ವೇಮೊ, ಜಿಎಂ ಕ್ರೂಸ್, ಉಬರ್ ಮತ್ತು ಇತರ ಕಂಪನಿಗಳ ದೀರ್ಘಾವಧಿಯ ಗುರಿಯಾಗಿದ್ದು, ಮಾನವ ತರಹದ ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡಬಹುದಾದ ಸ್ವಯಂ-ಚಾಲನಾ ಕಾರುಗಳನ್ನು ರಚಿಸುವುದು. Intel Mobileye ಒಂದು ಜವಾಬ್ದಾರಿ-ಸೂಕ್ಷ್ಮ ಸುರಕ್ಷತೆ (RSS) ಗಣಿತದ ಮಾದರಿಯನ್ನು ನೀಡುತ್ತದೆ, ಇದನ್ನು ಕಂಪನಿಯು "ಸಾಮಾನ್ಯ ಜ್ಞಾನ" ವಿಧಾನವೆಂದು ವಿವರಿಸುತ್ತದೆ, ಇದು ಆಟೋಪೈಲಟ್ ಅನ್ನು "ಉತ್ತಮ" ರೀತಿಯಲ್ಲಿ ವರ್ತಿಸುವಂತೆ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮಾಡುವ ಮೂಲಕ ನಿರೂಪಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಇತರ ಕಾರುಗಳಿಗೆ ಸರಿಯಾದ ಮಾರ್ಗವನ್ನು ನೀಡುತ್ತದೆ. . ಮತ್ತೊಂದೆಡೆ, NVIDIA ಸುರಕ್ಷತಾ ಪಡೆ ಕ್ಷೇತ್ರವನ್ನು ಸಕ್ರಿಯವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದೆ, ಇದು ನೈಜ ಸಮಯದಲ್ಲಿ ವಾಹನ ಸಂವೇದಕಗಳಿಂದ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ಸುತ್ತಮುತ್ತಲಿನ ರಸ್ತೆ ಬಳಕೆದಾರರ ಅಸುರಕ್ಷಿತ ಕ್ರಿಯೆಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಸಿಸ್ಟಮ್-ಆಧಾರಿತ ನಿರ್ಧಾರ-ಮಾಡುವ ತಂತ್ರಜ್ಞಾನವಾಗಿದೆ. ಈಗ ಮ್ಯಾಸಚೂಸೆಟ್ಸ್ ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಟೆಕ್ನಾಲಜಿ (MIT) ಯ ವಿಜ್ಞಾನಿಗಳ ಗುಂಪು ಈ ಸಂಶೋಧನೆಗೆ ಸೇರಿಕೊಂಡಿದೆ ಮತ್ತು GPS ತರಹದ ನಕ್ಷೆಗಳ ಬಳಕೆ ಮತ್ತು ಕಾರಿನಲ್ಲಿ ಸ್ಥಾಪಿಸಲಾದ ಕ್ಯಾಮೆರಾಗಳಿಂದ ಪಡೆದ ದೃಶ್ಯ ಡೇಟಾವನ್ನು ಆಧರಿಸಿ ಹೊಸ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದೆ, ಇದರಿಂದಾಗಿ ಆಟೋಪೈಲಟ್ ಅಜ್ಞಾತವಾಗಿ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಬಹುದು. ವ್ಯಕ್ತಿಯನ್ನು ಹೋಲುವ ರಸ್ತೆಗಳು.
