비디오: MIT 과학자들이 자동 조종 장치를 더욱 인간과 유사하게 만들었습니다.

인간과 같은 결정을 내릴 수 있는 자율주행차를 만드는 것은 Waymo, GM Cruise, Uber 등과 같은 회사의 오랜 목표였습니다. Intel Mobileye는 책임 민감 안전(RSS) 수학적 모델을 제공합니다. 이 모델은 다른 자동차에게 우선권을 주는 것과 같이 자동 조종 장치가 "좋은" 방식으로 작동하도록 프로그래밍하는 것을 특징으로 하는 "상식" 접근 방식으로 설명됩니다. . 한편, 엔비디아는 차량 센서의 데이터를 실시간으로 분석해 주변 도로 이용자의 불안전한 행동을 모니터링하는 시스템 기반 의사결정 기술인 세이프티 포스 필드(Safety Force Field)를 적극적으로 개발하고 있다. 이제 MIT(매사추세츠 공과대학)의 과학자 그룹이 이 연구에 참여하여 GPS와 유사한 지도와 자동차에 설치된 카메라에서 얻은 시각적 데이터를 사용하여 자동 조종 장치가 알려지지 않은 곳을 탐색할 수 있는 새로운 접근 방식을 제안했습니다. 사람과 비슷한 길.

사람들은 이전에 가본 적이 없는 도로에서 자동차를 운전하는 데 유난히 능숙합니다. 우리는 우리 주변에서 보는 것과 GPS 장치에서 보는 것과 비교하여 현재 위치와 가야 할 곳을 결정합니다. 반면, 자율주행차는 도로의 알려지지 않은 구간을 탐색하는 것이 매우 어렵습니다. 각각의 새로운 위치에 대해 자동 조종 장치는 새 경로를 신중하게 분석해야 하며, 자동 제어 시스템은 공급업체가 미리 준비한 복잡한 3D 지도에 의존하는 경우가 많습니다.

이번 주 로봇 공학 및 자동화에 관한 국제 회의에서 발표된 논문에서 MIT 연구원들은 인간 운전자가 데이터만을 사용하여 작은 도시 지역의 도로를 탐색할 때 인간 운전자의 의사 결정 패턴을 "학습"하고 기억하는 자율 주행 시스템에 대해 설명합니다. 카메라와 간단한 GPS와 같은 지도. 훈련된 자동 조종 장치는 사람의 운전을 시뮬레이션하면서 완전히 새로운 장소에서 무인 자동차를 운전할 수 있습니다.

인간과 마찬가지로 자동 조종 장치도 지도와 도로 지형 간의 불일치를 감지합니다. 이를 통해 시스템은 도로, 센서 또는 지도의 위치가 잘못된지 판단하여 차량의 경로를 수정할 수 있습니다.

처음에 시스템을 훈련시키기 위해 인간 운전자는 여러 대의 카메라와 기본 GPS 내비게이션 시스템을 갖춘 자동화된 Toyota Prius를 운전하여 다양한 도로 구조와 장애물을 포함한 지역 교외 거리에서 데이터를 수집했습니다. 그런 다음 시스템은 자율주행차 테스트를 위해 다른 숲이 우거진 지역에서 미리 계획된 경로를 따라 자동차를 성공적으로 운전했습니다.

“우리 시스템을 사용하면 모든 도로에서 미리 훈련할 필요가 없습니다.”라고 연구 저자이자 MIT 대학원생인 Alexander Amini는 말합니다. "자동차에 새로운 지도를 다운로드하여 이전에 한 번도 본 적이 없는 도로를 탐색할 수 있습니다."

“우리의 목표는 새로운 환경에서 운전할 수 있는 탄력성을 갖춘 자율 내비게이션을 만드는 것입니다.”라고 CSAIL(Computer Science and Artificial Intelligence Laboratory) 소장인 공동 저자 Daniela Rus가 덧붙였습니다. "예를 들어 캠브리지 거리와 같은 도시 환경에서 운전하도록 자율주행차를 훈련한다면 시스템은 이전에 그런 환경을 본 적이 없더라도 숲에서도 원활하게 운전할 수 있어야 합니다."

