Menciptakan mobil tanpa pengemudi yang dapat mengambil keputusan seperti manusia telah menjadi tujuan lama perusahaan seperti Waymo, GM Cruise, Uber, dan lainnya. Intel Mobileye menawarkan model matematika Responsibility-Sensitive Safety (RSS), yang digambarkan perusahaan sebagai pendekatan "akal sehat" yang ditandai dengan memprogram autopilot untuk berperilaku dengan cara yang "baik", seperti memberikan hak jalan kepada mobil lain. . Di sisi lain, NVIDIA secara aktif mengembangkan Safety Force Field, sebuah teknologi pengambilan keputusan berbasis sistem yang memantau tindakan tidak aman pengguna jalan di sekitar dengan menganalisis data dari sensor kendaraan secara real time. Kini sekelompok ilmuwan dari Massachusetts Institute of Technology (MIT) telah bergabung dalam penelitian ini dan mengusulkan pendekatan baru berdasarkan penggunaan peta mirip GPS dan data visual yang diperoleh dari kamera yang dipasang di mobil sehingga autopilot dapat bernavigasi di tempat yang tidak diketahui. jalan yang mirip dengan manusia.cara.
Orang-orang sangat pandai mengendarai mobil di jalan yang belum pernah mereka lalui sebelumnya. Kita cukup membandingkan apa yang kita lihat di sekitar kita dengan apa yang kita lihat di perangkat GPS untuk menentukan di mana kita berada dan ke mana kita harus pergi. Sebaliknya, mobil self-driving merasa sangat sulit menavigasi bagian jalan yang tidak diketahui. Untuk setiap lokasi baru, autopilot perlu menganalisis rute baru dengan cermat, dan seringkali sistem kontrol otomatis mengandalkan peta 3D kompleks yang telah disiapkan sebelumnya oleh pemasok.
Dalam makalah yang dipresentasikan minggu ini di Konferensi Internasional tentang Robotika dan Otomasi, para peneliti MIT menggambarkan sistem mengemudi otonom yang βmempelajariβ dan mengingat pola pengambilan keputusan pengemudi manusia saat mereka menavigasi jalan di wilayah kota kecil hanya dengan menggunakan data. kamera dan peta sederhana seperti GPS. Autopilot yang terlatih kemudian dapat mengemudikan mobil tanpa pengemudi di lokasi yang benar-benar baru, menyimulasikan cara mengemudi manusia.
Sama seperti manusia, autopilot juga mendeteksi adanya perbedaan antara peta dan fitur jalan. Hal ini membantu sistem menentukan apakah posisinya di jalan, sensor, atau peta salah sehingga dapat memperbaiki jalur kendaraan.
Untuk melatih sistem ini pada awalnya, operator manusia mengendarai Toyota Prius otomatis yang dilengkapi dengan beberapa kamera dan sistem navigasi GPS dasar untuk mengumpulkan data dari jalan-jalan pinggiran kota setempat, termasuk berbagai struktur jalan dan rintangan. Sistem tersebut kemudian berhasil mengemudikan mobil di sepanjang rute yang telah direncanakan sebelumnya di kawasan hutan lain yang dimaksudkan untuk menguji kendaraan otonom.
βDengan sistem kami, Anda tidak perlu berlatih di setiap jalur terlebih dahulu,β kata penulis studi Alexander Amini, seorang mahasiswa pascasarjana MIT. "Anda dapat mengunduh peta baru untuk mobil Anda guna menavigasi jalan yang belum pernah dilihat sebelumnya."
