Krei memveturajn aŭtojn, kiuj povas fari homajn decidojn, estis multjara celo de kompanioj kiel Waymo, GM Cruise, Uber kaj aliaj. Intel Mobileye ofertas matematikan modelon Responsibility-Sensitive Safety (RSS), kiun la firmao priskribas kiel "ordinaran racion" aliron kiu estas karakterizita per programado de la aŭtomata piloto por konduti en "bona" maniero, kiel doni al aliaj aŭtoj la veturprioriton. . Aliflanke, NVIDIA aktive disvolvas Safety Force Field, sistem-bazitan decidan teknologion, kiu monitoras nesekurajn agojn de ĉirkaŭaj vojuzantoj analizante datumojn de veturilaj sensiloj en reala tempo. Nun grupo de sciencistoj de la Masaĉuseca Instituto de Teknologio (MIT) aliĝis al ĉi tiu esplorado kaj proponis novan aliron bazitan sur la uzo de GPS-similaj mapoj kaj vidaj datumoj akiritaj de fotiloj instalitaj sur la aŭto por ke la aŭtomata piloto povu navigi sur nekonata. vojoj similaj al persono.vojo.
Homoj estas escepte lertaj pri veturado de aŭtoj sur vojoj, sur kiuj ili neniam antaŭe estis. Ni simple komparas tion, kion ni vidas ĉirkaŭ ni kun tio, kion ni vidas sur niaj GPS-aparatoj por determini kie ni estas kaj kien ni devas iri. Memveturantaj aŭtoj, aliflanke, trovas ĝin ege malfacile navigi nekonatajn sekciojn de la vojo. Por ĉiu nova loko, la aŭtopiloto devas zorge analizi la novan itineron, kaj ofte aŭtomataj kontrolsistemoj dependas de kompleksaj 3D mapoj kiujn provizantoj preparas por ili anticipe.
En artikolo prezentita ĉi-semajne ĉe la Internacia Konferenco pri Robotiko kaj Aŭtomatigo, MIT-esploristoj priskribas aŭtonomian vetursistemon kiu "lernas" kaj memoras la decidajn ŝablonojn de homa ŝoforo dum ili navigas sur vojoj en urba areo uzante nur datumojn de video. fotiloj kaj simpla GPS-simila mapo. La edukita aŭtopiloto tiam povas veturi la senŝoforan aŭton en tute nova loko, simulante homan veturadon.
Same kiel homo, la aŭtomata piloto ankaŭ detektas ajnajn diferencojn inter sia mapo kaj la vojaj trajtoj. Tio helpas la sistemon determini ĉu ĝia pozicio sur la vojo, sensiloj aŭ mapo estas malĝustaj tiel ĝi povas korekti la kurson de la veturilo.
Por komence trejni la sistemon, homa funkciigisto veturis aŭtomatigitan Toyota Prius ekipitan per multoblaj fotiloj kaj baza GPS-naviga sistemo por kolekti datumojn de lokaj antaŭurbaj stratoj, inkluzive de diversaj vojstrukturoj kaj obstakloj. La sistemo tiam sukcese veturis la aŭton laŭ antaŭplanita itinero en alia arbarkovrita areo destinita por testado de aŭtonomaj veturiloj.
"Kun nia sistemo, vi ne devas trejni sur ĉiu vojo anticipe," diras studaŭtoro Alexander Amini, diplomiĝa studento de MIT. "Vi povas elŝuti novan mapon por via aŭto por navigi vojojn, kiujn ĝi neniam antaŭe vidis."
"Nia celo estas krei aŭtonomian navigacion, kiu estas rezistema al veturado en novaj medioj," aldonas kunaŭtoro Daniela Rus, direktoro de la Laboratorio pri Komputado kaj Artefarita Inteligenteco (CSAIL). "Ekzemple, se ni trejnas aŭtonomian veturilon por veturi en urba medio kiel la stratoj de Kembriĝo, la sistemo ankaŭ devas povi veturi glate en arbaro, eĉ se ĝi neniam antaŭe vidis tian medion."