기존 내비게이션 시스템은 위치 파악, 매핑, 객체 감지, 동작 계획 및 조향과 같은 작업을 위해 구성된 여러 모듈을 통해 센서 데이터를 처리합니다. 수년 동안 Daniela의 그룹은 특수 모듈 없이도 센서 데이터를 처리하고 자동차를 제어하는 ​​엔드투엔드 내비게이션 시스템을 개발해 왔습니다. 그러나 지금까지 이러한 모델은 실제적인 목적 없이 도로에서의 안전한 여행을 위해서만 사용되었습니다. 새로운 연구에서 연구원들은 이전에 알려지지 않은 환경에서 목표에서 목적지까지의 이동을 위해 엔드투엔드 시스템을 개선했습니다. 이를 위해 과학자들은 운전 중 언제든지 가능한 모든 제어 명령에 대한 전체 확률 분포를 예측하도록 자동 조종 장치를 훈련했습니다.

이 시스템은 이미지 인식에 일반적으로 사용되는 CNN(Convolutional Neural Network)이라는 기계 학습 모델을 사용합니다. 훈련 중에 시스템은 인간 운전자의 운전 행동을 관찰합니다. CNN은 카메라와 작은 지도를 통해 관찰하는 도로 곡률과 운전대 회전을 연관시킵니다. 결과적으로 시스템은 직선 도로, XNUMX방향 교차로 또는 T자형 교차로, 분기점 및 회전과 같은 다양한 주행 상황에 대해 가장 가능성 있는 조향 명령을 학습합니다.

"처음에는 T 교차로에서 자동차가 회전할 수 있는 방향이 다양합니다."라고 Rus는 말합니다. “모델은 이러한 모든 방향에 대해 생각하는 것에서 시작합니다. CNN이 도로의 특정 상황에서 사람들이 무엇을 하고 있는지에 대해 점점 더 많은 데이터를 얻으면 어떤 운전자는 좌회전하고 다른 운전자는 우회전하지만 누구도 직접 가지 않는다는 것을 알게 될 것입니다. . 직진은 가능한 방향에서 제외되며, 모델은 T 교차점에서는 왼쪽이나 오른쪽으로만 이동할 수 있다고 결론지었습니다.”

운전하는 동안 CNN은 카메라에서 시각적인 도로 특징을 추출하여 가능한 경로 변경을 예측할 수도 있습니다. 예를 들어 빨간색 정지 신호나 길가의 파선을 다가오는 교차로의 신호로 식별합니다. 매 순간 예측된 제어 명령의 확률 분포를 이용하여 가장 정확한 명령을 선택합니다.

연구원에 따르면 자동 조종 장치는 저장 및 처리가 매우 쉬운 지도를 사용한다는 점에 유의하는 것이 중요합니다. 자율 제어 시스템은 일반적으로 샌프란시스코 도시만 저장하는 데 약 4000GB의 데이터를 차지하는 LiDAR 지도를 사용합니다. 각각의 새로운 목적지에 대해 자동차는 새로운 지도를 사용하고 생성해야 하며, 이를 위해서는 엄청난 양의 메모리가 필요합니다. 반면, 새로운 오토파일럿이 사용하는 지도는 전 세계를 포괄하면서도 차지하는 데이터 용량은 40GB에 불과하다.

자율 주행 중에 시스템은 시각적 데이터와 지도 데이터를 지속적으로 비교하고 불일치 사항을 표시합니다. 이는 자율주행차가 도로 위의 위치를 ​​더 잘 판단하는 데 도움이 됩니다. 그리고 이는 충돌하는 입력 정보를 수신하더라도 자동차가 가장 안전한 경로를 유지하도록 보장합니다. 예를 들어 자동차가 회전 없이 직선 도로를 주행하고 GPS에 자동차가 우회전해야 한다고 표시되면 자동차는 똑바로 가거나 멈출 줄 알아요.

Amini는 "실제 세계에서는 센서가 작동하지 않습니다."라고 말합니다. "우리는 소음 신호를 수신하면서도 여전히 도로를 올바르게 탐색할 수 있는 시스템을 만들어 자동 조종 장치가 다양한 센서 오류에 대한 복원력을 갖고 있는지 확인하고 싶습니다."

출처 : 3dnews.ru