ວີດີໂອ: ນັກວິທະຍາສາດຂອງ MIT ໄດ້ສ້າງ autopilot ຄືກັບມະນຸດຫຼາຍຂຶ້ນ

ການສ້າງລົດທີ່ຂັບເຄື່ອນດ້ວຍຕົວມັນເອງທີ່ສາມາດເຮັດໃຫ້ການຕັດສິນໃຈຄືກັບມະນຸດໄດ້ເປັນເປົ້າຫມາຍທີ່ຍາວນານຂອງບໍລິສັດເຊັ່ນ Waymo, GM Cruise, Uber ແລະອື່ນໆ. Intel Mobileye ສະເຫນີຮູບແບບຄະນິດສາດທີ່ຄວາມຮັບຜິດຊອບ-Sensitive Safety (RSS) ເຊິ່ງບໍລິສັດອະທິບາຍວ່າເປັນວິທີການ "ທົ່ວໄປ" ທີ່ມີລັກສະນະໂດຍການຂຽນໂປລແກລມ autopilot ເພື່ອປະຕິບັດຕົວ "ດີ", ເຊັ່ນວ່າໃຫ້ລົດອື່ນໆມີສິດທາງ. . ໃນທາງກົງກັນຂ້າມ, NVIDIA ກໍາລັງພັດທະນາຢ່າງຫ້າວຫັນ Safety Force Field, ເຕັກໂນໂລຢີການຕັດສິນໃຈຂອງລະບົບທີ່ຕິດຕາມການກະທໍາທີ່ບໍ່ປອດໄພຂອງຜູ້ໃຊ້ຖະຫນົນອ້ອມຂ້າງໂດຍການວິເຄາະຂໍ້ມູນຈາກເຊັນເຊີຍານພາຫະນະໃນເວລາຈິງ. ດຽວນີ້ກຸ່ມນັກວິທະຍາສາດຈາກສະຖາບັນເທັກໂນໂລຍີລັດ Massachusetts (MIT) ໄດ້ເຂົ້າຮ່ວມການຄົ້ນຄວ້ານີ້ ແລະໄດ້ສະເໜີວິທີການໃໝ່ໂດຍອີງໃສ່ການໃຊ້ແຜນທີ່ຄ້າຍຄື GPS ແລະຂໍ້ມູນພາບທີ່ໄດ້ມາຈາກກ້ອງທີ່ຕິດຕັ້ງຢູ່ໃນລົດ ເພື່ອໃຫ້ຍານຍົນອັດຕະໂນມັດສາມາດນຳທາງໄປມາໂດຍບໍ່ຮູ້ຕົວ. ເສັ້ນທາງທີ່ຄ້າຍຄືກັບຄົນ.

ຄົນເຮົາເກັ່ງຫຼາຍໃນການຂັບຂີ່ລົດໃນຖະໜົນຫົນທາງທີ່ເຂົາເຈົ້າບໍ່ເຄີຍຂີ່ມາກ່ອນ. ພວກເຮົາພຽງແຕ່ປຽບທຽບສິ່ງທີ່ພວກເຮົາເຫັນຢູ່ອ້ອມຕົວພວກເຮົາກັບສິ່ງທີ່ພວກເຮົາເຫັນຢູ່ໃນອຸປະກອນ GPS ຂອງພວກເຮົາເພື່ອກໍານົດບ່ອນທີ່ພວກເຮົາຢູ່ແລະບ່ອນທີ່ພວກເຮົາຕ້ອງການໄປ. ໃນທາງກົງກັນຂ້າມ, ລົດທີ່ຂັບລົດດ້ວຍຕົນເອງ, ພົບວ່າມັນຍາກທີ່ສຸດທີ່ຈະນຳທາງໄປຫາພາກສ່ວນທີ່ບໍ່ຮູ້ຈັກຂອງຖະໜົນ. ສໍາລັບແຕ່ລະສະຖານທີ່ໃຫມ່, autopilot ຕ້ອງການວິເຄາະເສັ້ນທາງໃຫມ່ຢ່າງລະມັດລະວັງ, ແລະເລື້ອຍໆລະບົບການຄວບຄຸມອັດຕະໂນມັດແມ່ນອີງໃສ່ແຜນທີ່ 3D ທີ່ສັບສົນທີ່ຜູ້ສະຫນອງກະກຽມສໍາລັບພວກເຂົາລ່ວງຫນ້າ.

