Ինքնավար մեքենաների ստեղծումը, որոնք կարող են մարդանման որոշումներ կայացնել, եղել է Waymo-ի, GM Cruise-ի, Uber-ի և այլ ընկերությունների վաղեմի նպատակը: Intel Mobileye-ն առաջարկում է պատասխանատվության նկատմամբ զգայուն անվտանգության (RSS) մաթեմատիկական մոդել, որը ընկերությունը նկարագրում է որպես «առողջ դատողության» մոտեցում, որը բնութագրվում է ավտոմատ օդաչուի ծրագրավորմամբ՝ իրեն «լավ» պահելու համար, ինչպես օրինակ՝ մյուս մեքենաներին երթևեկության իրավունք տալը։ . Մյուս կողմից, NVIDIA-ն ակտիվորեն զարգացնում է Safety Force Field-ը՝ համակարգային որոշումների կայացման տեխնոլոգիա, որը վերահսկում է շրջակա ճանապարհներից օգտվողների ոչ անվտանգ գործողությունները՝ իրական ժամանակում վերլուծելով մեքենայի սենսորների տվյալները: Այժմ Մասաչուսեթսի տեխնոլոգիական ինստիտուտի (MIT) մի խումբ գիտնականներ միացել են այս հետազոտությանը և առաջարկել են նոր մոտեցում, որը հիմնված է GPS-ի նմանվող քարտեզների և մեքենայի վրա տեղադրված տեսախցիկներից ստացված տեսողական տվյալների վրա, որպեսզի ավտոմատ օդաչուն կարողանա նավարկել անհայտ ուղղությամբ: անձին նման ճանապարհներ.ճանապարհ.
Մարդիկ բացառապես լավ են մեքենա վարում այն ճանապարհներով, որոնցով նախկինում երբեք չեն եղել: Մենք պարզապես համեմատում ենք այն, ինչ տեսնում ենք մեր շուրջը և այն, ինչ տեսնում ենք մեր GPS սարքերում, որոշելու, թե որտեղ ենք մենք և ուր պետք է գնանք: Մյուս կողմից, ինքնակառավարվող մեքենաները չափազանց դժվարանում են ճանապարհի անհայտ հատվածներով երթևեկել: Յուրաքանչյուր նոր վայրի համար ավտոմատ օդաչուն պետք է ուշադիր վերլուծի նոր երթուղին, և հաճախ ավտոմատ կառավարման համակարգերը հիմնվում են բարդ 3D քարտեզների վրա, որոնք մատակարարները նախապես պատրաստում են դրանց համար:
Ռոբոտաշինության և ավտոմատացման միջազգային կոնֆերանսում այս շաբաթ ներկայացված հոդվածում MIT-ի հետազոտողները նկարագրում են ինքնավար վարորդական համակարգը, որը «սովորում» և հիշում է մարդու վարորդի որոշումների կայացման օրինաչափությունները, երբ նրանք նավարկում են ճանապարհները փոքր քաղաքի տարածքում՝ օգտագործելով միայն տեսանյութեր: տեսախցիկներ և պարզ GPS նման քարտեզ: Այնուհետև վերապատրաստված ավտոպիլոտը կարող է առանց վարորդի մեքենան վարել բոլորովին նոր վայրում՝ նմանակելով մարդու վարելը:
Ինչպես մարդը, ավտոմատ օդաչուն նույնպես հայտնաբերում է իր քարտեզի և ճանապարհի առանձնահատկությունների միջև եղած անհամապատասխանությունները: Սա օգնում է համակարգին որոշել, թե արդյոք իր դիրքը ճանապարհի վրա, սենսորները կամ քարտեզը սխալ են, որպեսզի այն կարողանա ուղղել մեքենայի ընթացքը:
Համակարգը ի սկզբանե վարժեցնելու համար մարդկային օպերատորը վարում էր ավտոմատացված Toyota Prius-ը, որը հագեցած էր բազմաթիվ տեսախցիկներով և հիմնական GPS նավիգացիոն համակարգով՝ հավաքելու տվյալներ տեղական ծայրամասային փողոցներից, ներառյալ տարբեր ճանապարհային կառույցներ և խոչընդոտներ: Այնուհետև համակարգը հաջողությամբ վարել է մեքենան նախապես ծրագրված երթուղով մեկ այլ անտառապատ տարածքում, որը նախատեսված է ինքնավար մեքենաների փորձարկման համար:
«Մեր համակարգով դուք պետք չէ նախօրոք մարզվել յուրաքանչյուր ճանապարհի վրա», - ասում է հետազոտության հեղինակ Ալեքսանդր Ամինին, MIT-ի ասպիրանտ: «Դուք կարող եք ներբեռնել նոր քարտեզ ձեր մեքենայի համար՝ նավարկելու այն ճանապարհները, որոնք նախկինում երբեք չեն տեսել»:
«Մեր նպատակն է ստեղծել ինքնավար նավարկություն, որը դիմացկուն է նոր միջավայրում վարելու համար», - ավելացնում է համահեղինակ Դանիելա Ռուսը՝ Համակարգչային գիտության և արհեստական ինտելեկտի լաբորատորիայի (CSAIL) տնօրենը: «Օրինակ, եթե մենք ինքնավար մեքենա վարժեցնենք քաղաքային միջավայրում վարելու համար, ինչպիսին է Քեմբրիջի փողոցները, համակարգը պետք է նաև կարողանա սահուն վարել անտառում, նույնիսկ եթե նախկինում նման միջավայր չի տեսել»:
