વિડિઓ: MIT વૈજ્ઞાનિકો ઓટોપાયલટને વધુ માનવ જેવા બનાવે છે

સ્વ-ડ્રાઇવિંગ કાર બનાવવી જે માનવ જેવા નિર્ણયો લઈ શકે તે Waymo, GM Cruise, Uber અને અન્ય કંપનીઓનું લાંબા સમયથી લક્ષ્ય રહ્યું છે. Intel Mobileye એક રિસ્પોન્સિબિલિટી-સેન્સિટિવ સેફ્ટી (RSS) ગાણિતિક મૉડલ ઑફર કરે છે, જેને કંપની "સામાન્ય સમજણ" અભિગમ તરીકે વર્ણવે છે જે ઑટોપાયલટને "સારી" રીતે વર્તવા માટે પ્રોગ્રામિંગ દ્વારા વર્ગીકૃત કરવામાં આવે છે, જેમ કે અન્ય કારને માર્ગનો અધિકાર આપવો. . બીજી તરફ, NVIDIA સક્રિયપણે સેફ્ટી ફોર્સ ફીલ્ડ વિકસાવી રહ્યું છે, જે સિસ્ટમ આધારિત નિર્ણય લેવાની ટેક્નોલોજી છે જે વાસ્તવિક સમયમાં વાહન સેન્સરમાંથી ડેટાનું પૃથ્થકરણ કરીને આસપાસના રસ્તા વપરાશકર્તાઓની અસુરક્ષિત ક્રિયાઓ પર નજર રાખે છે. હવે મેસેચ્યુસેટ્સ ઇન્સ્ટિટ્યૂટ ઓફ ટેક્નોલોજી (MIT) ના વૈજ્ઞાનિકોનું એક જૂથ આ સંશોધનમાં જોડાયું છે અને કારમાં સ્થાપિત કેમેરામાંથી મેળવેલા જીપીએસ જેવા નકશા અને વિઝ્યુઅલ ડેટાના ઉપયોગ પર આધારિત એક નવો અભિગમ પ્રસ્તાવિત કર્યો છે જેથી ઓટોપાયલટ અજાણ્યા લોકો પર નેવિગેટ કરી શકે. વ્યક્તિ જેવા રસ્તા.

લોકો એવા રસ્તાઓ પર કાર ચલાવવામાં અસાધારણ રીતે સારા છે જે તેઓ પહેલાં ક્યારેય નહોતા ગયા. આપણે ક્યાં છીએ અને આપણે ક્યાં જવાની જરૂર છે તે નિર્ધારિત કરવા માટે આપણે આપણા જીપીએસ ઉપકરણો પર જે જોઈએ છીએ તેની સાથે આપણે આપણી આસપાસ જે જોઈએ છીએ તેની સરખામણી કરીએ છીએ. બીજી તરફ, સ્વ-ડ્રાઇવિંગ કારને રસ્તાના અજાણ્યા ભાગોમાં નેવિગેટ કરવું અત્યંત મુશ્કેલ લાગે છે. દરેક નવા સ્થાન માટે, ઓટોપાયલોટને નવા રૂટનું કાળજીપૂર્વક વિશ્લેષણ કરવાની જરૂર છે, અને ઘણી વખત સ્વચાલિત નિયંત્રણ સિસ્ટમ જટિલ 3D નકશા પર આધાર રાખે છે જે સપ્લાયર્સ તેમના માટે અગાઉથી તૈયાર કરે છે.

આ અઠવાડિયે રોબોટિક્સ અને ઓટોમેશન પર ઇન્ટરનેશનલ કોન્ફરન્સમાં રજૂ કરાયેલા પેપરમાં, MIT સંશોધકોએ એક સ્વાયત્ત ડ્રાઇવિંગ સિસ્ટમનું વર્ણન કર્યું છે જે "શીખે છે" અને માનવ ડ્રાઇવરની નિર્ણય લેવાની રીતોને યાદ રાખે છે કારણ કે તેઓ માત્ર ડેટાનો ઉપયોગ કરીને નાના શહેરના વિસ્તારમાં રસ્તાઓ પર નેવિગેટ કરે છે. કેમેરા અને એક સરળ જીપીએસ જેવો નકશો. પ્રશિક્ષિત ઓટોપાયલટ પછી માનવ ડ્રાઇવિંગનું અનુકરણ કરીને ડ્રાઇવર વિનાની કારને સંપૂર્ણપણે નવી જગ્યાએ ચલાવી શકે છે.

માનવીની જેમ, ઓટોપાયલટ પણ તેના નકશા અને રસ્તાની સુવિધાઓ વચ્ચેની કોઈપણ વિસંગતતાને શોધી કાઢે છે. આ સિસ્ટમને રસ્તા પર તેની સ્થિતિ, સેન્સર અથવા નકશો ખોટો છે કે કેમ તે નિર્ધારિત કરવામાં મદદ કરે છે જેથી તે વાહનનો માર્ગ સુધારી શકે.