ಜನರು ಹಿಂದೆಂದೂ ಇಲ್ಲದಿರುವ ರಸ್ತೆಗಳಲ್ಲಿ ಕಾರುಗಳನ್ನು ಓಡಿಸುವಲ್ಲಿ ಅಸಾಧಾರಣವಾಗಿ ಉತ್ತಮರಾಗಿದ್ದಾರೆ. ನಾವು ಎಲ್ಲಿದ್ದೇವೆ ಮತ್ತು ನಾವು ಎಲ್ಲಿಗೆ ಹೋಗಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ನಮ್ಮ GPS ಸಾಧನಗಳಲ್ಲಿ ನಾವು ನೋಡುವುದರೊಂದಿಗೆ ನಾವು ನಮ್ಮ ಸುತ್ತಲೂ ನೋಡುವುದನ್ನು ಸರಳವಾಗಿ ಹೋಲಿಸುತ್ತೇವೆ. ಮತ್ತೊಂದೆಡೆ, ಸ್ವಯಂ-ಚಾಲನಾ ಕಾರುಗಳು ರಸ್ತೆಯ ಅಪರಿಚಿತ ವಿಭಾಗಗಳನ್ನು ನ್ಯಾವಿಗೇಟ್ ಮಾಡುವುದು ಅತ್ಯಂತ ಕಷ್ಟಕರವಾಗಿದೆ. ಪ್ರತಿ ಹೊಸ ಸ್ಥಳಕ್ಕಾಗಿ, ಸ್ವಯಂಪೈಲಟ್ ಹೊಸ ಮಾರ್ಗವನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ವಿಶ್ಲೇಷಿಸುವ ಅಗತ್ಯವಿದೆ, ಮತ್ತು ಆಗಾಗ್ಗೆ ಸ್ವಯಂಚಾಲಿತ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗಳು ಸಂಕೀರ್ಣವಾದ 3D ನಕ್ಷೆಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತವೆ, ಅವುಗಳು ಪೂರೈಕೆದಾರರು ಮುಂಚಿತವಾಗಿ ಅವುಗಳನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತವೆ.
ರೊಬೊಟಿಕ್ಸ್ ಮತ್ತು ಆಟೊಮೇಷನ್‌ನ ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನದಲ್ಲಿ ಈ ವಾರ ಮಂಡಿಸಿದ ಪ್ರಬಂಧದಲ್ಲಿ, MIT ಸಂಶೋಧಕರು ಸ್ವಾಯತ್ತ ಚಾಲನಾ ವ್ಯವಸ್ಥೆಯನ್ನು ವಿವರಿಸುತ್ತಾರೆ, ಅದು "ಕಲಿಯುತ್ತದೆ" ಮತ್ತು ಮಾನವ ಚಾಲಕನ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಮಾದರಿಗಳನ್ನು ಅವರು ಸಣ್ಣ ನಗರದ ಪ್ರದೇಶದಲ್ಲಿ ರಸ್ತೆಗಳಲ್ಲಿ ನ್ಯಾವಿಗೇಟ್ ಮಾಡುವಾಗ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಬಳಸಿಕೊಂಡು ನೆನಪಿಸಿಕೊಳ್ಳುತ್ತಾರೆ. ಕ್ಯಾಮೆರಾಗಳು ಮತ್ತು ಸರಳ GPS-ರೀತಿಯ ನಕ್ಷೆ. ತರಬೇತಿ ಪಡೆದ ಆಟೋಪೈಲಟ್ ನಂತರ ಚಾಲಕರಹಿತ ಕಾರನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಹೊಸ ಸ್ಥಳದಲ್ಲಿ ಓಡಿಸಬಹುದು, ಮಾನವ ಚಾಲನೆಯನ್ನು ಅನುಕರಿಸಬಹುದು.
ಮಾನವನಂತೆಯೇ, ಆಟೋಪೈಲಟ್ ತನ್ನ ನಕ್ಷೆ ಮತ್ತು ರಸ್ತೆ ವೈಶಿಷ್ಟ್ಯಗಳ ನಡುವಿನ ಯಾವುದೇ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಸಹ ಪತ್ತೆ ಮಾಡುತ್ತದೆ. ರಸ್ತೆ, ಸಂವೇದಕಗಳು ಅಥವಾ ನಕ್ಷೆಯಲ್ಲಿ ಅದರ ಸ್ಥಾನವು ತಪ್ಪಾಗಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಇದು ಸಿಸ್ಟಮ್‌ಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ ಆದ್ದರಿಂದ ಅದು ವಾಹನದ ಹಾದಿಯನ್ನು ಸರಿಪಡಿಸಬಹುದು.
