Η δημιουργία αυτοοδηγούμενων αυτοκινήτων που μπορούν να παίρνουν ανθρώπινες αποφάσεις ήταν ένας μακροχρόνιος στόχος εταιρειών όπως η Waymo, η GM Cruise, η Uber και άλλες. Η Intel Mobileye προσφέρει ένα μαθηματικό μοντέλο Ασφάλειας Ευαισθησίας (RSS), το οποίο η εταιρεία περιγράφει ως προσέγγιση "κοινής λογικής" που χαρακτηρίζεται από τον προγραμματισμό του αυτόματου πιλότου ώστε να συμπεριφέρεται με "καλό" τρόπο, όπως να δίνει σε άλλα αυτοκίνητα το δικαίωμα διέλευσης. . Από την άλλη πλευρά, η NVIDIA αναπτύσσει ενεργά το Safety Force Field, μια τεχνολογία λήψης αποφάσεων που βασίζεται σε σύστημα που παρακολουθεί τις μη ασφαλείς ενέργειες των γύρω χρηστών του δρόμου αναλύοντας δεδομένα από αισθητήρες οχημάτων σε πραγματικό χρόνο. Τώρα μια ομάδα επιστημόνων από το Ινστιτούτο Τεχνολογίας της Μασαχουσέτης (MIT) συμμετείχε σε αυτήν την έρευνα και πρότεινε μια νέα προσέγγιση που βασίζεται στη χρήση χαρτών που μοιάζουν με GPS και οπτικών δεδομένων που λαμβάνονται από κάμερες εγκατεστημένες στο αυτοκίνητο, έτσι ώστε ο αυτόματος πιλότος να μπορεί να πλοηγηθεί σε άγνωστα δρόμοι παρόμοιοι με ένα πρόσωπο.τρόπος.
Οι άνθρωποι είναι εξαιρετικά καλοί στην οδήγηση αυτοκινήτων σε δρόμους στους οποίους δεν έχουν ξαναπάει. Απλώς συγκρίνουμε αυτό που βλέπουμε γύρω μας με αυτό που βλέπουμε στις συσκευές GPS μας για να προσδιορίσουμε πού βρισκόμαστε και πού πρέπει να πάμε. Τα αυτοοδηγούμενα αυτοκίνητα, από την άλλη, δυσκολεύονται εξαιρετικά να πλοηγηθούν σε άγνωστα τμήματα του δρόμου. Για κάθε νέα τοποθεσία, ο αυτόματος πιλότος πρέπει να αναλύει προσεκτικά τη νέα διαδρομή και συχνά τα αυτόματα συστήματα ελέγχου βασίζονται σε πολύπλοκους τρισδιάστατους χάρτες που προετοιμάζουν οι προμηθευτές για αυτούς εκ των προτέρων.
Σε μια εργασία που παρουσιάστηκε αυτή την εβδομάδα στο Διεθνές Συνέδριο για τη Ρομποτική και τον Αυτοματισμό, οι ερευνητές του MIT περιγράφουν ένα σύστημα αυτόνομης οδήγησης που «μαθαίνει» και θυμάται τα μοτίβα λήψης αποφάσεων ενός ανθρώπινου οδηγού καθώς περιηγείται σε δρόμους σε μια μικρή πόλη χρησιμοποιώντας μόνο δεδομένα. από βίντεο κάμερες και έναν απλό χάρτη που μοιάζει με GPS. Ο εκπαιδευμένος αυτόματος πιλότος μπορεί στη συνέχεια να οδηγήσει το αυτοκίνητο χωρίς οδηγό σε μια εντελώς νέα τοποθεσία, προσομοιώνοντας την ανθρώπινη οδήγηση.
Ακριβώς όπως ένας άνθρωπος, ο αυτόματος πιλότος εντοπίζει επίσης τυχόν αποκλίσεις μεταξύ του χάρτη του και των χαρακτηριστικών του δρόμου. Αυτό βοηθά το σύστημα να προσδιορίσει εάν η θέση του στο δρόμο, οι αισθητήρες ή ο χάρτης είναι λανθασμένα, ώστε να μπορεί να διορθώσει την πορεία του οχήματος.
