वीडियो: एमआईटी वैज्ञानिकों ने ऑटोपायलट को और अधिक मानव जैसा बनाया

मानव-जैसे निर्णय लेने में सक्षम स्वचालित कारें बनाना वेमो, जीएम क्रूज़, उबर और अन्य जैसी कंपनियों का लंबे समय से लक्ष्य रहा है। Intel Mobileye एक रिस्पॉन्सिबिलिटी-सेंसिटिव सेफ्टी (RSS) गणितीय मॉडल पेश करता है, जिसे कंपनी "सामान्य ज्ञान" दृष्टिकोण के रूप में वर्णित करती है, जो ऑटोपायलट को "अच्छे" तरीके से व्यवहार करने के लिए प्रोग्राम करने की विशेषता है, जैसे कि अन्य कारों को रास्ता देने का अधिकार . दूसरी ओर, NVIDIA सक्रिय रूप से सेफ्टी फोर्स फील्ड विकसित कर रहा है, जो एक सिस्टम-आधारित निर्णय लेने वाली तकनीक है जो वास्तविक समय में वाहन सेंसर से डेटा का विश्लेषण करके आसपास के सड़क उपयोगकर्ताओं के असुरक्षित कार्यों की निगरानी करती है। अब मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी (एमआईटी) के वैज्ञानिकों का एक समूह इस शोध में शामिल हो गया है और कार पर स्थापित कैमरों से प्राप्त जीपीएस जैसे मानचित्रों और दृश्य डेटा के उपयोग के आधार पर एक नया दृष्टिकोण प्रस्तावित किया है ताकि ऑटोपायलट अज्ञात पर नेविगेट कर सके एक व्यक्ति के समान सड़कें। रास्ता।

लोग उन सड़कों पर कार चलाने में असाधारण रूप से अच्छे हैं जिन पर वे पहले कभी नहीं गए हैं। हम बस यह निर्धारित करने के लिए कि हम कहां हैं और हमें कहां जाना है, हम अपने आस-पास जो देखते हैं उसकी तुलना अपने जीपीएस उपकरणों पर जो देखते हैं उससे करते हैं। दूसरी ओर, स्व-चालित कारों को सड़क के अज्ञात हिस्सों पर नेविगेट करना बेहद मुश्किल लगता है। प्रत्येक नए स्थान के लिए, ऑटोपायलट को नए मार्ग का सावधानीपूर्वक विश्लेषण करने की आवश्यकता होती है, और अक्सर स्वचालित नियंत्रण प्रणालियाँ जटिल 3D मानचित्रों पर निर्भर करती हैं जिन्हें आपूर्तिकर्ता उनके लिए पहले से तैयार करते हैं।

इस सप्ताह रोबोटिक्स और ऑटोमेशन पर अंतर्राष्ट्रीय सम्मेलन में प्रस्तुत एक पेपर में, एमआईटी शोधकर्ताओं ने एक स्वायत्त ड्राइविंग प्रणाली का वर्णन किया है जो मानव चालक के निर्णय लेने के पैटर्न को "सीखता है" और याद रखता है क्योंकि वे केवल डेटा का उपयोग करके एक छोटे शहर के क्षेत्र में सड़कों पर नेविगेट करते हैं। वीडियो से कैमरे और एक साधारण जीपीएस जैसा नक्शा। प्रशिक्षित ऑटोपायलट मानव ड्राइविंग का अनुकरण करते हुए ड्राइवर रहित कार को पूरी तरह से नए स्थान पर चला सकता है।

एक इंसान की तरह, ऑटोपायलट भी उसके मानचित्र और सड़क की विशेषताओं के बीच किसी भी विसंगति का पता लगाता है। इससे सिस्टम को यह निर्धारित करने में मदद मिलती है कि सड़क, सेंसर या मानचित्र पर उसकी स्थिति गलत है या नहीं, ताकि यह वाहन के मार्ग को सही कर सके।

