Gizakiaren moduko erabakiak har ditzaketen auto gidatzen dituzten autoak sortzea aspaldiko helburua izan da Waymo, GM Cruise, Uber eta beste enpresen artean. Intel Mobileye-k Erantzukizunarekiko Segurtasunarekiko Sensibilitatea (RSS) eredu matematiko bat eskaintzen du, konpainiak "zentzu komuna" gisa deskribatzen duena, pilotu automatikoa modu "onean" joka dezan programatzea, esate baterako, beste autoei bide-eskubidea ematea. . Bestalde, NVIDIA aktiboki garatzen ari da Safety Force Field, sisteman oinarritutako erabakiak hartzeko teknologia bat, inguruko errepideetako erabiltzaileen ekintza seguruak kontrolatzen dituena, ibilgailuen sentsoreen datuak denbora errealean aztertuz. Orain, Massachusettseko Teknologia Institutuko (MIT) zientzialari talde batek ikerketa honekin bat egin du eta GPS antzeko mapak eta autoan instalatutako kameretatik lortutako datu bisualak erabiltzean oinarritutako ikuspegi berri bat proposatu du, pilotu automatikoak ezezagunetan nabigatu ahal izateko. pertsona baten antzeko errepideak.modu.
Jendea oso ona da inoiz ibili ez diren errepideetan autoak gidatzen. Gure inguruan ikusten duguna gure GPS gailuetan ikusten dugunarekin alderatzen dugu, non gauden eta nora joan behar dugun zehazteko. Norberak gidatzen diren autoek, berriz, oso zaila egiten dute errepideko zati ezezagunetan nabigatzea. Kokapen berri bakoitzeko, pilotu automatikoak arretaz aztertu behar du ibilbide berria, eta, askotan, kontrol automatikoko sistemak hornitzaileek aldez aurretik prestatzen dituzten 3D mapa konplexuetan oinarritzen dira.
Aste honetan Robotika eta Automatizazioari buruzko Nazioarteko Konferentzian aurkeztutako idazki batean, MITeko ikertzaileek gidatzeko sistema autonomo bat deskribatzen dute, eta "ikasten" eta gogoratzen ditu giza gidari baten erabakiak hartzeko ereduak hiri txiki bateko errepideetan nabigatzen dituenean bideoko datuak soilik erabiliz. kamerak eta GPS itxurako mapa sinple bat. Prestatutako pilotu automatikoak gidaririk gabeko autoa kokapen guztiz berri batean gidatu dezake, gizakiaren gidatzea simulatuz.
Gizaki batek bezala, pilotu automatikoak bere maparen eta errepidearen ezaugarrien arteko desadostasunik ere detektatzen du. Honek sistemak errepidean duen posizioa, sentsoreak edo mapa okerrak diren zehazten laguntzen du, ibilgailuaren ibilbidea zuzen dezan.
Hasieran sistema trebatzeko, giza-operadore batek kamera anitz eta oinarrizko GPS nabigazio-sistemaz hornitutako Toyota Prius automatizatu bat gidatu zuen tokiko aldirietako kaleetako datuak biltzeko, hainbat errepide egitura eta oztopo barne. Ondoren, sistemak autoa arrakastaz gidatu zuen aldez aurretik aurreikusitako ibilbide batetik beste baso-eremu batean ibilgailu autonomoak probak egiteko.
"Gure sistemarekin, ez duzu errepide guztietan entrenatu behar aldez aurretik", dio Alexander Amini ikerketa egileak, MIT graduko ikasleak. "Mapa berri bat deskarga dezakezu zure autorako inoiz ikusi ez diren errepideetan nabigatzeko".
"Gure helburua ingurune berrietan gidatzeko erresistentea den nabigazio autonomoa sortzea da", gaineratu du Daniela Rus egilekideak, Informatika eta Adimen Artifizialaren Laborategiko (CSAIL) zuzendariak. "Adibidez, ibilgailu autonomo bat Cambridgeko kaleetan bezalako hiri ingurune batean gidatzeko entrenatzen badugu, sistemak ere baso batean lasai ibiltzeko gai izan behar du, nahiz eta inoiz horrelako ingurunerik ikusi".