Ավանդական նավիգացիոն համակարգերը մշակում են սենսորային տվյալները մի քանի մոդուլների միջոցով, որոնք կազմաձևված են այնպիսի խնդիրների համար, ինչպիսիք են տեղայնացումը, քարտեզագրումը, օբյեկտների հայտնաբերումը, շարժման պլանավորումը և ղեկը: Դանիելայի խումբը տարիներ շարունակ մշակել է նավիգացիոն համակարգեր, որոնք մշակում են սենսորների տվյալները և կառավարում մեքենան՝ առանց որևէ մասնագիտացված մոդուլի անհրաժեշտության: Մինչ այժմ, սակայն, այս մոդելները խստորեն օգտագործվել են ճանապարհի անվտանգ ճանապարհորդության համար՝ առանց իրական նպատակի։ Նոր աշխատանքում հետազոտողները կատարելագործել են իրենց ծայրից ծայր համակարգը՝ նպատակից դեպի նպատակակետ շարժվելու համար նախկինում անհայտ միջավայրում: Դա անելու համար գիտնականները վարժեցրել են իրենց ավտոպիլոտին՝ ցանկացած պահի մեքենա վարելիս կանխատեսելու հավանականության ամբողջական բաշխումը բոլոր հնարավոր կառավարման հրամանների համար:
Համակարգն օգտագործում է մեքենայական ուսուցման մոդել, որը կոչվում է կոնվոլյուցիոն նեյրոնային ցանց (CNN), որը սովորաբար օգտագործվում է պատկերների ճանաչման համար: Մարզումների ընթացքում համակարգը դիտում է մարդու վարորդի վարքագիծը: CNN-ը փոխկապակցում է ղեկի շրջադարձերը ճանապարհի թեքության հետ, որը դիտում է տեսախցիկների միջոցով և իր փոքրիկ քարտեզի վրա: Արդյունքում, համակարգը սովորում է ղեկի ամենահավանական հրամանները վարելու տարբեր իրավիճակներում, ինչպիսիք են ուղիղ ճանապարհները, քառակողմ խաչմերուկները կամ T-հանգույցները, պատառաքաղներն ու շրջադարձերը:
«Սկզբում T-խաչմերուկում կան բազմաթիվ տարբեր ուղղություններ, որոնք մեքենան կարող է շրջվել», - ասում է Ռուսը: «Մոդելը սկսում է մտածել այս բոլոր ուղղությունների մասին, և քանի որ CNN-ը ավելի ու ավելի շատ տվյալներ է ստանում այն մասին, թե ինչ են անում մարդիկ ճանապարհին որոշակի իրավիճակներում, կտեսնի, որ որոշ վարորդներ թեքվում են ձախ, իսկ մյուսները՝ աջ, բայց ոչ ոք ուղիղ չի գնում: . Ուղիղ առաջ բացառվում է որպես հնարավոր ուղղություն, և մոդելը եզրակացնում է, որ T-հանգույցներում այն կարող է շարժվել միայն ձախ կամ աջ»:
Քշելիս CNN-ը նաև տեսախցիկներից հանում է ճանապարհի տեսողական առանձնահատկությունները՝ թույլ տալով կանխատեսել երթուղու հնարավոր փոփոխությունները: Օրինակ, այն նույնացնում է կարմիր կանգառի նշանը կամ ճանապարհի եզրին կոտրված գիծը որպես գալիք խաչմերուկի նշաններ: Ամեն պահի այն օգտագործում է հսկիչ հրամանների կանխատեսված հավանականության բաշխումը, որպեսզի ընտրի ամենաճիշտ հրամանը:
Կարևոր է նշել, որ, ըստ հետազոտողների, իրենց ավտոպիլոտը օգտագործում է քարտեզներ, որոնք չափազանց հեշտ են պահել և մշակել: Ինքնավար կառավարման համակարգերը սովորաբար օգտագործում են lidar քարտեզներ, որոնք պահանջում են մոտավորապես 4000 ԳԲ տվյալներ միայն Սան Ֆրանցիսկո քաղաքը պահելու համար: Յուրաքանչյուր նոր ուղղության համար մեքենան պետք է օգտագործի և ստեղծի նոր քարտեզներ, ինչը պահանջում է հսկայական հիշողություն: Մյուս կողմից, նոր Autopilot-ի կողմից օգտագործվող քարտեզն ընդգրկում է ամբողջ աշխարհը՝ զբաղեցնելով ընդամենը 40 գիգաբայթ տվյալ:
Ինքնավար վարման ընթացքում համակարգը նաև մշտապես համեմատում է իր տեսողական տվյալները քարտեզի տվյալների հետ և նշում ցանկացած անհամապատասխանություն: Սա օգնում է ինքնավար մեքենային ավելի լավ որոշել, թե որտեղ է գտնվում ճանապարհին: Եվ սա ապահովում է, որ մեքենան մնա ամենաանվտանգ ճանապարհին, նույնիսկ եթե այն ստանում է հակասական մուտքային տեղեկատվություն. եթե, ասենք, մեքենան ընթանում է ուղիղ ճանապարհով, առանց շրջադարձերի, և GPS-ը ցույց է տալիս, որ մեքենան պետք է շրջվի աջ, մեքենան իմանալ ուղիղ գնալ կամ կանգ առնել:
«Իրական աշխարհում սենսորները ձախողվում են», - ասում է Ամինին: «Մենք ցանկանում ենք համոզվել, որ մեր ավտոմատ օդաչուն ճկուն է տարբեր սենսորների խափանումների նկատմամբ՝ ստեղծելով համակարգ, որը կարող է ստանալ ցանկացած աղմուկի ազդանշան և դեռ ճիշտ նավարկել ճանապարհը»:
Source: 3dnews.ru