ساخت خودروهای خودران که می توانند تصمیماتی شبیه به انسان بگیرند، هدف دیرینه شرکت هایی مانند Waymo، GM Cruise، Uber و دیگران بوده است. اینتل Mobileye یک مدل ریاضی ایمنی حساس به مسئولیت (RSS) ارائه میکند که این شرکت به عنوان یک رویکرد "عقل سلیم" توصیف میکند که مشخصه آن برنامهریزی خودکار خلبان برای رفتار "خوب" است، مانند دادن حق تقدم به خودروهای دیگر. . از سوی دیگر، NVIDIA فعالانه در حال توسعه Safety Force Field است، یک فناوری تصمیمگیری مبتنی بر سیستم که با تجزیه و تحلیل دادههای حسگرهای خودرو در زمان واقعی، اعمال ناامن کاربران جادههای اطراف را کنترل میکند. اکنون گروهی از دانشمندان موسسه فناوری ماساچوست (MIT) به این تحقیق ملحق شده اند و رویکرد جدیدی را مبتنی بر استفاده از نقشه های مشابه GPS و داده های بصری به دست آمده از دوربین های نصب شده بر روی خودرو ارائه کرده اند تا خلبان خودکار بتواند در موارد ناشناخته حرکت کند. جاده های شبیه به یک شخص.
مردم در رانندگی در جاده هایی که قبلاً هرگز در آن نرفته اند، فوق العاده خوب هستند. ما به سادگی آنچه را که در اطراف خود می بینیم با آنچه در دستگاه های GPS خود می بینیم مقایسه می کنیم تا مشخص کنیم کجا هستیم و کجا باید برویم. از سوی دیگر، خودروهای خودران برای پیمایش در بخشهای ناشناخته جاده بسیار مشکل هستند. برای هر مکان جدید، خلبان خودکار نیاز به تجزیه و تحلیل دقیق مسیر جدید دارد، و اغلب سیستمهای کنترل خودکار به نقشههای سه بعدی پیچیدهای تکیه میکنند که تامینکنندگان از قبل برای آنها آماده میکنند.
در مقالهای که این هفته در کنفرانس بینالمللی رباتیک و اتوماسیون ارائه شد، محققان MIT یک سیستم رانندگی مستقل را توصیف میکنند که الگوهای تصمیمگیری راننده انسان را هنگامی که در جادهها در یک منطقه کوچک شهر حرکت میکنند، تنها با استفاده از دادههای ویدیویی «یاد میگیرد» و به یاد میآورد. دوربین ها و یک نقشه ساده شبیه GPS. سپس خلبان خودکار آموزش دیده می تواند ماشین بدون راننده را در یک مکان کاملا جدید رانندگی کند و رانندگی انسان را شبیه سازی کند.
درست مانند یک انسان، خلبان خودکار نیز هر گونه اختلاف بین نقشه خود و ویژگی های جاده را تشخیص می دهد. این به سیستم کمک می کند تا تعیین کند که آیا موقعیت آن در جاده، سنسورها یا نقشه نادرست است یا خیر تا بتواند مسیر خودرو را اصلاح کند.
برای آموزش اولیه این سیستم، یک اپراتور انسانی یک تویوتا پریوس خودکار مجهز به دوربینهای متعدد و یک سیستم ناوبری جیپیاس را برای جمعآوری دادهها از خیابانهای حومه شهر، از جمله ساختارهای جادهای مختلف و موانع، راند. سپس این سیستم با موفقیت خودرو را در امتداد یک مسیر از پیش برنامه ریزی شده در منطقه جنگلی دیگری که برای آزمایش وسایل نقلیه خودمختار در نظر گرفته شده بود راند.
الکساندر امینی، نویسنده این مطالعه، دانشجوی کارشناسی ارشد MIT، می گوید: «با سیستم ما، لازم نیست در هر جاده از قبل تمرین کنید. "می توانید نقشه جدیدی را برای ماشین خود بارگیری کنید تا در جاده هایی که قبلاً دیده نشده است حرکت کنید."
دانیلا روس، مدیر آزمایشگاه علوم رایانه و هوش مصنوعی (CSAIL) میافزاید: «هدف ما ایجاد ناوبری خودکار است که در برابر رانندگی در محیطهای جدید مقاوم باشد». به عنوان مثال، اگر ما یک وسیله نقلیه خودمختار را برای رانندگی در یک محیط شهری مانند خیابانهای کمبریج آموزش دهیم، این سیستم همچنین باید بتواند به راحتی در جنگل رانندگی کند، حتی اگر قبلاً چنین محیطی را ندیده باشد.