Nabigazio-sistemek sentsoreen datuak prozesatzen dituzte, besteak beste, lokalizazioa, mapak, objektuak detektatzeko, mugimenduen plangintza eta gidatzeko zereginetarako konfiguratutako hainbat moduluren bidez. Urteak daramatza Danielaren taldeak sentsoreen datuak prozesatzen dituzten eta autoa kontrolatzen duten muturreko nabigazio sistemak garatzen, modulu espezializaturik beharrik gabe. Orain arte, ordea, eredu hauek errepidean segurtasunez ibiltzeko erabili izan dira hertsiki, benetako helbururik gabe. Lan berrian, ikertzaileek beren amaierako sistema findu zuten helburutik helmugarako mugimendurako, aurretik ezezaguna den ingurune batean. Horretarako, zientzialariek beren pilotu automatikoa entrenatu zuten gidatzen ari ziren bitartean kontrol-agindu posible guztien probabilitate-banaketa osoa iragartzeko.
Sistemak sare neuronal konboluzionala (CNN) izeneko ikasketa makina eredu bat erabiltzen du, irudiak ezagutzeko erabili ohi dena. Prestakuntzan zehar, sistemak giza gidari baten gidatze-portaera behatzen du. CNN-k bolantearen biraketak errepidearen kurbadurarekin erlazionatzen ditu, kamera bidez eta bere mapa txikian behatzen dituena. Ondorioz, sistemak gidatzeko hainbat egoeratarako gidatzeko agindu seguruenak ikasten ditu, hala nola errepide zuzenak, lau noranzkoko bidegurutzeak edo T bidegurutzeak, bidegurutzeak eta birakak.
"Hasieran, T-bidegurutze batean, auto batek biratu ditzakeen norabide ezberdin asko daude", dio Rusek. Β«Eredua norabide horietan guztietan pentsatzen hasten da, eta CNNk gero eta datu gehiago jasotzen dituen heinean jendeak errepidean zenbait egoeratan egiten duenari buruz, ikusiko du gidari batzuek ezkerrera eta beste batzuk eskuinera egiten dutela, baina inor ez doa zuzenean. . Zuzenean aurrera egitea baztertzen da posible noranzko gisa, eta ereduak ondorioztatzen du T bidegurutzeetan ezkerrera edo eskuinera soilik mugitu daitekeelaΒ».
Gidatzen ari zaren bitartean, CNN-k kameretatik bide bisualen ezaugarriak ere ateratzen ditu, ibilbide aldaketa posibleak aurreikusteko aukera emanez. Adibidez, geldiune-seinale gorri bat edo errepidearen alboko lerro eten bat identifikatzen du hurrengo bidegurutze baten seinale gisa. Momentu bakoitzean, kontrol komandoen aurreikusitako probabilitate banaketa erabiltzen du komandorik zuzenena hautatzeko.
Garrantzitsua da ikertzaileen arabera, beren pilotu automatikoak gordetzeko eta prozesatzeko oso errazak diren mapak erabiltzen dituela. Kontrol sistema autonomoek normalean lidar mapak erabiltzen dituzte, gutxi gorabehera 4000 GB datu hartzen dituztenak San Frantzisko hiria soilik gordetzeko. Helmuga berri bakoitzeko, autoak mapa berriak erabili eta sortu behar ditu, eta horrek memoria kopuru handia eskatzen du. Bestalde, Autopilot berriak erabiltzen duen mapak mundu osoa hartzen du 40 gigabyte datuak soilik hartzen dituen bitartean.
Gidatze autonomoan, sistemak etengabe konparatzen ditu bere datu bisualak mapako datuekin eta desadostasunak adierazten ditu. Horrek ibilgailu autonomoari errepidean non dagoen hobeto zehazten laguntzen du. Eta horrek bermatzen du autoa bide seguruenean jarraituko duela, sarrera-informazio kontrajarriak jasotzen baditu ere: demagun, autoa errepide zuzen batean biratu gabe badabil eta GPSak autoak eskuinera egin behar duela adierazten badu, autoa egingo du. zuzen joan edo gelditzen jakin.
"Mundu errealean, sentsoreek huts egiten dute", dio Aminik. "Ziurtatu nahi dugu gure pilotu automatikoa hainbat sentsore akatsen aurrean erresistentea dela edozein zarata-seinale jaso eta errepidean behar bezala nabigatzeko sistema bat sortuz".
Iturria: 3dnews.ru