ಆರಂಭದಲ್ಲಿ ಸಿಸ್ಟಮ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡಲು, ಮಾನವ ನಿರ್ವಾಹಕರು ಹಲವಾರು ಕ್ಯಾಮೆರಾಗಳು ಮತ್ತು ಮೂಲಭೂತ GPS ನ್ಯಾವಿಗೇಷನ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ಹೊಂದಿದ ಸ್ವಯಂಚಾಲಿತ ಟೊಯೋಟಾ ಪ್ರಿಯಸ್ ಅನ್ನು ಓಡಿಸಿದರು, ವಿವಿಧ ರಸ್ತೆ ರಚನೆಗಳು ಮತ್ತು ಅಡೆತಡೆಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಸ್ಥಳೀಯ ಉಪನಗರ ಬೀದಿಗಳಿಂದ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು. ನಂತರ ವ್ಯವಸ್ಥೆಯು ಸ್ವಾಯತ್ತ ವಾಹನಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಉದ್ದೇಶಿಸಲಾದ ಮತ್ತೊಂದು ಅರಣ್ಯ ಪ್ರದೇಶದಲ್ಲಿ ಪೂರ್ವ-ಯೋಜಿತ ಮಾರ್ಗದಲ್ಲಿ ಕಾರನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಓಡಿಸಿತು.
"ನಮ್ಮ ವ್ಯವಸ್ಥೆಯೊಂದಿಗೆ, ನೀವು ಪ್ರತಿ ರಸ್ತೆಯಲ್ಲೂ ಮುಂಚಿತವಾಗಿ ತರಬೇತಿ ಪಡೆಯಬೇಕಾಗಿಲ್ಲ" ಎಂದು MIT ಪದವೀಧರ ವಿದ್ಯಾರ್ಥಿಯಾದ ಅಧ್ಯಯನ ಲೇಖಕ ಅಲೆಕ್ಸಾಂಡರ್ ಅಮಿನಿ ಹೇಳುತ್ತಾರೆ. "ನಿಮ್ಮ ಕಾರಿಗೆ ಹಿಂದೆಂದೂ ನೋಡಿರದ ರಸ್ತೆಗಳನ್ನು ನ್ಯಾವಿಗೇಟ್ ಮಾಡಲು ನೀವು ಹೊಸ ನಕ್ಷೆಯನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡಬಹುದು."
"ಹೊಸ ಪರಿಸರದಲ್ಲಿ ಚಾಲನೆ ಮಾಡಲು ಚೇತರಿಸಿಕೊಳ್ಳುವ ಸ್ವಾಯತ್ತ ನ್ಯಾವಿಗೇಷನ್ ಅನ್ನು ರಚಿಸುವುದು ನಮ್ಮ ಗುರಿಯಾಗಿದೆ" ಎಂದು ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ ಮತ್ತು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಲ್ಯಾಬೋರೇಟರಿ (CSAIL) ನ ನಿರ್ದೇಶಕಿ ಸಹ-ಲೇಖಕಿ ಡೇನಿಯೆಲಾ ರುಸ್ ಹೇಳುತ್ತಾರೆ. "ಉದಾಹರಣೆಗೆ, ಕೇಂಬ್ರಿಡ್ಜ್‌ನ ಬೀದಿಗಳಂತಹ ನಗರ ಪರಿಸರದಲ್ಲಿ ನಾವು ಸ್ವಾಯತ್ತ ವಾಹನವನ್ನು ಓಡಿಸಲು ತರಬೇತಿ ನೀಡಿದರೆ, ವ್ಯವಸ್ಥೆಯು ಕಾಡಿನಲ್ಲಿ ಸರಾಗವಾಗಿ ಓಡಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಅದು ಹಿಂದೆಂದೂ ಅಂತಹ ವಾತಾವರಣವನ್ನು ನೋಡಿಲ್ಲದಿದ್ದರೂ ಸಹ."