शुरुआत में सिस्टम को प्रशिक्षित करने के लिए, एक मानव ऑपरेटर ने विभिन्न सड़क संरचनाओं और बाधाओं सहित स्थानीय उपनगरीय सड़कों से डेटा एकत्र करने के लिए कई कैमरों और एक बुनियादी जीपीएस नेविगेशन प्रणाली से लैस एक स्वचालित टोयोटा प्रियस चलाई। इसके बाद सिस्टम ने स्वायत्त वाहनों के परीक्षण के लिए एक अन्य वन क्षेत्र में पूर्व नियोजित मार्ग पर कार को सफलतापूर्वक चलाया।

एमआईटी स्नातक छात्र, अध्ययन लेखक अलेक्जेंडर अमिनी कहते हैं, "हमारे सिस्टम के साथ, आपको हर सड़क पर पहले से प्रशिक्षण लेने की ज़रूरत नहीं है।" "आप अपनी कार के लिए उन सड़कों पर नेविगेट करने के लिए एक नया मानचित्र डाउनलोड कर सकते हैं जो पहले कभी नहीं देखा गया है।"

कंप्यूटर साइंस एंड आर्टिफिशियल इंटेलिजेंस लेबोरेटरी (CSAIL) के निदेशक, सह-लेखक डेनिएला रुस कहते हैं, "हमारा लक्ष्य स्वायत्त नेविगेशन बनाना है जो नए वातावरण में ड्राइविंग के लिए लचीला है।" "उदाहरण के लिए, यदि हम एक स्वायत्त वाहन को कैम्ब्रिज की सड़कों जैसे शहरी वातावरण में चलाने के लिए प्रशिक्षित करते हैं, तो सिस्टम को जंगल में भी आसानी से चलने में सक्षम होना चाहिए, भले ही उसने ऐसा वातावरण पहले कभी नहीं देखा हो।"

पारंपरिक नेविगेशन सिस्टम स्थानीयकरण, मैपिंग, ऑब्जेक्ट डिटेक्शन, मोशन प्लानिंग और स्टीयरिंग जैसे कार्यों के लिए कॉन्फ़िगर किए गए कई मॉड्यूल के माध्यम से सेंसर डेटा को संसाधित करते हैं। वर्षों से, डेनिएला का समूह एंड-टू-एंड नेविगेशन सिस्टम विकसित कर रहा है जो सेंसर डेटा को संसाधित करता है और किसी विशेष मॉड्यूल की आवश्यकता के बिना कार को नियंत्रित करता है। हालाँकि, अब तक, इन मॉडलों का उपयोग बिना किसी वास्तविक उद्देश्य के, सड़क पर सुरक्षित यात्रा के लिए किया जाता रहा है। नए काम में, शोधकर्ताओं ने पहले से अज्ञात वातावरण में लक्ष्य-से-गंतव्य आंदोलन के लिए अपनी एंड-टू-एंड प्रणाली को परिष्कृत किया। ऐसा करने के लिए, वैज्ञानिकों ने अपने ऑटोपायलट को गाड़ी चलाते समय किसी भी समय सभी संभावित नियंत्रण आदेशों के लिए पूर्ण संभाव्यता वितरण की भविष्यवाणी करने के लिए प्रशिक्षित किया।

सिस्टम एक मशीन लर्निंग मॉडल का उपयोग करता है जिसे कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) कहा जाता है, जो आमतौर पर छवि पहचान के लिए उपयोग किया जाता है। प्रशिक्षण के दौरान, सिस्टम मानव चालक के ड्राइविंग व्यवहार का निरीक्षण करता है। सीएनएन स्टीयरिंग व्हील के घुमावों को सड़क की वक्रता के साथ जोड़ता है, जिसे वह कैमरों और अपने छोटे मानचित्र पर देखता है। परिणामस्वरूप, सिस्टम विभिन्न ड्राइविंग स्थितियों, जैसे सीधी सड़कें, चार-तरफा चौराहे या टी-जंक्शन, कांटे और मोड़ के लिए सबसे संभावित स्टीयरिंग कमांड सीखता है।

