Адамға ұқсас шешімдер қабылдай алатын өздігінен жүретін көліктерді жасау Waymo, GM Cruise, Uber және т.б. сияқты компаниялардың бұрыннан келе жатқан мақсаты болды. Intel Mobileye Жауапкершілікке Сезімтал Қауіпсіздік (RSS) математикалық үлгісін ұсынады, оны компания автопилотты басқа көліктерге жүру құқығын беру сияқты «жақсы» әрекетке бағдарламалаумен сипатталатын «жақсы» тәсіл ретінде сипаттайды. . Екінші жағынан, NVIDIA нақты уақыт режимінде көлік сенсорларынан алынған деректерді талдау арқылы айналадағы жол пайдаланушылардың қауіпті әрекеттерін бақылайтын жүйеге негізделген шешім қабылдау технологиясын Safety Force Field-ті белсенді түрде дамытуда. Енді Массачусетс технологиялық институтының (MIT) бір топ ғалымдары осы зерттеуге қосылып, автопилоттың белгісіз бағытта жүруі үшін GPS-тәрізді карталар мен көлікте орнатылған камералардан алынған визуалды деректерді пайдалануға негізделген жаңа тәсілді ұсынды. адамға ұқсас жолдар. жол.
Адамдар бұрын-соңды болмаған жолдарда көлік жүргізуде өте жақсы. Біз қайда екенімізді және қайда бару керектігін анықтау үшін айналамызда не көріп тұрғанымызды GPS құрылғыларында көргенімізбен салыстырамыз. Ал, өздігінен жүретін көліктер жолдың белгісіз бөліктерінде жүру өте қиынға соғады. Әрбір жаңа орын үшін автопилот жаңа бағытты мұқият талдауы керек және көбінесе автоматты басқару жүйелері жеткізушілер алдын ала дайындаған күрделі 3D карталарына сүйенеді.
Осы аптада робототехника және автоматтандыру жөніндегі халықаралық конференцияда ұсынылған мақалада MIT зерттеушілері тек деректерді пайдалана отырып, шағын қала аймағындағы жолдарды шарлау кезінде адам жүргізушінің шешім қабылдау үлгілерін «үйренетін» және есте сақтайтын автономды жүргізу жүйесін сипаттайды. камералар және қарапайым GPS сияқты карта. Оқытылған автопилот жүргізушісіз көлікті мүлдем жаңа жерде басқара алады, бұл адамның жүргізуіне ұқсайды.
Адам сияқты, автопилот те оның картасы мен жол ерекшеліктері арасындағы кез келген сәйкессіздікті анықтайды. Бұл жүйеге оның жолдағы орнының, сенсорлардың немесе картаның дұрыс емес екенін анықтауға көмектеседі, осылайша ол көлік бағытын түзете алады.
Бастапқыда жүйені үйрету үшін адам операторы әртүрлі жол құрылымдары мен кедергілерді қоса, жергілікті қала маңындағы көшелерден деректерді жинау үшін бірнеше камералармен және негізгі GPS навигациялық жүйесімен жабдықталған автоматтандырылған Toyota Prius көлігін жүргізді. Содан кейін жүйе автономды көліктерді сынауға арналған басқа орманды аумақта алдын ала жоспарланған маршрут бойынша автокөлікті сәтті жүргізді.
«Біздің жүйемізбен әр жолда алдын ала жаттығудың қажеті жоқ», - дейді зерттеу авторы Александр Амини, MIT магистранты. «Көлігіңізге бұрын-соңды болмаған жолдармен жүру үшін жаңа картаны жүктеп алуға болады».
«Біздің мақсатымыз - жаңа орталарда көлік жүргізуге төзімді автономды навигация жасау», - деп қосады бірлескен автор Даниэла Рус, Компьютерлік ғылым және жасанды интеллект зертханасының (CSAIL) директоры. «Мысалы, егер біз автономды көлікті Кембридж көшелері сияқты қалалық ортада жүргізуге үйрететін болсақ, жүйе бұрын мұндай ортаны көрмесе де, орманда тегіс жүре алуы керек».