ಸಾಂಪ್ರದಾಯಿಕ ನ್ಯಾವಿಗೇಷನ್ ಸಿಸ್ಟಮ್‌ಗಳು ಸ್ಥಳೀಕರಣ, ಮ್ಯಾಪಿಂಗ್, ಆಬ್ಜೆಕ್ಟ್ ಡಿಟೆಕ್ಷನ್, ಚಲನೆಯ ಯೋಜನೆ ಮತ್ತು ಸ್ಟೀರಿಂಗ್‌ನಂತಹ ಕಾರ್ಯಗಳಿಗಾಗಿ ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾದ ಬಹು ಮಾಡ್ಯೂಲ್‌ಗಳ ಮೂಲಕ ಸಂವೇದಕ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತವೆ. ವರ್ಷಗಳಿಂದ, ಡೇನಿಯಲಾ ಅವರ ಗುಂಪು ಯಾವುದೇ ವಿಶೇಷ ಮಾಡ್ಯೂಲ್‌ಗಳ ಅಗತ್ಯವಿಲ್ಲದೇ ಸಂವೇದಕ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಮತ್ತು ಕಾರನ್ನು ನಿಯಂತ್ರಿಸುವ ಎಂಡ್-ಟು-ಎಂಡ್ ನ್ಯಾವಿಗೇಷನ್ ಸಿಸ್ಟಮ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದೆ. ಆದಾಗ್ಯೂ, ಇಲ್ಲಿಯವರೆಗೆ, ಈ ಮಾದರಿಗಳನ್ನು ಯಾವುದೇ ನೈಜ ಉದ್ದೇಶವಿಲ್ಲದೆ ರಸ್ತೆಯಲ್ಲಿ ಸುರಕ್ಷಿತ ಪ್ರಯಾಣಕ್ಕಾಗಿ ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಬಳಸಲಾಗುತ್ತಿತ್ತು. ಹೊಸ ಕೆಲಸದಲ್ಲಿ, ಸಂಶೋಧಕರು ಹಿಂದೆ ತಿಳಿದಿಲ್ಲದ ಪರಿಸರದಲ್ಲಿ ಗುರಿಯಿಂದ ಗಮ್ಯಸ್ಥಾನದ ಚಲನೆಗಾಗಿ ತಮ್ಮ ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ವ್ಯವಸ್ಥೆಯನ್ನು ಪರಿಷ್ಕರಿಸಿದ್ದಾರೆ. ಇದನ್ನು ಮಾಡಲು, ಚಾಲನೆ ಮಾಡುವಾಗ ಯಾವುದೇ ಸಮಯದಲ್ಲಿ ಸಾಧ್ಯವಿರುವ ಎಲ್ಲಾ ನಿಯಂತ್ರಣ ಆಜ್ಞೆಗಳಿಗೆ ಪೂರ್ಣ ಸಂಭವನೀಯತೆಯ ವಿತರಣೆಯನ್ನು ಊಹಿಸಲು ವಿಜ್ಞಾನಿಗಳು ತಮ್ಮ ಸ್ವಯಂ ಪೈಲಟ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡಿದರು.
ಸಿಸ್ಟಮ್ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ (CNN) ಎಂಬ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತದೆ, ಇದನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಇಮೇಜ್ ಗುರುತಿಸುವಿಕೆಗಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ, ಸಿಸ್ಟಮ್ ಮಾನವ ಚಾಲಕನ ಚಾಲನಾ ನಡವಳಿಕೆಯನ್ನು ಗಮನಿಸುತ್ತದೆ. CNN ಸ್ಟೀರಿಂಗ್ ಚಕ್ರದ ತಿರುವುಗಳನ್ನು ರಸ್ತೆಯ ವಕ್ರತೆಯೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ, ಇದು ಕ್ಯಾಮರಾಗಳ ಮೂಲಕ ಮತ್ತು ಅದರ ಸಣ್ಣ ನಕ್ಷೆಯಲ್ಲಿ ವೀಕ್ಷಿಸುತ್ತದೆ. ಇದರ ಪರಿಣಾಮವಾಗಿ, ನೇರವಾದ ರಸ್ತೆಗಳು, ನಾಲ್ಕು-ಮಾರ್ಗದ ಛೇದಕಗಳು ಅಥವಾ ಟಿ-ಜಂಕ್ಷನ್‌ಗಳು, ಫೋರ್ಕ್‌ಗಳು ಮತ್ತು ತಿರುವುಗಳಂತಹ ವಿವಿಧ ಚಾಲನಾ ಸಂದರ್ಭಗಳಿಗಾಗಿ ಸಿಸ್ಟಮ್ ಹೆಚ್ಚಾಗಿ ಸ್ಟೀರಿಂಗ್ ಆಜ್ಞೆಗಳನ್ನು ಕಲಿಯುತ್ತದೆ.