"शुरुआत में, टी-चौराहे पर, एक कार कई अलग-अलग दिशाओं में मुड़ सकती है," रस कहते हैं। “मॉडल इन सभी दिशाओं के बारे में सोचकर शुरू होता है, और जैसे-जैसे सीएनएन को सड़क पर कुछ स्थितियों में लोग क्या कर रहे हैं, इसके बारे में अधिक से अधिक डेटा मिलता है, यह देखेगा कि कुछ ड्राइवर बाएं मुड़ते हैं और अन्य दाएं मुड़ते हैं, लेकिन कोई भी सीधे नहीं जाता है . सीधे आगे को संभावित दिशा के रूप में खारिज कर दिया गया है, और मॉडल का निष्कर्ष है कि टी-जंक्शन पर यह केवल बाएं या दाएं ही जा सकता है।

गाड़ी चलाते समय, सीएनएन कैमरों से दृश्य सड़क विशेषताओं को भी निकालता है, जिससे यह संभावित मार्ग परिवर्तनों की भविष्यवाणी कर सकता है। उदाहरण के लिए, यह आगामी चौराहे के संकेत के रूप में सड़क के किनारे लाल स्टॉप साइन या टूटी हुई लाइन की पहचान करता है। प्रत्येक क्षण में, यह सबसे सही कमांड का चयन करने के लिए नियंत्रण कमांड के अनुमानित संभाव्यता वितरण का उपयोग करता है।

यह ध्यान रखना महत्वपूर्ण है कि, शोधकर्ताओं के अनुसार, उनका ऑटोपायलट उन मानचित्रों का उपयोग करता है जिन्हें संग्रहीत करना और संसाधित करना बेहद आसान है। स्वायत्त नियंत्रण प्रणालियाँ आमतौर पर लिडार मानचित्रों का उपयोग करती हैं, जो केवल सैन फ्रांसिस्को शहर को संग्रहीत करने के लिए लगभग 4000 जीबी डेटा लेती हैं। प्रत्येक नए गंतव्य के लिए, कार को नए मानचित्रों का उपयोग करना और बनाना होगा, जिसके लिए भारी मात्रा में मेमोरी की आवश्यकता होती है। दूसरी ओर, नए ऑटोपायलट द्वारा उपयोग किया जाने वाला मानचित्र केवल 40 गीगाबाइट डेटा पर कब्जा करते हुए पूरी दुनिया को कवर करता है।

स्वायत्त ड्राइविंग के दौरान, सिस्टम लगातार अपने दृश्य डेटा की तुलना मानचित्र डेटा से करता है और किसी भी विसंगति को चिह्नित करता है। इससे स्वायत्त वाहन को बेहतर ढंग से यह निर्धारित करने में मदद मिलती है कि वह सड़क पर कहां है। और यह सुनिश्चित करता है कि कार सबसे सुरक्षित रास्ते पर रहे, भले ही उसे परस्पर विरोधी इनपुट जानकारी प्राप्त हो: यदि, मान लीजिए, कार बिना किसी मोड़ के सीधी सड़क पर यात्रा कर रही है, और जीपीएस इंगित करता है कि कार को दाईं ओर मुड़ना चाहिए, तो कार मुड़ जाएगी सीधे जाना या रुकना जानते हैं।

अमिनी कहती हैं, ''वास्तविक दुनिया में, सेंसर विफल हो जाते हैं।'' "हम यह सुनिश्चित करना चाहते हैं कि हमारा ऑटोपायलट एक ऐसा सिस्टम बनाकर विभिन्न सेंसर विफलताओं के प्रति लचीला हो जो किसी भी शोर सिग्नल को प्राप्त कर सके और फिर भी सड़क पर सही ढंग से नेविगेट कर सके।"

स्रोत: 3dnews.ru