ໃນເອກະສານທີ່ນໍາສະເຫນີໃນອາທິດນີ້ໃນກອງປະຊຸມສາກົນກ່ຽວກັບຫຸ່ນຍົນແລະອັດຕະໂນມັດ, ນັກຄົ້ນຄວ້າ MIT ອະທິບາຍເຖິງລະບົບການຂັບຂີ່ແບບອັດຕະໂນມັດທີ່ "ຮຽນຮູ້" ແລະຈື່ຈໍາຮູບແບບການຕັດສິນໃຈຂອງຜູ້ຂັບຂີ່ຂອງມະນຸດໃນຂະນະທີ່ພວກເຂົານໍາທາງໃນຖະຫນົນໃນເຂດເມືອງຂະຫນາດນ້ອຍໂດຍໃຊ້ຂໍ້ມູນຈາກວິດີໂອ. ກ້ອງຖ່າຍຮູບ ແລະແຜນທີ່ທີ່ຄ້າຍຄືກັບ GPS ງ່າຍໆ. ຍານຍົນອັດຕະໂນມັດທີ່ໄດ້ຮັບການຝຶກອົບຮົມແລ້ວສາມາດຂັບລົດທີ່ບໍ່ມີຄົນຂັບຢູ່ໃນສະຖານທີ່ໃຫມ່ຢ່າງສົມບູນ, ເປັນການຈໍາລອງການຂັບລົດຂອງມະນຸດ.

ຄືກັນກັບມະນຸດ, ຍານຍົນອັດຕະໂນມັດຍັງກວດພົບຄວາມແຕກຕ່າງລະຫວ່າງແຜນທີ່ຂອງມັນ ແລະລັກສະນະຖະໜົນ. ນີ້ຈະຊ່ວຍໃຫ້ລະບົບກໍານົດວ່າຕໍາແຫນ່ງຂອງມັນຢູ່ໃນຖະຫນົນ, ເຊັນເຊີ, ຫຼືແຜນທີ່ບໍ່ຖືກຕ້ອງ, ດັ່ງນັ້ນມັນສາມາດແກ້ໄຂເສັ້ນທາງຂອງຍານພາຫະນະ.

ເພື່ອຝຶກອົບຮົມລະບົບເບື້ອງຕົ້ນ, ຜູ້ປະຕິບັດງານຂອງມະນຸດໄດ້ຂັບລົດ Toyota Prius ອັດຕະໂນມັດທີ່ມີກ້ອງຖ່າຍຮູບຫຼາຍຕົວແລະລະບົບນໍາທາງ GPS ພື້ນຖານເພື່ອເກັບກໍາຂໍ້ມູນຈາກຖະຫນົນໃນເຂດຊານເມືອງທ້ອງຖິ່ນ, ລວມທັງໂຄງສ້າງຖະຫນົນແລະອຸປະສັກຕ່າງໆ. ຫຼັງຈາກນັ້ນ, ລະບົບດັ່ງກ່າວໄດ້ປະສົບຜົນສໍາເລັດໃນການຂັບລົດໄປຕາມເສັ້ນທາງທີ່ວາງແຜນໄວ້ລ່ວງຫນ້າໃນເຂດປ່າດົງອື່ນທີ່ມີຈຸດປະສົງເພື່ອທົດສອບຍານພາຫະນະອັດຕະໂນມັດ.

"ດ້ວຍລະບົບຂອງພວກເຮົາ, ທ່ານບໍ່ຈໍາເປັນຕ້ອງຝຶກອົບຮົມໃນທຸກເສັ້ນທາງລ່ວງຫນ້າ," Alexander Amini, ນັກສຶກສາຈົບການສຶກສາຂອງ MIT ເວົ້າວ່າ. "ທ່ານສາມາດດາວໂຫລດແຜນທີ່ໃຫມ່ສໍາລັບລົດຂອງທ່ານເພື່ອນໍາທາງທີ່ມັນບໍ່ເຄີຍເຫັນມາກ່ອນ."

"ເປົ້າຫມາຍຂອງພວກເຮົາແມ່ນເພື່ອສ້າງການນໍາທາງແບບອັດຕະໂນມັດທີ່ທົນທານຕໍ່ການຂັບຂີ່ໃນສະພາບແວດລ້ອມໃຫມ່," ຜູ້ຂຽນຮ່ວມ Daniela Rus, ຜູ້ອໍານວຍການຫ້ອງທົດລອງວິທະຍາສາດຄອມພິວເຕີແລະປັນຍາທຽມ (CSAIL). "ຕົວຢ່າງ, ຖ້າພວກເຮົາຝຶກອົບຮົມຍານພາຫະນະອັດຕະໂນມັດເພື່ອຂັບລົດໃນສະພາບແວດລ້ອມໃນຕົວເມືອງເຊັ່ນ: ຖະຫນົນຂອງ Cambridge, ລະບົບຍັງສາມາດຂັບລົດໄດ້ຢ່າງສະດວກສະບາຍໃນປ່າ, ເຖິງແມ່ນວ່າມັນບໍ່ເຄີຍເຫັນສະພາບແວດລ້ອມດັ່ງກ່າວມາກ່ອນ."

