Az olyan vállalatok, mint a Waymo, a GM Cruise, az Uber és mások régóta célja olyan önvezető autók létrehozása, amelyek emberszerű döntéseket hozhatnak. Az Intel Mobileye egy Responsibility-Sensitive Safety (RSS) matematikai modellt kínál, amelyet a vállalat "józan ész" megközelítésként ír le, amelyet az jellemez, hogy az autopilotot úgy programozzák be, hogy "jó" viselkedést tanúsítson, például elsőbbséget adjon más autóknak. . Másrészt az NVIDIA aktívan fejleszti a Safety Force Field-et, egy rendszeralapú döntéshozatali technológiát, amely a járműérzékelők adatainak valós időben történő elemzésével figyeli a környező úthasználók nem biztonságos tevékenységét. Most a Massachusetts Institute of Technology (MIT) tudósainak egy csoportja csatlakozott ehhez a kutatáshoz, és egy új megközelítést javasolt, amely GPS-szerű térképek és az autóba szerelt kamerákból nyert vizuális adatok felhasználásán alapul, hogy az autopilot ismeretlen úton navigálhasson. személyhez hasonló utak.mód.
Az emberek kivételesen jól vezetnek autókat olyan utakon, amelyeken még soha nem jártak. Egyszerűen összehasonlítjuk a körülöttünk látottakat a GPS-készülékeinken látottakkal, hogy meghatározzuk, hol vagyunk és hová kell mennünk. Az önvezető autók viszont rendkívül nehezen tudnak eligazodni az út ismeretlen szakaszain. Az autopilotnak minden egyes új helyszín esetében gondosan elemeznie kell az új útvonalat, és az automatikus vezérlőrendszerek gyakran összetett 3D-s térképekre támaszkodnak, amelyeket a beszállítók előre elkészítenek számukra.
A Robotika és Automatizálás Nemzetközi Konferenciáján a héten bemutatott cikkben az MIT kutatói egy autonóm vezetési rendszert írnak le, amely „tanul” és megjegyzi az emberi sofőr döntéshozatali mintáit, amint egy kis város területén pusztán adatok felhasználásával navigál az utakon. kamerák és egy egyszerű GPS-szerű térkép. A képzett robotpilóta ezután egy teljesen új helyen vezetheti a vezető nélküli autót, szimulálva az emberi vezetést.
Csakúgy, mint az ember, az robotpilóta is észlel minden eltérést a térképe és az út jellemzői között. Ez segít a rendszernek megállapítani, hogy helytelen-e a helyzet az úton, az érzékelők vagy a térkép, így korrigálni tudja a jármű irányát.
A rendszer kezdeti betanításához egy emberi kezelő egy automata Toyota Priust vezetett, amely több kamerával és egy alapvető GPS-navigációs rendszerrel volt felszerelve, hogy adatokat gyűjtsön a helyi külvárosi utcákról, beleértve a különböző útszerkezeteket és akadályokat. A rendszer ezután sikeresen vezette az autót egy előre megtervezett útvonalon egy másik, az autonóm járművek tesztelésére szánt erdős területen.
„A mi rendszerünkkel nem kell minden úton előre edzeni” – mondja Alexander Amini, a tanulmány szerzője, az MIT végzős hallgatója. "Tölthet le egy új térképet az autójához, hogy olyan utakon navigáljon, amelyeken még soha nem látott."
„Célunk az, hogy autonóm navigációt hozzunk létre, amely ellenálló az új környezetekben való vezetéshez” – teszi hozzá Daniela Rus társszerző, a Computer Science and Artificial Intelligence Laboratory (CSAIL) igazgatója. "Például, ha egy autonóm járművet megtanítunk városi környezetben, például Cambridge utcáin vezetni, akkor a rendszernek képesnek kell lennie arra is, hogy zökkenőmentesen közlekedjen az erdőben, még akkor is, ha még soha nem látott ilyen környezetet."