શરૂઆતમાં સિસ્ટમને તાલીમ આપવા માટે, માનવ ઓપરેટરે વિવિધ રસ્તાના બંધારણો અને અવરોધો સહિત સ્થાનિક ઉપનગરીય શેરીઓમાંથી ડેટા એકત્રિત કરવા માટે બહુવિધ કેમેરા અને મૂળભૂત GPS નેવિગેશન સિસ્ટમથી સજ્જ સ્વચાલિત ટોયોટા પ્રિયસ ચલાવ્યું. ત્યારબાદ સિસ્ટમે સ્વાયત્ત વાહનોનું પરીક્ષણ કરવાના હેતુથી અન્ય જંગલ વિસ્તારમાં પૂર્વ આયોજિત માર્ગ સાથે કારને સફળતાપૂર્વક ચલાવી.

"અમારી સિસ્ટમ સાથે, તમારે દરેક રસ્તા પર અગાઉથી તાલીમ લેવાની જરૂર નથી," અભ્યાસ લેખક એલેક્ઝાન્ડર અમીની, એક MIT સ્નાતક વિદ્યાર્થી કહે છે. "તમે તમારી કાર માટે એક નવો નકશો ડાઉનલોડ કરી શકો છો જેથી તે રસ્તાઓ પર નેવિગેટ કરી શકે જે તે પહેલાં ક્યારેય ન જોઈ હોય."

કોમ્પ્યુટર સાયન્સ એન્ડ આર્ટિફિશિયલ ઈન્ટેલિજન્સ લેબોરેટરી (CSAIL) ના ડિરેક્ટર સહ-લેખક ડેનિએલા રુસ ઉમેરે છે, "અમારું લક્ષ્ય સ્વાયત્ત નેવિગેશન બનાવવાનું છે જે નવા વાતાવરણમાં ડ્રાઇવિંગ માટે સ્થિતિસ્થાપક હોય." "ઉદાહરણ તરીકે, જો આપણે કેમ્બ્રિજની શેરીઓ જેવા શહેરી વાતાવરણમાં વાહન ચલાવવા માટે સ્વાયત્ત વાહનને તાલીમ આપીએ, તો સિસ્ટમ જંગલમાં પણ સરળતાથી વાહન ચલાવવા માટે સક્ષમ હોવી જોઈએ, પછી ભલે તેણે આવું વાતાવરણ પહેલાં ક્યારેય જોયું ન હોય."

પરંપરાગત નેવિગેશન સિસ્ટમ્સ સ્થાનિકીકરણ, મેપિંગ, ઑબ્જેક્ટ શોધ, ગતિ આયોજન અને સ્ટીયરિંગ જેવા કાર્યો માટે ગોઠવેલા બહુવિધ મોડ્યુલો દ્વારા સેન્સર ડેટાની પ્રક્રિયા કરે છે. વર્ષોથી, ડેનિએલાનું જૂથ એન્ડ-ટુ-એન્ડ નેવિગેશન સિસ્ટમ્સ વિકસાવી રહ્યું છે જે સેન્સર ડેટા પર પ્રક્રિયા કરે છે અને કોઈપણ વિશિષ્ટ મોડ્યુલની જરૂર વગર કારને નિયંત્રિત કરે છે. જો કે, અત્યાર સુધી, આ મોડલ્સનો ઉપયોગ રસ્તા પર સલામત મુસાફરી માટે, કોઈપણ વાસ્તવિક હેતુ વિના સખત રીતે કરવામાં આવતો હતો. નવા કાર્યમાં, સંશોધકોએ અગાઉના અજાણ્યા વાતાવરણમાં ધ્યેય-થી-ગંતવ્ય ચળવળ માટે તેમની એન્ડ-ટુ-એન્ડ સિસ્ટમને શુદ્ધ કરી. આ કરવા માટે, વૈજ્ઞાનિકોએ તેમના ઓટોપાયલટને ડ્રાઇવિંગ કરતી વખતે કોઈપણ સમયે તમામ સંભવિત નિયંત્રણ આદેશો માટે સંપૂર્ણ સંભાવના વિતરણની આગાહી કરવા તાલીમ આપી હતી.

સિસ્ટમ કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (CNN) તરીકે ઓળખાતા મશીન લર્નિંગ મોડલનો ઉપયોગ કરે છે, જે સામાન્ય રીતે ઇમેજ રેકગ્નિશન માટે વપરાય છે. તાલીમ દરમિયાન, સિસ્ટમ માનવ ડ્રાઇવરના ડ્રાઇવિંગ વર્તનનું અવલોકન કરે છે. સીએનએન સ્ટીયરીંગ વ્હીલના વળાંકને રસ્તાના વળાંક સાથે સાંકળે છે, જે તે કેમેરા દ્વારા અને તેના નાના નકશા પર અવલોકન કરે છે. પરિણામે, સિસ્ટમ વિવિધ ડ્રાઇવિંગ પરિસ્થિતિઓ માટે સંભવિત સ્ટીયરિંગ આદેશો શીખે છે, જેમ કે સીધા રસ્તાઓ, ચાર-માર્ગીય આંતરછેદ અથવા ટી-જંકશન, કાંટો અને વળાંક.

