Stvaranje samovozećih automobila koji mogu donositi odluke poput ljudi bio je dugogodišnji cilj tvrtki poput Wayma, GM Cruisea, Ubera i drugih. Intel Mobileye nudi matematički model sigurnosti osjetljiv na odgovornost (RSS), koji tvrtka opisuje kao "zdravorazumski" pristup koji je karakteriziran programiranjem autopilota da se ponaša na "dobar" način, kao što je davanje prednosti drugim automobilima . S druge strane, NVIDIA aktivno razvija Safety Force Field, tehnologiju donošenja odluka temeljenu na sustavu koja prati nesigurne akcije okolnih sudionika u prometu analizirajući podatke senzora vozila u stvarnom vremenu. Sada se ovom istraživanju pridružila skupina znanstvenika s Massachusetts Institute of Technology (MIT) i predložila novi pristup koji se temelji na korištenju karata sličnih GPS-u i vizualnih podataka dobivenih s kamera instaliranih na automobilu kako bi autopilot mogao upravljati nepoznatim ceste slične osobi.način.
Ljudi su iznimno dobri u vožnji automobila cestama na kojima nikad prije nisu bili. Jednostavno uspoređujemo ono što vidimo oko sebe s onim što vidimo na našim GPS uređajima kako bismo odredili gdje smo i kamo trebamo ići. S druge strane, samovozećim se automobilima iznimno teško snaći nepoznatim dijelovima ceste. Za svaku novu lokaciju autopilot treba pažljivo analizirati novu rutu, a često se sustavi automatske kontrole oslanjaju na složene 3D karte koje im dobavljači unaprijed pripremaju.
U radu predstavljenom ovaj tjedan na Međunarodnoj konferenciji o robotici i automatizaciji, istraživači MIT-a opisuju autonomni sustav vožnje koji "uči" i pamti obrasce donošenja odluka ljudskog vozača dok se kreće cestama u malom gradskom području koristeći samo podatke. iz videa kamere i jednostavnu kartu sličnu GPS-u. Uvježbani autopilot tada može voziti automobil bez vozača na potpuno novom mjestu, simulirajući ljudsku vožnju.
Baš poput čovjeka, autopilot također detektira sve razlike između svoje karte i obilježja ceste. To pomaže sustavu da utvrdi jesu li njegov položaj na cesti, senzori ili karta netočni kako bi mogao ispraviti kurs vozila.
Za početno osposobljavanje sustava, ljudski operater vozio je automatiziranu Toyotu Prius opremljenu s više kamera i osnovnim GPS navigacijskim sustavom za prikupljanje podataka s lokalnih ulica u predgrađu, uključujući razne cestovne strukture i prepreke. Sustav je potom uspješno odvezao automobil duž unaprijed planirane rute u drugom šumskom području namijenjenom testiranju autonomnih vozila.
"S našim sustavom ne morate trenirati na svakoj cesti unaprijed", kaže autor studije Alexander Amini, diplomirani student MIT-a. "Možete preuzeti novu kartu za svoj automobil kako biste se kretali cestama koje nikada prije niste vidjeli."
"Naš cilj je stvoriti autonomnu navigaciju koja je otporna na vožnju u novim okruženjima", dodaje koautorica Daniela Rus, direktorica Laboratorija za računalnu znanost i umjetnu inteligenciju (CSAIL). "Na primjer, ako osposobimo autonomno vozilo za vožnju u urbanom okruženju kao što su ulice Cambridgea, sustav također mora moći glatko voziti u šumi, čak i ako nikada prije nije vidio takvo okruženje."
Tradicionalni navigacijski sustavi obrađuju podatke senzora kroz više modula konfiguriranih za zadatke kao što su lokalizacija, mapiranje, otkrivanje objekata, planiranje kretanja i upravljanje. Godinama je Danielina grupa razvijala end-to-end navigacijske sustave koji obrađuju podatke senzora i kontroliraju automobil bez potrebe za bilo kakvim specijaliziranim modulima. Međutim, do sada su ti modeli korišteni isključivo za sigurno putovanje na cesti, bez ikakve stvarne svrhe. U novom radu istraživači su poboljšali svoj sustav od kraja do kraja za kretanje od cilja do odredišta u prethodno nepoznatom okruženju. Kako bi to učinili, znanstvenici su istrenirali svoj autopilot da predvidi punu distribuciju vjerojatnosti za sve moguće kontrolne naredbe u bilo kojem trenutku tijekom vožnje.
Sustav koristi model strojnog učenja nazvan konvolucijska neuronska mreža (CNN), koja se obično koristi za prepoznavanje slika. Tijekom treninga sustav prati ponašanje ljudskog vozača u vožnji. CNN povezuje okretanje volana sa zakrivljenošću ceste koju promatra kroz kamere i na svojoj maloj karti. Kao rezultat toga, sustav uči najvjerojatnije naredbe upravljanja za različite situacije u vožnji, kao što su ravne ceste, četverosmjerna raskrižja ili T-križja, račvanja i skretanja.
"U početku, na T-raskrižju, postoji mnogo različitih smjerova u kojima automobil može skrenuti", kaže Rus. “Model počinje razmišljanjem o svim tim smjerovima, a kako CNN dobiva sve više podataka o tome što ljudi rade u određenim situacijama na cesti, vidjet će da neki vozači skreću lijevo, a drugi desno, ali nitko ne ide izravno . Ravno naprijed je isključeno kao mogući smjer, a model zaključuje da se na T-spojima može kretati samo lijevo ili desno.”
Tijekom vožnje, CNN također izdvaja vizualne značajke ceste s kamera, što mu omogućuje predviđanje mogućih promjena rute. Na primjer, prepoznaje crveni znak stop ili isprekidanu crtu na rubu ceste kao znakove nadolazećeg raskrižja. U svakom trenutku koristi predviđenu distribuciju vjerojatnosti upravljačkih naredbi za odabir najispravnije naredbe.
Važno je napomenuti da, prema riječima istraživača, njihov autopilot koristi karte koje je iznimno lako pohraniti i obraditi. Autonomni sustavi upravljanja obično koriste lidarske karte, koje zauzimaju približno 4000 GB podataka za pohranu samo grada San Francisca. Za svako novo odredište automobil mora koristiti i kreirati nove karte, što zahtijeva veliku količinu memorije. S druge strane, karta koju koristi novi Autopilot pokriva cijeli svijet dok zauzima samo 40 gigabajta podataka.
Tijekom autonomne vožnje, sustav također stalno uspoređuje svoje vizualne podatke s podacima karte i označava sve nedosljednosti. To pomaže autonomnom vozilu da bolje odredi gdje se nalazi na cesti. A to osigurava da automobil ostane na najsigurnijoj putanji, čak i ako primi proturječne ulazne informacije: ako, recimo, automobil putuje ravnom cestom bez skretanja, a GPS pokazuje da bi automobil trebao skrenuti udesno, automobil će znati ići ravno ili stati.
"U stvarnom svijetu senzori ne rade", kaže Amini. "Želimo biti sigurni da je naš autopilot otporan na razne kvarove senzora stvaranjem sustava koji može primiti sve signale buke i još uvijek ispravno navigirati cestom."
Izvor: 3dnews.ru