Για να εκπαιδεύσει αρχικά το σύστημα, ένας άνθρωπος χειριστής οδήγησε ένα αυτοματοποιημένο Toyota Prius εξοπλισμένο με πολλαπλές κάμερες και ένα βασικό σύστημα πλοήγησης GPS για τη συλλογή δεδομένων από τοπικούς προαστιακούς δρόμους, συμπεριλαμβανομένων διαφόρων οδικών κατασκευών και εμποδίων. Στη συνέχεια, το σύστημα οδήγησε με επιτυχία το αυτοκίνητο κατά μήκος μιας προσχεδιασμένης διαδρομής σε μια άλλη δασική περιοχή που προοριζόταν για τη δοκιμή αυτόνομων οχημάτων.
«Με το σύστημά μας, δεν χρειάζεται να προπονείστε σε κάθε δρόμο εκ των προτέρων», λέει ο συγγραφέας της μελέτης Alexander Amini, μεταπτυχιακός φοιτητής του MIT. "Μπορείτε να κατεβάσετε έναν νέο χάρτη για το αυτοκίνητό σας για να πλοηγηθείτε σε δρόμους που δεν έχετε ξαναδεί."
«Στόχος μας είναι να δημιουργήσουμε αυτόνομη πλοήγηση που να είναι ανθεκτική στην οδήγηση σε νέα περιβάλλοντα», προσθέτει η συν-συγγραφέας Daniela Rus, διευθύντρια του Computer Science and Artificial Intelligence Laboratory (CSAIL). «Για παράδειγμα, εάν εκπαιδεύσουμε ένα αυτόνομο όχημα να οδηγεί σε αστικό περιβάλλον όπως οι δρόμοι του Κέμπριτζ, το σύστημα πρέπει επίσης να μπορεί να οδηγεί ομαλά σε ένα δάσος, ακόμα κι αν δεν έχει ξαναδεί τέτοιο περιβάλλον».
Τα παραδοσιακά συστήματα πλοήγησης επεξεργάζονται δεδομένα αισθητήρων μέσω πολλαπλών μονάδων που έχουν διαμορφωθεί για εργασίες όπως εντοπισμός, χαρτογράφηση, ανίχνευση αντικειμένων, σχεδιασμός κίνησης και διεύθυνση. Για χρόνια, η ομάδα της Daniela αναπτύσσει συστήματα πλοήγησης από άκρο σε άκρο που επεξεργάζονται δεδομένα αισθητήρων και ελέγχουν το αυτοκίνητο χωρίς να χρειάζονται εξειδικευμένες μονάδες. Μέχρι τώρα, ωστόσο, αυτά τα μοντέλα χρησιμοποιούνταν αυστηρά για ασφαλείς μετακινήσεις στο δρόμο, χωρίς πραγματικό σκοπό. Στη νέα εργασία, οι ερευνητές βελτίωσαν το σύστημά τους από άκρο σε άκρο για μετακίνηση από στόχο προς προορισμό σε ένα προηγουμένως άγνωστο περιβάλλον. Για να γίνει αυτό, οι επιστήμονες εκπαίδευσαν τον αυτόματο πιλότο τους να προβλέπει την πλήρη κατανομή πιθανοτήτων για όλες τις πιθανές εντολές ελέγχου ανά πάσα στιγμή κατά την οδήγηση.
Το σύστημα χρησιμοποιεί ένα μοντέλο μηχανικής μάθησης που ονομάζεται συνελικτικό νευρωνικό δίκτυο (CNN), που χρησιμοποιείται συνήθως για την αναγνώριση εικόνων. Κατά τη διάρκεια της εκπαίδευσης, το σύστημα παρατηρεί την οδηγική συμπεριφορά ενός ανθρώπου οδηγού. Το CNN συσχετίζει τις στροφές του τιμονιού με την καμπυλότητα του δρόμου, την οποία παρατηρεί μέσα από κάμερες και στον μικρό χάρτη του. Ως αποτέλεσμα, το σύστημα μαθαίνει τις πιο πιθανές εντολές διεύθυνσης για διάφορες καταστάσεις οδήγησης, όπως ευθύγραμμους δρόμους, διασταυρώσεις τεσσάρων κατευθύνσεων ή διασταυρώσεις Τ, περόνες και στροφές.