"ಆರಂಭದಲ್ಲಿ, ಟಿ-ಛೇದಕದಲ್ಲಿ, ಕಾರು ತಿರುಗಬಹುದಾದ ಹಲವು ವಿಭಿನ್ನ ದಿಕ್ಕುಗಳಿವೆ" ಎಂದು ರುಸ್ ಹೇಳುತ್ತಾರೆ. "ಈ ಎಲ್ಲಾ ದಿಕ್ಕುಗಳ ಬಗ್ಗೆ ಯೋಚಿಸುವ ಮೂಲಕ ಮಾದರಿಯು ಪ್ರಾರಂಭವಾಗುತ್ತದೆ ಮತ್ತು ರಸ್ತೆಯ ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಜನರು ಏನು ಮಾಡುತ್ತಿದ್ದಾರೆ ಎಂಬುದರ ಕುರಿತು CNN ಹೆಚ್ಚು ಹೆಚ್ಚು ಡೇಟಾವನ್ನು ಪಡೆಯುತ್ತಿದ್ದಂತೆ, ಕೆಲವು ಚಾಲಕರು ಎಡಕ್ಕೆ ತಿರುಗುತ್ತಾರೆ ಮತ್ತು ಇತರರು ಬಲಕ್ಕೆ ತಿರುಗುತ್ತಾರೆ, ಆದರೆ ಯಾರೂ ನೇರವಾಗಿ ಹೋಗುವುದಿಲ್ಲ. . ನೇರವಾಗಿ ಮುಂದಕ್ಕೆ ಸಾಧ್ಯವಿರುವ ದಿಕ್ಕನ್ನು ಹೊರಗಿಡಲಾಗಿದೆ ಮತ್ತು ಮಾದರಿಯು ಟಿ-ಜಂಕ್ಷನ್‌ಗಳಲ್ಲಿ ಎಡಕ್ಕೆ ಅಥವಾ ಬಲಕ್ಕೆ ಮಾತ್ರ ಚಲಿಸಬಹುದು ಎಂದು ತೀರ್ಮಾನಿಸುತ್ತದೆ.
ಚಾಲನೆ ಮಾಡುವಾಗ, CNN ಕ್ಯಾಮೆರಾಗಳಿಂದ ದೃಶ್ಯ ರಸ್ತೆ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ, ಇದು ಸಂಭವನೀಯ ಮಾರ್ಗ ಬದಲಾವಣೆಗಳನ್ನು ಊಹಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಇದು ಮುಂಬರುವ ಛೇದನದ ಚಿಹ್ನೆಗಳಾಗಿ ರಸ್ತೆಯ ಬದಿಯಲ್ಲಿ ಕೆಂಪು ಸ್ಟಾಪ್ ಚಿಹ್ನೆ ಅಥವಾ ಮುರಿದ ರೇಖೆಯನ್ನು ಗುರುತಿಸುತ್ತದೆ. ಪ್ರತಿ ಕ್ಷಣದಲ್ಲಿ, ಇದು ಅತ್ಯಂತ ಸರಿಯಾದ ಆಜ್ಞೆಯನ್ನು ಆಯ್ಕೆಮಾಡಲು ನಿಯಂತ್ರಣ ಆಜ್ಞೆಗಳ ಮುನ್ಸೂಚನೆಯ ಸಂಭವನೀಯತೆಯ ವಿತರಣೆಯನ್ನು ಬಳಸುತ್ತದೆ.
