ვიდეო: MIT-ის მეცნიერებმა ავტოპილოტი უფრო ადამიანის მსგავსი გახადეს

თვითმართვადი მანქანების შექმნა, რომლებსაც შეუძლიათ ადამიანის მსგავსი გადაწყვეტილებების მიღება, იყო კომპანიების დიდი ხნის მიზანი, როგორიცაა Waymo, GM Cruise, Uber და სხვა. Intel Mobileye გთავაზობთ პასუხისმგებლობისადმი მგრძნობიარე უსაფრთხოების (RSS) მათემატიკურ მოდელს, რომელსაც კომპანია აღწერს, როგორც "საღი აზრის" მიდგომას, რომელიც ხასიათდება ავტოპილოტის პროგრამირებით, რათა მოიქცეს "კარგი" გზით, როგორიცაა სხვა მანქანებისთვის გზის უფლება. . მეორეს მხრივ, NVIDIA აქტიურად ავითარებს Safety Force Field-ს, სისტემაზე დაფუძნებულ გადაწყვეტილების მიღების ტექნოლოგიას, რომელიც მონიტორინგს უწევს მიმდებარე გზის მომხმარებლების სახიფათო ქმედებებს რეალურ დროში მანქანის სენსორების მონაცემების ანალიზით. ახლა მასაჩუსეტსის ტექნოლოგიური ინსტიტუტის (MIT) მეცნიერთა ჯგუფი შეუერთდა ამ კვლევას და შემოგვთავაზა ახალი მიდგომა GPS-ის მსგავსი რუქებისა და მანქანაზე დამონტაჟებული კამერებიდან მიღებული ვიზუალური მონაცემების გამოყენებაზე, რათა ავტოპილოტს შეეძლო ნავიგაცია უცნობზე. ადამიანების მსგავსი გზები.გზა.

ადამიანები განსაკუთრებულად კარგად ატარებენ მანქანების გზებზე, რომლებზეც აქამდე არასდროს ყოფილან. ჩვენ უბრალოდ ვადარებთ იმას, რასაც ჩვენ გარშემო ვხედავთ და რასაც ვხედავთ ჩვენს GPS მოწყობილობებზე, რათა განვსაზღვროთ სად ვართ და სად უნდა წავიდეთ. თავის მხრივ, თვითმართვადი მანქანები უკიდურესად უჭირთ გზის უცნობ მონაკვეთებზე ნავიგაცია. ყოველი ახალი მდებარეობისთვის ავტოპილოტს სჭირდება ახალი მარშრუტის გულდასმით გაანალიზება და ხშირად ავტომატური მართვის სისტემები ეყრდნობა კომპლექსურ 3D რუქებს, რომლებსაც მომწოდებლები წინასწარ ამზადებენ მათთვის.

ამ კვირაში რობოტიკისა და ავტომატიზაციის საერთაშორისო კონფერენციაზე წარმოდგენილ ნაშრომში, MIT-ის მკვლევარები აღწერენ ავტონომიურ მართვის სისტემას, რომელიც „სწავლობს“ და ახსოვს ადამიანის მძღოლის გადაწყვეტილების მიღების ნიმუშები, როდესაც ისინი ნავიგაციას უწევენ გზებს პატარა ქალაქის ტერიტორიაზე მხოლოდ ვიდეოდან. კამერები და მარტივი GPS მსგავსი რუკა. გაწვრთნილ ავტოპილოტს შეუძლია მართოს უმართავი მანქანა სრულიად ახალ ადგილას, ადამიანის მართვის სიმულაციას.

ისევე, როგორც ადამიანი, ავტოპილოტი ასევე აღმოაჩენს რაიმე შეუსაბამობას მის რუკასა და გზის მახასიათებლებს შორის. ეს ეხმარება სისტემას დაადგინოს, არასწორია თუ არა მისი პოზიცია გზაზე, სენსორები ან რუკა, რათა მან შეძლოს ავტომობილის კურსის გამოსწორება.