Tradiciaj navigaciaj sistemoj prilaboras sensildatenojn per multoblaj moduloj agorditaj por taskoj kiel ekzemple lokalizo, mapado, objektodetekto, moviĝplanado kaj stirado. De jaroj, la grupo de Daniela disvolvas fin-al-finajn navigaciajn sistemojn, kiuj prilaboras sensilajn datumojn kaj kontrolas la aŭton sen bezono de specialaj moduloj. Ĝis nun, tamen, ĉi tiuj modeloj estis uzataj strikte por sekura vojaĝo sur la vojo, sen iu reala celo. En la nova laboro, la esploristoj rafinis sian fin-al-finan sistemon por cel-al-destina movado en antaŭe nekonata medio. Por fari tion, sciencistoj trejnis sian aŭtomatan piloton por antaŭdiri la plenan probablodistribuon por ĉiuj eblaj kontrolkomandoj iam ajn dum veturado.
La sistemo uzas maŝinlernmodelon nomitan konvolucia neŭrala reto (CNN), ofte uzita por bildrekono. Dum trejnado, la sistemo observas la veturan konduton de homa ŝoforo. CNN korelacias stirradoturniĝojn kun la kurbeco de la vojo, kiun ĝi observas per fotiloj kaj sur sia malgranda mapo. Kiel rezulto, la sistemo lernas la plej verŝajnajn stirkomandojn por diversaj veturaj situacioj, kiel rektaj vojoj, kvardirektaj intersekciĝoj aŭ T-krucvojoj, forkoj kaj turnoj.
"Komence, ĉe T-intersekciĝo, estas multaj malsamaj direktoj, kiujn aŭto povas turni," diras Rus. "La modelo komencas pensante pri ĉiuj ĉi tiuj direktoj, kaj dum la CNN ricevas pli kaj pli da datumoj pri tio, kion homoj faras en certaj situacioj sur la vojo, ĝi vidos, ke iuj ŝoforoj turnas maldekstren kaj aliaj turnas dekstren, sed neniu iras rekte. . Rekte antaŭen estas ekskludita kiel ebla direkto, kaj la modelo konkludas, ke ĉe T-krucvojoj ĝi povas moviĝi nur maldekstren aŭ dekstren."
Dum veturado, la CNN ankaŭ ĉerpas vidajn vojajn trajtojn de fotiloj, permesante al ĝi antaŭdiri eblajn itinerŝanĝojn. Ekzemple, ĝi identigas ruĝan haltsignalon aŭ rompitan linion sur la flanko de la vojo kiel signoj de venonta intersekciĝo. En ĉiu momento, ĝi uzas la antaŭdirita probabla distribuo de kontrolkomandoj por elekti la plej ĝustan komandon.
Gravas noti, ke, laŭ la esploristoj, ilia aŭtomata piloto uzas mapojn, kiuj estas ekstreme facile stokeblaj kaj prilaboreblaj. Aŭtonomaj kontrolsistemoj tipe uzas lidar-mapojn, kiuj okupas proksimume 4000 GB da datenoj por stoki nur la grandurbon de San Francisco. Por ĉiu nova celloko, la aŭto devas uzi kaj krei novajn mapojn, kio postulas grandegan kvanton da memoro. Aliflanke, la mapo uzata de la nova Aŭtomata piloto kovras la tutan mondon dum okupas nur 40 gigabajtojn da datumoj.
Dum aŭtonomia veturado, la sistemo ankaŭ konstante komparas siajn vidajn datumojn kun la mapdatenoj kaj markas iujn ajn diferencojn. Ĉi tio helpas la aŭtonomian veturilon pli bone determini kie ĝi estas sur la vojo. Kaj ĉi tio certigas, ke la aŭto restas sur la plej sekura vojo, eĉ se ĝi ricevas konfliktajn enig-informojn: se, ekzemple, la aŭto vojaĝas sur rekta vojo sen turniĝoj, kaj la GPS indikas, ke la aŭto devas turni dekstren, la aŭtomobilo faros. scias iri rekte aŭ halti.
"En la reala mondo, sensiloj malsukcesas," diras Amini. "Ni volas certigi, ke nia aŭtomata piloto estas rezistema al diversaj sensilaj misfunkciadoj kreante sistemon, kiu povas ricevi ajnajn bruajn signalojn kaj ankoraŭ navigi la vojon ĝuste."
fonto: 3dnews.ru