"શરૂઆતમાં, ટી-ઇન્ટરસેક્શન પર, ત્યાં ઘણી જુદી જુદી દિશામાં કાર ફેરવી શકે છે," રુસ કહે છે. "મૉડલ આ બધી દિશાઓ વિશે વિચારીને શરૂ થાય છે, અને જેમ જેમ CNN ને રસ્તા પર અમુક પરિસ્થિતિઓમાં લોકો શું કરી રહ્યા છે તે વિશે વધુ અને વધુ ડેટા મેળવે છે, તે જોશે કે કેટલાક ડ્રાઇવરો ડાબે વળે છે અને અન્ય જમણે વળે છે, પરંતુ કોઈ સીધું જતું નથી. . સીધું આગળ સંભવિત દિશા તરીકે નકારી કાઢવામાં આવે છે, અને મોડેલ તારણ આપે છે કે ટી-જંકશન પર તે ફક્ત ડાબે અથવા જમણે જ આગળ વધી શકે છે.

ડ્રાઇવિંગ કરતી વખતે, CNN કેમેરામાંથી વિઝ્યુઅલ રોડ ફીચર્સ પણ કાઢે છે, જેનાથી તે સંભવિત રૂટ ફેરફારોની આગાહી કરી શકે છે. ઉદાહરણ તરીકે, તે લાલ સ્ટોપ સાઇન અથવા રસ્તાની બાજુ પર તૂટેલી લાઇનને આગામી આંતરછેદના સંકેતો તરીકે ઓળખે છે. દરેક ક્ષણે, તે સૌથી સાચો આદેશ પસંદ કરવા માટે નિયંત્રણ આદેશોના અનુમાનિત સંભાવના વિતરણનો ઉપયોગ કરે છે.

એ નોંધવું અગત્યનું છે કે, સંશોધકોના મતે, તેમનો ઓટોપાયલટ નકશાનો ઉપયોગ કરે છે જે સ્ટોર કરવા અને પ્રક્રિયા કરવા માટે અત્યંત સરળ છે. સ્વાયત્ત નિયંત્રણ પ્રણાલીઓ સામાન્ય રીતે લિડર નકશાનો ઉપયોગ કરે છે, જે ફક્ત સાન ફ્રાન્સિસ્કો શહેરમાં સંગ્રહિત કરવા માટે આશરે 4000 GB ડેટા લે છે. દરેક નવા ગંતવ્ય માટે, કારને નવા નકશાનો ઉપયોગ કરવો અને બનાવવો આવશ્યક છે, જેમાં મોટી સંખ્યામાં મેમરીની જરૂર છે. બીજી તરફ, નવા ઓટોપાયલટ દ્વારા ઉપયોગમાં લેવાતો નકશો સમગ્ર વિશ્વને આવરી લે છે જ્યારે માત્ર 40 ગીગાબાઈટ ડેટા કબજે કરે છે.

સ્વાયત્ત ડ્રાઇવિંગ દરમિયાન, સિસ્ટમ સતત તેના વિઝ્યુઅલ ડેટાને નકશાના ડેટા સાથે સરખાવે છે અને કોઈપણ વિસંગતતાને ફ્લેગ કરે છે. આ સ્વાયત્ત વાહનને તે રસ્તા પર ક્યાં છે તે વધુ સારી રીતે નક્કી કરવામાં મદદ કરે છે. અને આ સુનિશ્ચિત કરે છે કે કાર સૌથી સુરક્ષિત માર્ગ પર રહે છે, પછી ભલે તે વિરોધાભાસી ઇનપુટ માહિતી મેળવે: જો, કહો, કાર કોઈ વળાંક વિના સીધા રસ્તા પર મુસાફરી કરી રહી છે, અને GPS સૂચવે છે કે કાર જમણે વળવી જોઈએ, તો કાર ચાલશે. સીધા જવાનું કે રોકાવાનું જાણો.

"વાસ્તવિક દુનિયામાં, સેન્સર નિષ્ફળ જાય છે," અમિની કહે છે. "અમે એ સુનિશ્ચિત કરવા માંગીએ છીએ કે અમારો ઓટોપાયલટ એક એવી સિસ્ટમ બનાવીને વિવિધ સેન્સર નિષ્ફળતાઓ માટે સ્થિતિસ્થાપક છે કે જે કોઈપણ અવાજ સંકેતો પ્રાપ્ત કરી શકે અને હજુ પણ રસ્તા પર યોગ્ય રીતે નેવિગેટ કરી શકે."

સોર્સ: 3dnews.ru