A hagyományos navigációs rendszerek az érzékelőadatokat több modulon keresztül dolgozzák fel, amelyek olyan feladatokhoz vannak konfigurálva, mint a lokalizáció, a térképezés, az objektumészlelés, a mozgástervezés és a kormányzás. A Daniela csoportja évek óta fejleszt végponttól végpontig terjedő navigációs rendszereket, amelyek feldolgozzák az érzékelők adatait és vezérlik az autót anélkül, hogy speciális modulokra lenne szükség. Mindeddig azonban ezeket a modelleket szigorúan a biztonságos közúti közlekedésre használták, valódi cél nélkül. Az új munkában a kutatók pontosították a céltól a célig történő mozgás végponttól végpontig terjedő rendszerét egy korábban ismeretlen környezetben. Ennek érdekében a tudósok arra képezték ki robotpilótájukat, hogy vezetés közben bármikor előre jelezzék az összes lehetséges vezérlőparancs teljes valószínűségi eloszlását.
A rendszer egy konvolúciós neurális hálózatnak (CNN) nevezett gépi tanulási modellt használ, amelyet általában képfelismerésre használnak. A képzés során a rendszer figyeli az emberi vezető vezetési viselkedését. A CNN korrelálja a kormánykerék fordulatait az út görbületével, amit kamerákkal és kis térképén figyel meg. Ennek eredményeként a rendszer megtanulja a legvalószínűbb kormányzási parancsokat különféle vezetési helyzetekben, például egyenes utakon, négyirányú kereszteződésekben vagy T-elágazásokban, elágazásokban és kanyarokban.
„Kezdetben a T kereszteződésben sokféle irányba fordulhat az autó” – mondja Rus. „A modell úgy kezdődik, hogy végiggondolja ezeket az irányokat, és ahogy a CNN egyre több adathoz jut arról, mit csinálnak az emberek bizonyos helyzetekben az úton, látni fogja, hogy egyes sofőrök balra, mások jobbra fordulnak, de senki nem megy közvetlenül. . Az egyenes előrehaladás kizárt, mint lehetséges irány, és a modell arra a következtetésre jut, hogy a T-elágazásoknál csak balra vagy jobbra tud mozogni.”
Vezetés közben a CNN vizuális útjellemzőket is kivon a kamerákból, így előre jelezheti a lehetséges útvonalváltozásokat. Például egy piros stoptáblát vagy egy szaggatott vonalat az út szélén egy közelgő kereszteződés jeleként azonosít. Minden pillanatban a vezérlőparancsok előre jelzett valószínűségi eloszlását használja a leghelyesebb parancs kiválasztásához.
Fontos megjegyezni, hogy a kutatók szerint robotpilótájuk rendkívül könnyen tárolható és feldolgozható térképeket használ. Az autonóm vezérlőrendszerek általában lidar térképeket használnak, amelyek körülbelül 4000 GB adatot foglalnak el San Francisco városának tárolására. Minden új úti célhoz az autónak új térképeket kell használnia és készítenie, ami hatalmas mennyiségű memóriát igényel. Másrészt az új Autopilot által használt térkép az egész világot lefedi, miközben mindössze 40 gigabájt adatot foglal el.
Az autonóm vezetés során a rendszer folyamatosan összehasonlítja vizuális adatait a térképi adatokkal, és jelzi az esetleges eltéréseket. Ez segít az autonóm járműnek jobban meghatározni, hogy hol van az úton. Ez pedig biztosítja, hogy az autó a legbiztonságosabb úton maradjon, még akkor is, ha egymásnak ellentmondó bemeneti információkat kap: ha mondjuk az autó egyenes úton halad, kanyar nélkül, és a GPS azt jelzi, hogy jobbra kell fordulnia, az autó tudjon egyenesen menni vagy megállni.
„A való világban az érzékelők meghibásodnak” – mondja Amini. „Szeretnénk megbizonyosodni arról, hogy robotpilótánk ellenálló legyen a különféle szenzorhibákkal szemben azáltal, hogy létrehozunk egy olyan rendszert, amely bármilyen zajjelet fogad, és mégis helyesen navigál az úton.”
Forrás: 3dnews.ru