Дәстүрлі навигациялық жүйелер локализация, карталау, нысанды анықтау, қозғалысты жоспарлау және басқару сияқты тапсырмалар үшін конфигурацияланған бірнеше модульдер арқылы сенсор деректерін өңдейді. Даниэланың тобы жылдар бойы сенсор деректерін өңдейтін және арнайы модульдерді қажет етпей, автокөлікті басқаратын түпкілікті навигациялық жүйелерді дамытып келеді. Дегенмен, осы уақытқа дейін бұл модельдер ешқандай нақты мақсатсыз жолда қауіпсіз жүру үшін қатаң түрде қолданылған. Жаңа жұмыста зерттеушілер бұрын белгісіз ортада мақсатқа жетуге арналған қозғалыстың түпкілікті жүйесін нақтылады. Бұл үшін ғалымдар автопилотты жүргізу кезінде кез келген уақытта барлық ықтимал басқару командалары үшін толық ықтималдық үлестірімін болжауға үйретті.
Жүйе кескінді тану үшін әдетте пайдаланылатын конволюционды нейрондық желі (CNN) деп аталатын машиналық оқыту моделін пайдаланады. Жаттығу кезінде жүйе адам жүргізушісінің жүргізу тәртібін бақылайды. CNN руль дөңгелегі бұрылыстарын жолдың қисықтығымен салыстырады, оны камералар арқылы және оның шағын картасында бақылайды. Нәтижесінде жүйе түзу жолдар, төрт жақты қиылыстар немесе Т-тәрізді жолдар, айырлар мен бұрылыстар сияқты әртүрлі жүргізу жағдайлары үшін ең ықтимал рульдік басқару пәрмендерін үйренеді.
«Бастапқыда, T-қиылысында автомобиль бұрыла алатын көптеген бағыттар бар», - дейді Рус. «Модель осы бағыттардың барлығын ойлаудан басталады және CNN адамдардың жолда белгілі бір жағдайларда не істеп жатқаны туралы көбірек деректер алған сайын, ол кейбір жүргізушілердің солға, ал басқалары оңға бұрылатынын көреді, бірақ ешкім тікелей бармайды. . Тікелей алға болуы мүмкін бағыт ретінде жоққа шығарылады және модель T-қиылыстарында ол тек солға немесе оңға жылжи алады деген қорытындыға келеді.
Көлік жүргізу кезінде CNN сонымен қатар мүмкін болатын маршрут өзгерістерін болжауға мүмкіндік беретін камералардан жолдың көрнекі мүмкіндіктерін шығарады. Мысалы, ол қызыл тоқтау белгісін немесе жол жиегіндегі үзілген сызықты алдағы қиылыстың белгісі ретінде анықтайды. Әр сәтте ол ең дұрыс пәрменді таңдау үшін басқару пәрмендерінің болжамды ықтималдық үлестірімін пайдаланады.
Зерттеушілердің айтуынша, олардың автопилоты сақтауға және өңдеуге өте оңай карталарды пайдаланады. Автономды басқару жүйелері әдетте Сан-Франциско қаласын сақтау үшін шамамен 4000 ГБ деректерді алатын лидар карталарын пайдаланады. Әрбір жаңа бағыт үшін көлік жадтың үлкен көлемін қажет ететін жаңа карталарды пайдалануы және жасауы керек. Екінші жағынан, жаңа автопилот пайдаланатын карта небәрі 40 гигабайт деректерді алып жатқанда бүкіл әлемді қамтиды.
Автономды жүргізу кезінде жүйе өзінің визуалды деректерін карта деректерімен үнемі салыстырады және кез келген сәйкессіздіктерді белгілейді. Бұл автономды көліктің жолда қай жерде екенін анықтауға көмектеседі. Және бұл, егер ол қарама-қайшы кіріс ақпаратын алса да, көліктің ең қауіпсіз жолда қалуын қамтамасыз етеді: егер, айталық, көлік бұрылыссыз түзу жолда келе жатса және GPS автомобиль оңға бұрылуы керек екенін көрсетсе, машина тура жүруді немесе тоқтауды біліңіз.
«Нақты әлемде сенсорлар істен шығады», - дейді Амини. «Біз кез келген шу сигналдарын қабылдай алатын және әлі де жолды дұрыс бағыттай алатын жүйені құру арқылы біздің автопилоттың әртүрлі сенсорлық ақауларға төзімді екеніне көз жеткізгіміз келеді».
Ақпарат көзі: 3dnews.ru