βTujuan kami adalah menciptakan navigasi otonom yang tangguh untuk berkendara di lingkungan baru,β tambah rekan penulis Daniela Rus, direktur Laboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL). βMisalnya, jika kita melatih kendaraan otonom untuk berkendara di lingkungan perkotaan seperti jalanan Cambridge, sistemnya juga harus mampu mengemudi dengan lancar di dalam hutan, meskipun lingkungan seperti itu belum pernah terlihat sebelumnya.β
Sistem navigasi tradisional memproses data sensor melalui beberapa modul yang dikonfigurasi untuk tugas-tugas seperti lokalisasi, pemetaan, deteksi objek, perencanaan gerak, dan kemudi. Selama bertahun-tahun, kelompok Daniela telah mengembangkan sistem navigasi ujung ke ujung yang memproses data sensor dan mengendalikan mobil tanpa memerlukan modul khusus. Namun hingga saat ini, model tersebut hanya digunakan semata-mata untuk keselamatan perjalanan di jalan raya, tanpa tujuan nyata. Dalam karya barunya, para peneliti menyempurnakan sistem end-to-end mereka untuk pergerakan tujuan-ke-tujuan di lingkungan yang sebelumnya tidak diketahui. Untuk melakukan hal ini, para ilmuwan melatih autopilot mereka untuk memprediksi distribusi probabilitas penuh untuk semua kemungkinan perintah kontrol kapan saja saat mengemudi.
Sistem ini menggunakan model pembelajaran mesin yang disebut jaringan saraf konvolusional (CNN), yang biasa digunakan untuk pengenalan gambar. Selama pelatihan, sistem mengamati perilaku mengemudi pengemudi manusia. CNN mengkorelasikan putaran roda kemudi dengan kelengkungan jalan, yang diamati melalui kamera dan peta kecilnya. Hasilnya, sistem mempelajari perintah kemudi yang paling mungkin untuk berbagai situasi berkendara, seperti jalan lurus, persimpangan empat arah atau pertigaan, pertigaan, dan belokan.
βAwalnya, di persimpangan T, ada banyak arah berbeda yang bisa dilalui mobil,β kata Rus. βModel ini dimulai dengan memikirkan semua arah ini, dan ketika CNN mendapatkan lebih banyak data tentang apa yang dilakukan orang-orang dalam situasi tertentu di jalan, maka akan terlihat bahwa beberapa pengemudi berbelok ke kiri dan yang lainnya berbelok ke kanan, namun tidak ada yang langsung melaju. . Lurus ke depan dikesampingkan sebagai kemungkinan arah, dan model menyimpulkan bahwa di pertigaan hanya bisa bergerak ke kiri atau ke kanan.β
Saat mengemudi, CNN juga mengekstrak fitur visual jalan dari kamera, sehingga memungkinkannya memprediksi kemungkinan perubahan rute. Misalnya, mengidentifikasi tanda berhenti berwarna merah atau garis putus-putus di sisi jalan sebagai tanda persimpangan yang akan datang. Setiap saat, ia menggunakan distribusi probabilitas yang diprediksi dari perintah kontrol untuk memilih perintah yang paling benar.
Penting untuk dicatat bahwa, menurut para peneliti, autopilot mereka menggunakan peta yang sangat mudah disimpan dan diproses. Sistem kontrol otonom biasanya menggunakan peta lidar, yang memerlukan sekitar 4000 GB data untuk menyimpan kota San Francisco saja. Untuk setiap tujuan baru, mobil harus menggunakan dan membuat peta baru, yang memerlukan memori dalam jumlah besar. Di sisi lain, peta yang digunakan oleh Autopilot baru mencakup seluruh dunia dengan hanya menempati 40 gigabyte data.
Selama mengemudi secara otonom, sistem juga terus-menerus membandingkan data visualnya dengan data peta dan menandai setiap perbedaan. Ini membantu kendaraan otonom menentukan lokasinya di jalan dengan lebih baik. Hal ini memastikan bahwa mobil tetap berada pada jalur yang paling aman, meskipun menerima informasi masukan yang bertentangan: jika, misalnya, mobil berjalan di jalan lurus tanpa belokan, dan GPS menunjukkan bahwa mobil harus berbelok ke kanan, mobil akan berbelok ke kanan. tahu harus lurus atau berhenti.
βDi dunia nyata, sensor gagal,β kata Amini. βKami ingin memastikan bahwa autopilot kami tahan terhadap berbagai kegagalan sensor dengan menciptakan sistem yang dapat menerima sinyal kebisingan apa pun dan tetap menavigasi jalan dengan benar.β
Sumber: 3dnews.ru