ಸಂಶೋಧಕರ ಪ್ರಕಾರ, ಅವರ ಆಟೋಪೈಲಟ್ ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಅತ್ಯಂತ ಸುಲಭವಾದ ನಕ್ಷೆಗಳನ್ನು ಬಳಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ. ಸ್ವಾಯತ್ತ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಲಿಡಾರ್ ನಕ್ಷೆಗಳನ್ನು ಬಳಸುತ್ತವೆ, ಇದು ಸ್ಯಾನ್ ಫ್ರಾನ್ಸಿಸ್ಕೋ ನಗರವನ್ನು ಸಂಗ್ರಹಿಸಲು ಸುಮಾರು 4000 GB ಡೇಟಾವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಪ್ರತಿ ಹೊಸ ಗಮ್ಯಸ್ಥಾನಕ್ಕಾಗಿ, ಕಾರು ಹೊಸ ನಕ್ಷೆಗಳನ್ನು ಬಳಸಬೇಕು ಮತ್ತು ರಚಿಸಬೇಕು, ಇದಕ್ಕೆ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಮೆಮೊರಿ ಅಗತ್ಯವಿರುತ್ತದೆ. ಮತ್ತೊಂದೆಡೆ, ಹೊಸ ಆಟೋಪೈಲಟ್ ಬಳಸಿದ ನಕ್ಷೆಯು ಕೇವಲ 40 ಗಿಗಾಬೈಟ್‌ಗಳ ಡೇಟಾವನ್ನು ಆಕ್ರಮಿಸಿಕೊಂಡಿರುವಾಗ ಇಡೀ ಜಗತ್ತನ್ನು ಆವರಿಸುತ್ತದೆ.
ಸ್ವಾಯತ್ತ ಚಾಲನೆಯ ಸಮಯದಲ್ಲಿ, ಸಿಸ್ಟಮ್ ತನ್ನ ದೃಶ್ಯ ಡೇಟಾವನ್ನು ನಕ್ಷೆಯ ಡೇಟಾದೊಂದಿಗೆ ನಿರಂತರವಾಗಿ ಹೋಲಿಸುತ್ತದೆ ಮತ್ತು ಯಾವುದೇ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡುತ್ತದೆ. ಇದು ಸ್ವಾಯತ್ತ ವಾಹನವು ರಸ್ತೆಯಲ್ಲಿ ಎಲ್ಲಿದೆ ಎಂಬುದನ್ನು ಉತ್ತಮವಾಗಿ ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಮತ್ತು ಇದು ವ್ಯತಿರಿಕ್ತ ಇನ್‌ಪುಟ್ ಮಾಹಿತಿಯನ್ನು ಪಡೆದರೂ ಸಹ ಕಾರು ಸುರಕ್ಷಿತ ಮಾರ್ಗದಲ್ಲಿ ಉಳಿಯುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ: ಹೇಳುವುದಾದರೆ, ಕಾರು ಯಾವುದೇ ತಿರುವುಗಳಿಲ್ಲದೆ ನೇರ ರಸ್ತೆಯಲ್ಲಿ ಚಲಿಸುತ್ತಿದ್ದರೆ ಮತ್ತು GPS ಕಾರು ಬಲಕ್ಕೆ ತಿರುಗಬೇಕು ಎಂದು ಸೂಚಿಸುತ್ತದೆ, ಕಾರು ನೇರವಾಗಿ ಹೋಗಲು ಅಥವಾ ನಿಲ್ಲಿಸಲು ತಿಳಿದಿದೆ.
"ನೈಜ ಜಗತ್ತಿನಲ್ಲಿ, ಸಂವೇದಕಗಳು ವಿಫಲಗೊಳ್ಳುತ್ತವೆ" ಎಂದು ಅಮಿನಿ ಹೇಳುತ್ತಾರೆ. "ಯಾವುದೇ ಶಬ್ದ ಸಂಕೇತಗಳನ್ನು ಸ್ವೀಕರಿಸುವ ಮತ್ತು ರಸ್ತೆಯನ್ನು ಸರಿಯಾಗಿ ನ್ಯಾವಿಗೇಟ್ ಮಾಡುವ ವ್ಯವಸ್ಥೆಯನ್ನು ರಚಿಸುವ ಮೂಲಕ ನಮ್ಮ ಆಟೋಪೈಲಟ್ ವಿವಿಧ ಸಂವೇದಕ ವೈಫಲ್ಯಗಳಿಗೆ ಸ್ಥಿತಿಸ್ಥಾಪಕವಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ನಾವು ಬಯಸುತ್ತೇವೆ."
ಮೂಲ: 3dnews.ru