სისტემის საწყის ეტაპზე, ადამიანმა ოპერატორმა მართავდა ავტომატიზირებულ Toyota Prius-ს, რომელიც აღჭურვილი იყო მრავალი კამერით და ძირითადი GPS ნავიგაციის სისტემით, რათა შეაგროვოს მონაცემები ადგილობრივი გარეუბნების ქუჩებიდან, მათ შორის სხვადასხვა გზის სტრუქტურები და დაბრკოლებები. შემდეგ სისტემამ წარმატებით გაატარა მანქანა წინასწარ დაგეგმილი მარშრუტის გასწვრივ სხვა ტყიან ტერიტორიაზე, რომელიც განკუთვნილია ავტონომიური მანქანების შესამოწმებლად.

„ჩვენი სისტემით თქვენ არ გჭირდებათ წინასწარ ივარჯიშოთ ყველა გზაზე“, ამბობს კვლევის ავტორი ალექსანდრე ამინი, MIT-ის კურსდამთავრებული. „შეგიძლიათ ჩამოტვირთოთ თქვენი მანქანის ახალი რუკა იმ გზების ნავიგაციისთვის, რომლებიც აქამდე არასდროს უნახავთ“.

„ჩვენი მიზანია შევქმნათ ავტონომიური ნავიგაცია, რომელიც მდგრადია მართვის ახალ გარემოში“, - დასძენს თანაავტორი დანიელა რუსი, კომპიუტერული მეცნიერებისა და ხელოვნური ინტელექტის ლაბორატორიის დირექტორი (CSAIL). მაგალითად, თუ ჩვენ ვავარჯიშებთ ავტონომიურ მანქანას ურბანულ გარემოში მართვისთვის, როგორიცაა კემბრიჯის ქუჩები, სისტემას ასევე უნდა შეეძლოს შეუფერხებლად იმოძრაოს ტყეში, მაშინაც კი, თუ ასეთი გარემო აქამდე არასდროს უნახავს.

ტრადიციული სანავიგაციო სისტემები ამუშავებენ სენსორების მონაცემებს მრავალი მოდულის მეშვეობით, რომლებიც კონფიგურირებულია ისეთი ამოცანებისთვის, როგორიცაა ლოკალიზაცია, რუკა, ობიექტების ამოცნობა, მოძრაობის დაგეგმვა და საჭე. წლების განმავლობაში, დანიელას ჯგუფი ავითარებდა ბოლომდე ნავიგაციის სისტემებს, რომლებიც ამუშავებენ სენსორების მონაცემებს და აკონტროლებენ მანქანას რაიმე სპეციალიზებული მოდულის საჭიროების გარეშე. თუმცა აქამდე ეს მოდელები გამოიყენებოდა მკაცრად გზაზე უსაფრთხო გადაადგილებისთვის, რეალური დანიშნულების გარეშე. ახალ ნაშრომში მკვლევარებმა დახვეწეს თავიანთი სისტემა ბოლოდან ბოლომდე, მიზნიდან დანიშნულების ადგილზე გადაადგილებისთვის მანამდე უცნობ გარემოში. ამისათვის მეცნიერებმა მოამზადეს ავტოპილოტი, რათა ეწინასწარმეტყველა სრული ალბათობის განაწილება ყველა შესაძლო საკონტროლო ბრძანებისთვის მართვის დროს ნებისმიერ დროს.

სისტემა იყენებს მანქანათმცოდნეობის მოდელს, რომელსაც ეწოდება კონვოლუციური ნერვული ქსელი (CNN), რომელიც ჩვეულებრივ გამოიყენება გამოსახულების ამოცნობისთვის. ვარჯიშის დროს სისტემა აკვირდება ადამიანის მძღოლის მართვის ქცევას. CNN აკავშირებს საჭის მოხვევებს გზის გამრუდებასთან, რომელსაც ის აკვირდება კამერების საშუალებით და მის პატარა რუკაზე. შედეგად, სისტემა სწავლობს საჭის ყველაზე სავარაუდო ბრძანებებს სხვადასხვა მართვის სიტუაციებში, როგორიცაა სწორი გზები, ოთხმხრივი კვეთა ან T-გადაკვეთები, ჩანგლები და მოხვევები.