سیستمهای ناوبری سنتی دادههای حسگر را از طریق ماژولهای متعددی که برای کارهایی مانند محلیسازی، نقشهبرداری، تشخیص اشیا، برنامهریزی حرکت و فرمان پیکربندی شدهاند، پردازش میکنند. برای سالها، گروه Daniela در حال توسعه سیستمهای ناوبری end-to-end است که دادههای حسگر را پردازش کرده و خودرو را بدون نیاز به ماژولهای تخصصی کنترل میکند. با این حال، تا به حال، این مدل ها صرفاً برای سفر ایمن در جاده ها و بدون هیچ هدف واقعی استفاده می شدند. در کار جدید، محققان سیستم انتها به انتها خود را برای حرکت هدف به مقصد در یک محیط ناشناخته قبلی اصلاح کردند. برای انجام این کار، دانشمندان به خلبان خودکار خود آموزش دادند تا توزیع احتمال کامل را برای همه دستورات کنترلی ممکن در هر زمان در حین رانندگی پیش بینی کند.
این سیستم از یک مدل یادگیری ماشینی به نام شبکه عصبی کانولوشن (CNN) استفاده می کند که معمولاً برای تشخیص تصویر استفاده می شود. در طول آموزش، سیستم رفتار رانندگی یک راننده انسانی را مشاهده می کند. CNN چرخش فرمان را با انحنای جاده که از طریق دوربین ها و نقشه کوچک خود مشاهده می کند، مرتبط می کند. در نتیجه، سیستم محتملترین فرمانهای فرمان را برای موقعیتهای مختلف رانندگی، مانند جادههای مستقیم، تقاطعهای چهار طرفه یا اتصالات T، دوشاخهها و پیچها یاد میگیرد.
راس میگوید: «در ابتدا، در یک تقاطع T، جهات مختلفی وجود دارد که یک خودرو میتواند بپیچد. این مدل با فکر کردن به تمام این جهتها شروع میشود، و با دریافت اطلاعات بیشتر و بیشتر از CNN در مورد کارهایی که مردم در موقعیتهای خاص در جاده انجام میدهند، میبیند که برخی از رانندگان به چپ و برخی دیگر به راست میپیچند، اما هیچکس مستقیماً نمیرود. . مستقیم به جلو به عنوان یک جهت احتمالی منتفی است و مدل به این نتیجه می رسد که در اتصالات T فقط می تواند به چپ یا راست حرکت کند.
در حین رانندگی، CNN همچنین ویژگیهای بصری جاده را از دوربینها استخراج میکند و به آن اجازه میدهد تا تغییرات احتمالی مسیر را پیشبینی کند. به عنوان مثال، یک علامت توقف قرمز یا یک خط شکسته در کنار جاده را به عنوان نشانه های یک تقاطع آینده شناسایی می کند. در هر لحظه، از توزیع احتمال پیش بینی شده دستورات کنترلی برای انتخاب صحیح ترین دستور استفاده می کند.
ذکر این نکته ضروری است که به گفته محققان، خلبان خودکار آنها از نقشه هایی استفاده می کند که ذخیره و پردازش آنها بسیار آسان است. سیستمهای کنترل مستقل معمولاً از نقشههای لیدار استفاده میکنند که تقریباً 4000 گیگابایت داده را برای ذخیره فقط شهر سانفرانسیسکو اشغال میکنند. برای هر مقصد جدید، ماشین باید از نقشه های جدید استفاده کرده و ایجاد کند، که نیاز به مقدار زیادی حافظه دارد. از سوی دیگر، نقشهای که توسط Autopilot جدید استفاده میشود، کل جهان را پوشش میدهد در حالی که تنها 40 گیگابایت داده را اشغال میکند.
در حین رانندگی خودکار، سیستم همچنین دائماً داده های بصری خود را با داده های نقشه مقایسه می کند و هرگونه اختلاف را نشان می دهد. این کمک می کند تا وسیله نقلیه خودران بهتر تشخیص دهد که در کجای جاده قرار دارد. و این تضمین می کند که خودرو در ایمن ترین مسیر باقی بماند، حتی اگر اطلاعات ورودی متناقضی دریافت کند: مثلاً اگر ماشین در یک جاده مستقیم و بدون پیچ در حال حرکت است و GPS نشان می دهد که ماشین باید به راست بپیچد، خودرو بدانید که مستقیم بروید یا توقف کنید.
امینی می گوید: «در دنیای واقعی، حسگرها از کار می افتند. ما میخواهیم با ایجاد سیستمی که میتواند سیگنالهای نویز را دریافت کند و همچنان جاده را به درستی هدایت کند، مطمئن شویم که خلبان خودکار ما در برابر خرابیهای حسگرهای مختلف مقاوم است.
منبع: 3dnews.ru