammenligner simpelthen det, vi ser omkring os, med det, vi ser på vores GPS-enheder for at bestemme, hvor vi er, og hvor vi skal hen. Selvkørende biler har til gengæld ekstremt svært ved at navigere på ukendte vejstrækninger. For hver ny placering skal autopiloten nøje analysere den nye rute, og ofte er automatiske kontrolsystemer afhængige af komplekse 3D-kort, som leverandørerne forbereder til dem på forhånd.
I et papir, der blev præsenteret i denne uge på den internationale konference om robotteknologi og automatisering, beskriver MIT-forskere et autonomt køresystem, der "lærer" og husker en menneskelig chaufførs beslutningsmønstre, når de navigerer på veje i et lille byområde udelukkende ved hjælp af data. fra video. kameraer og et simpelt GPS-lignende kort. Den trænede autopilot kan derefter køre den førerløse bil et helt nyt sted, der simulerer menneskelig kørsel.
Ligesom et menneske registrerer autopiloten også enhver uoverensstemmelse mellem dets kort og vejegenskaberne. Dette hjælper systemet med at bestemme, om dets position på vejen, sensorer eller kortet er forkerte, så det kan korrigere køretøjets kurs.
For i første omgang at træne systemet kørte en menneskelig operatør en automatiseret Toyota Prius udstyret med flere kameraer og et grundlæggende GPS-navigationssystem til at indsamle data fra lokale forstadsgader, herunder forskellige vejstrukturer og forhindringer. Systemet kørte derefter med succes bilen langs en forud planlagt rute i et andet skovområde beregnet til test af autonome køretøjer.
"Med vores system behøver du ikke at træne på alle veje i forvejen," siger undersøgelsesforfatter Alexander Amini, en kandidatstuderende ved MIT. "Du kan downloade et nyt kort til din bil for at navigere på veje, den aldrig har set før."
"Vores mål er at skabe autonom navigation, der er modstandsdygtig over for kørsel i nye miljøer," tilføjer medforfatter Daniela Rus, direktør for Computer Science and Artificial Intelligence Laboratory (CSAIL). "For eksempel, hvis vi træner et autonomt køretøj til at køre i et bymiljø som Cambridges gader, skal systemet også være i stand til at køre glat i en skov, selvom det aldrig har set et sådant miljø før."
Traditionelle navigationssystemer behandler sensordata gennem flere moduler konfigureret til opgaver såsom lokalisering, kortlægning, objektdetektering, bevægelsesplanlægning og styring. I årevis har Danielas gruppe udviklet end-to-end navigationssystemer, der behandler sensordata og styrer bilen uden behov for specielle moduler. Indtil nu er disse modeller dog udelukkende blevet brugt til sikker kørsel på vejen, uden noget egentligt formål. I det nye arbejde forfinede forskerne deres ende-til-ende-system til mål-til-destination-bevægelse i et hidtil ukendt miljø. For at gøre dette trænede videnskabsmænd deres autopilot til at forudsige den fulde sandsynlighedsfordeling for alle mulige kontrolkommandoer til enhver tid under kørsel.
Systemet bruger en maskinlæringsmodel kaldet et konvolutionelt neuralt netværk (CNN), der almindeligvis bruges til billedgenkendelse. Under træningen observerer systemet en menneskelig chaufførs køreadfærd. CNN korrelerer ratdrejninger med vejens krumning, som den observerer gennem kameraer og på sit lille kort. Som et resultat lærer systemet de mest sandsynlige styrekommandoer til forskellige køresituationer, såsom lige veje, fire-vejs vejkryds eller T-kryds, gafler og sving.
"I første omgang, ved et T-kryds, er der mange forskellige retninger, en bil kan dreje," siger Rus. "Modellen starter med at tænke på alle disse retninger, og efterhånden som CNN får flere og flere data om, hvad folk laver i visse situationer på vejen, vil den se, at nogle bilister drejer til venstre og andre drejer til højre, men ingen går direkte . Lige frem er udelukket som en mulig retning, og modellen konkluderer, at den ved T-kryds kun kan bevæge sig til venstre eller højre.”
Mens du kører, udtrækker CNN også visuelle vejtræk fra kameraer, så det kan forudsige mulige ruteændringer. For eksempel identificerer den et rødt stopskilt eller en brudt linje i siden af vejen som tegn på et kommende vejkryds. I hvert øjeblik bruger den den forudsagte sandsynlighedsfordeling af kontrolkommandoer til at vælge den mest korrekte kommando.
Det er vigtigt at bemærke, at deres autopilot ifølge forskerne bruger kort, der er ekstremt nemme at gemme og behandle. Autonome kontrolsystemer bruger typisk lidar-kort, som fylder cirka 4000 GB data til kun at gemme byen San Francisco. For hver ny destination skal bilen bruge og skabe nye kort, hvilket kræver en enorm mængde hukommelse. På den anden side dækker kortet, som den nye autopilot bruger, hele verden, mens det kun optager 40 gigabyte data.
Under autonom kørsel sammenligner systemet også konstant sine visuelle data med kortdata og markerer eventuelle uoverensstemmelser. Dette hjælper det autonome køretøj med bedre at bestemme, hvor det er på vejen. Og det sikrer, at bilen forbliver på den sikreste vej, selvom den modtager modstridende inputoplysninger: hvis bilen f.eks. kører på en lige vej uden sving, og GPS'en indikerer, at bilen skal dreje til højre, vil bilen vide at gå ligeud eller stoppe.
"I den virkelige verden fejler sensorer," siger Amini. "Vi vil sikre os, at vores autopilot er modstandsdygtig over for forskellige sensorfejl ved at skabe et system, der kan modtage alle støjsignaler og stadig navigere på vejen korrekt."
Kilde: 3dnews.ru