Crear coches autónomos que poidan tomar decisións humanas foi un obxectivo de longa data de empresas como Waymo, GM Cruise, Uber e outras. Intel Mobileye ofrece un modelo matemático de Seguridade Sensible á Responsabilidade (RSS), que a compañía describe como un enfoque de "sentido común" que se caracteriza por programar o piloto automático para que se comporte de forma "boa", como por exemplo, dar paso a outros coches. . Por outra banda, NVIDIA está a desenvolver activamente Safety Force Field, unha tecnoloxía de toma de decisións baseada no sistema que supervisa as accións inseguras dos usuarios das estradas circundantes mediante a análise de datos dos sensores dos vehículos en tempo real. Agora un grupo de científicos do Instituto Tecnolóxico de Massachusetts (MIT) sumouse a esta investigación e propuxo un novo enfoque baseado no uso de mapas parecidos a GPS e datos visuais obtidos a partir de cámaras instaladas no coche para que o piloto automático poida navegar por lugares descoñecidos. camiños semellantes a unha persoa.camiño.
As persoas son excepcionalmente boas para conducir coches por estradas polas que nunca antes estiveron. Simplemente comparamos o que vemos ao noso redor co que vemos nos nosos dispositivos GPS para determinar onde estamos e onde debemos ir. Os coches autónomos, pola contra, teñen unha enorme dificultade para navegar por tramos descoñecidos da estrada. Para cada nova localización, o piloto automático debe analizar coidadosamente a nova ruta, e moitas veces os sistemas de control automático dependen de mapas 3D complexos que os provedores preparan para eles con antelación.
Nun documento presentado esta semana na Conferencia Internacional sobre Robótica e Automatización, os investigadores do MIT describen un sistema de condución autónoma que "aprende" e lembra os patróns de toma de decisións dun condutor humano mentres navega polas estradas dunha pequena área da cidade utilizando só datos do vídeo. cámaras e un mapa sinxelo parecido ao GPS. O piloto automático adestrado pode conducir o coche sen condutor nun lugar completamente novo, simulando a condución humana.
Do mesmo xeito que un humano, o piloto automático tamén detecta calquera discrepancia entre o seu mapa e as características da estrada. Isto axuda ao sistema a determinar se a súa posición na estrada, os sensores ou o mapa son incorrectos para que poida corrixir o rumbo do vehículo.
Para adestrar inicialmente o sistema, un operador humano conduciu un Toyota Prius automatizado equipado con varias cámaras e un sistema de navegación GPS básico para recoller datos das rúas suburbanas locais, incluíndo varias estruturas de estradas e obstáculos. A continuación, o sistema conduciu con éxito o coche por unha ruta previamente planificada noutra zona forestal destinada a probar vehículos autónomos.
"Co noso sistema, non tes que adestrar en todas as estradas con antelación", di o autor do estudo Alexander Amini, un estudante de posgrao do MIT. "Podes descargar un novo mapa para o teu coche para navegar por estradas que nunca antes se viu".
"O noso obxectivo é crear unha navegación autónoma que sexa resistente á condución en novos entornos", engade a coautora Daniela Rus, directora do Laboratorio de Informática e Intelixencia Artificial (CSAIL). "Por exemplo, se adestramos un vehículo autónomo para circular nun entorno urbano como as rúas de Cambridge, o sistema tamén debe ser capaz de circular sen problemas nun bosque, aínda que nunca antes vira tal ambiente".
Os sistemas de navegación tradicionais procesan os datos dos sensores a través de múltiples módulos configurados para tarefas como localización, mapeo, detección de obxectos, planificación de movemento e dirección. Dende hai anos, o grupo de Daniela desenvolve sistemas de navegación de extremo a extremo que procesan os datos dos sensores e controlan o coche sen necesidade de ningún módulo especializado. Ata agora, con todo, estes modelos utilizábanse estrictamente para desprazamentos seguros pola estrada, sen ningún propósito real. No novo traballo, os investigadores perfeccionaron o seu sistema de extremo a extremo para o movemento de meta a destino nun ambiente previamente descoñecido. Para iso, os científicos adestraron o seu piloto automático para predecir a distribución de probabilidade completa para todos os posibles comandos de control en calquera momento durante a condución.
O sistema utiliza un modelo de aprendizaxe automática chamado rede neuronal convolucional (CNN), que se usa habitualmente para o recoñecemento de imaxes. Durante o adestramento, o sistema observa o comportamento de condución dun condutor humano. CNN correlaciona os xiros do volante coa curvatura da estrada, que observa a través de cámaras e no seu pequeno mapa. Como resultado, o sistema aprende os comandos de dirección máis probables para diversas situacións de condución, como estradas rectas, interseccións de catro sentidos ou cruces en T, bifurcacións e xiros.
"Inicialmente, nunha intersección en T, hai moitas direccións diferentes que un coche pode virar", di Rus. "O modelo comeza por pensar en todas estas direccións, e a medida que a CNN obtén cada vez máis datos sobre o que a xente está a facer en determinadas situacións na estrada, verá que uns condutores xiran á esquerda e outros á dereita, pero ninguén vai directamente. . Queda descartada como posible dirección en liña recta, e o modelo conclúe que nos cruces en T só se pode mover á esquerda ou á dereita".
Mentres conduce, a CNN tamén extrae características visuais das estradas das cámaras, o que lle permite prever posibles cambios de ruta. Por exemplo, identifica un sinal de stop vermello ou unha liña discontinua ao lado da estrada como sinais dunha próxima intersección. En cada momento, utiliza a distribución de probabilidade prevista dos comandos de control para seleccionar o comando máis correcto.
É importante ter en conta que, segundo os investigadores, o seu piloto automático usa mapas moi fáciles de almacenar e procesar. Os sistemas de control autónomos normalmente usan mapas lidar, que ocupan aproximadamente 4000 GB de datos para almacenar só a cidade de San Francisco. Para cada novo destino, o coche debe usar e crear novos mapas, o que require unha gran cantidade de memoria. Por outra banda, o mapa que utiliza o novo Autopilot abarca todo o mundo mentres ocupa só 40 gigabytes de datos.
Durante a condución autónoma, o sistema tamén compara constantemente os seus datos visuais cos datos do mapa e sinala calquera discrepancia. Isto axuda ao vehículo autónomo a determinar mellor onde está na estrada. E isto garante que o coche se manteña no camiño máis seguro, aínda que reciba información de entrada conflitiva: se, por exemplo, o coche circula por unha estrada recta sen xiros e o GPS indica que o coche debe virar á dereita, o coche sabe ir recto ou parar.
"No mundo real, os sensores fallan", di Amini. "Queremos asegurarnos de que o noso piloto automático sexa resistente a varios fallos de sensores creando un sistema que poida recibir calquera sinal de ruído e seguir navegando pola estrada correctamente".
Fonte: 3dnews.ru