«Αρχικά, σε μια διασταύρωση Τ, υπάρχουν πολλές διαφορετικές κατευθύνσεις που μπορεί να στρίψει ένα αυτοκίνητο», λέει ο Rus. «Το μοντέλο ξεκινά με το να σκέφτεται όλες αυτές τις κατευθύνσεις και καθώς το CNN λαμβάνει όλο και περισσότερα δεδομένα για το τι κάνουν οι άνθρωποι σε συγκεκριμένες καταστάσεις στο δρόμο, θα δει ότι κάποιοι οδηγοί στρίβουν αριστερά και άλλοι δεξιά, αλλά κανείς δεν πηγαίνει απευθείας. . Η ευθεία μπροστά αποκλείεται ως πιθανή κατεύθυνση και το μοντέλο καταλήγει στο συμπέρασμα ότι στις διασταυρώσεις Τ μπορεί να κινηθεί μόνο αριστερά ή δεξιά».
Κατά την οδήγηση, το CNN εξάγει επίσης οπτικά χαρακτηριστικά δρόμου από κάμερες, επιτρέποντάς του να προβλέψει πιθανές αλλαγές διαδρομής. Για παράδειγμα, προσδιορίζει μια κόκκινη πινακίδα στοπ ή μια διακεκομμένη γραμμή στην άκρη του δρόμου ως σημάδια μιας επερχόμενης διασταύρωσης. Κάθε στιγμή, χρησιμοποιεί την προβλεπόμενη κατανομή πιθανότητας των εντολών ελέγχου για να επιλέξει την πιο σωστή εντολή.
Είναι σημαντικό να σημειωθεί ότι, σύμφωνα με τους ερευνητές, ο αυτόματος πιλότος τους χρησιμοποιεί χάρτες που είναι εξαιρετικά εύκολο να αποθηκευτούν και να επεξεργαστούν. Τα αυτόνομα συστήματα ελέγχου χρησιμοποιούν συνήθως χάρτες lidar, οι οποίοι καταλαμβάνουν περίπου 4000 GB δεδομένων για την αποθήκευση μόνο της πόλης του Σαν Φρανσίσκο. Για κάθε νέο προορισμό, το αυτοκίνητο πρέπει να χρησιμοποιεί και να δημιουργεί νέους χάρτες, κάτι που απαιτεί τεράστια ποσότητα μνήμης. Από την άλλη, ο χάρτης που χρησιμοποιεί ο νέος Αυτόματος πιλότος καλύπτει ολόκληρο τον κόσμο ενώ καταλαμβάνει μόνο 40 gigabyte δεδομένων.
Κατά την αυτόνομη οδήγηση, το σύστημα επίσης συγκρίνει συνεχώς τα οπτικά του δεδομένα με τα δεδομένα του χάρτη και επισημαίνει τυχόν αποκλίσεις. Αυτό βοηθά το αυτόνομο όχημα να προσδιορίζει καλύτερα πού βρίσκεται στο δρόμο. Και αυτό διασφαλίζει ότι το αυτοκίνητο παραμένει στην ασφαλέστερη διαδρομή, ακόμα κι αν λάβει αντικρουόμενες πληροφορίες εισόδου: εάν, ας πούμε, το αυτοκίνητο ταξιδεύει σε ευθύ δρόμο χωρίς στροφές και το GPS υποδεικνύει ότι το αυτοκίνητο πρέπει να στρίψει δεξιά, το αυτοκίνητο θα ξέρετε να πηγαίνετε ευθεία ή να σταματήσετε.
«Στον πραγματικό κόσμο, οι αισθητήρες αποτυγχάνουν», λέει ο Amini. «Θέλουμε να βεβαιωθούμε ότι ο αυτόματος πιλότος μας είναι ανθεκτικός σε διάφορες βλάβες αισθητήρων, δημιουργώντας ένα σύστημα που μπορεί να λαμβάνει τυχόν σήματα θορύβου και να εξακολουθεί να πλοηγείται σωστά στο δρόμο».
Πηγή: 3dnews.ru