”თავდაპირველად, T-კვეთაზე, არსებობს მრავალი განსხვავებული მიმართულება, რომელსაც შეუძლია მანქანას შეუხვიოს”, - ამბობს რუს. „მოდელი იწყება ყველა ამ მიმართულებაზე ფიქრით და როცა CNN იღებს სულ უფრო მეტ მონაცემს იმის შესახებ, თუ რას აკეთებენ ადამიანები გზაზე გარკვეულ სიტუაციებში, დაინახავს, ​​რომ ზოგიერთი მძღოლი უხვევს მარცხნივ, ზოგი კი მარჯვნივ, მაგრამ პირდაპირ არავინ მიდის. . პირდაპირ წინ გამორიცხულია, როგორც შესაძლო მიმართულება და მოდელი ასკვნის, რომ T-გადაკვეთებზე მას შეუძლია გადაადგილება მხოლოდ მარცხნივ ან მარჯვნივ.

მართვის დროს, CNN ასევე ამოიღებს გზის ვიზუალურ მახასიათებლებს კამერებიდან, რაც საშუალებას აძლევს მას წინასწარ განსაზღვროს მარშრუტის შესაძლო ცვლილებები. მაგალითად, ის განსაზღვრავს წითელ გაჩერების ნიშანს ან გატეხილ ხაზს გზის მხარეს, როგორც მომავალი კვეთის ნიშნებს. ყოველ მომენტში, ის იყენებს საკონტროლო ბრძანებების სავარაუდო ალბათობის განაწილებას ყველაზე სწორი ბრძანების შესარჩევად.

მნიშვნელოვანია აღინიშნოს, რომ მკვლევარების აზრით, მათი ავტოპილოტი იყენებს რუკებს, რომელთა შენახვა და დამუშავება ძალიან მარტივია. ავტონომიური მართვის სისტემები, როგორც წესი, იყენებენ ლიდარის რუქებს, რომლებიც დაახლოებით 4000 გბ მონაცემს იკავებს მხოლოდ ქალაქ სან-ფრანცისკოს შესანახად. ყოველი ახალი დანიშნულების ადგილისთვის მანქანამ უნდა გამოიყენოს და შექმნას ახალი რუკები, რაც დიდ მეხსიერებას მოითხოვს. მეორეს მხრივ, ახალი ავტოპილოტის მიერ გამოყენებული რუკა მოიცავს მთელ მსოფლიოს და იკავებს მხოლოდ 40 გიგაბაიტ მონაცემს.

ავტონომიური მართვის დროს სისტემა ასევე მუდმივად ადარებს მის ვიზუალურ მონაცემებს რუქის მონაცემებთან და აფიქსირებს ნებისმიერ შეუსაბამობას. ეს ეხმარება ავტონომიურ მანქანას უკეთ განსაზღვროს, თუ სად იმყოფება გზაზე. და ეს უზრუნველყოფს, რომ მანქანა დარჩეს ყველაზე უსაფრთხო გზაზე, მაშინაც კი, თუ ის მიიღებს ურთიერთსაწინააღმდეგო შეყვანის ინფორმაციას: თუ, ვთქვათ, მანქანა მოძრაობს სწორ გზაზე მოხვევის გარეშე, და GPS მიუთითებს, რომ მანქანა უნდა მოუხვიოს მარჯვნივ, მანქანა იცოდე პირდაპირ წასვლა ან გაჩერება.

”რეალურ სამყაროში, სენსორები იშლება”, - ამბობს ამინი. „ჩვენ გვინდა დავრწმუნდეთ, რომ ჩვენი ავტოპილოტი მდგრადია სხვადასხვა სენსორების გაუმართაობის მიმართ, შევქმნით სისტემას, რომელსაც შეუძლია მიიღოს ნებისმიერი ხმაურის სიგნალი და მაინც სწორად გაიაროს გზაზე.

წყარო: 3dnews.ru