ລະບົບນຳທາງແບບດັ້ງເດີມປະມວນຜົນຂໍ້ມູນເຊັນເຊີຜ່ານຫຼາຍໂມດູນທີ່ກຳນົດຄ່າສຳລັບໜ້າວຽກເຊັ່ນ: ການກຳນົດທ້ອງຖິ່ນ, ແຜນທີ່, ການກວດຫາວັດຖຸ, ການວາງແຜນການເຄື່ອນໄຫວ ແລະ ການຊີ້ນໍາ. ສໍາລັບປີ, ກຸ່ມຂອງ Daniela ໄດ້ພັດທະນາລະບົບນໍາທາງ end-to-end ທີ່ປະມວນຜົນຂໍ້ມູນເຊັນເຊີແລະຄວບຄຸມລົດໄດ້ໂດຍບໍ່ຈໍາເປັນຕ້ອງມີໂມດູນພິເສດໃດໆ. ມາຮອດປະຈຸ, ແນວໃດກໍ່ຕາມ, ແບບຈໍາລອງເຫຼົ່ານີ້ໄດ້ຖືກນໍາໃຊ້ຢ່າງເຂັ້ມງວດສໍາລັບການເດີນທາງທີ່ປອດໄພໃນຖະຫນົນຫົນທາງ, ໂດຍບໍ່ມີຈຸດປະສົງທີ່ແທ້ຈິງ. ໃນວຽກງານໃຫມ່, ນັກຄົ້ນຄວ້າໄດ້ປັບປຸງລະບົບ end-to-end ຂອງເຂົາເຈົ້າສໍາລັບການເຄື່ອນໄຫວເປົ້າຫມາຍໄປຫາຈຸດຫມາຍປາຍທາງໃນສະພາບແວດລ້ອມທີ່ບໍ່ຮູ້ຈັກກ່ອນຫນ້ານີ້. ເພື່ອເຮັດສິ່ງນີ້, ນັກວິທະຍາສາດໄດ້ຝຶກອົບຮົມ autopilot ຂອງພວກເຂົາເພື່ອຄາດຄະເນການແຈກຢາຍຄວາມເປັນໄປໄດ້ຢ່າງເຕັມທີ່ສໍາລັບຄໍາສັ່ງຄວບຄຸມທີ່ເປັນໄປໄດ້ທຸກເວລາໃນເວລາຂັບລົດ.

ລະບົບໃຊ້ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ເອີ້ນວ່າເຄືອຂ່າຍ neural convolutional (CNN), ຖືກນໍາໃຊ້ທົ່ວໄປສໍາລັບການຮັບຮູ້ຮູບພາບ. ໃນລະຫວ່າງການຝຶກອົບຮົມ, ລະບົບສັງເກດເຫັນພຶດຕິກໍາການຂັບຂີ່ຂອງຄົນຂັບລົດ. CNN ກ່ຽວຂ້ອງກັບການປ່ຽນພວງມາໄລກັບຄວາມໂຄ້ງຂອງເສັ້ນທາງ, ເຊິ່ງມັນສັງເກດເຫັນຜ່ານກ້ອງຖ່າຍຮູບແລະໃນແຜນທີ່ຂະຫນາດນ້ອຍຂອງມັນ. ດັ່ງນັ້ນ, ລະບົບຈະຮຽນຮູ້ຄໍາສັ່ງການຊີ້ນໍາທີ່ເປັນໄປໄດ້ທີ່ສຸດສໍາລັບສະຖານະການຂັບລົດຕ່າງໆ, ເຊັ່ນ: ເສັ້ນທາງຊື່, ສີ່ແຍກຫຼື T-junctions, fork ແລະ turns.

"ໃນເບື້ອງຕົ້ນ, ຢູ່ສີ່ແຍກ T, ມີຫຼາຍທິດທາງທີ່ແຕກຕ່າງກັນທີ່ລົດສາມາດລ້ຽວໄດ້," Rus ເວົ້າ. "ຕົວແບບເລີ່ມຕົ້ນໂດຍການຄິດກ່ຽວກັບທິດທາງທັງຫມົດນີ້, ແລະຍ້ອນວ່າ CNN ໄດ້ຮັບຂໍ້ມູນຫຼາຍຂຶ້ນກ່ຽວກັບສິ່ງທີ່ປະຊາຊົນກໍາລັງເຮັດໃນສະຖານະການບາງຢ່າງຢູ່ໃນຖະຫນົນ, ມັນຈະເຫັນວ່າຜູ້ຂັບຂີ່ບາງຄົນຫັນຊ້າຍແລະຄົນອື່ນຫັນຂວາ, ແຕ່ບໍ່ມີໃຜໄປໂດຍກົງ. . ກົງໄປກົງມາຖືກຕັດອອກເປັນທິດທາງທີ່ເປັນໄປໄດ້, ແລະຕົວແບບສະຫຼຸບວ່າຢູ່ທີ່ T-junctions ມັນພຽງແຕ່ຍ້າຍຊ້າຍຫຼືຂວາເທົ່ານັ້ນ."

ໃນຂະນະທີ່ຂັບລົດ, CNN ຍັງສະກັດລັກສະນະເສັ້ນທາງສາຍຕາຈາກກ້ອງຖ່າຍຮູບ, ເຮັດໃຫ້ມັນສາມາດຄາດຄະເນການປ່ຽນແປງເສັ້ນທາງທີ່ເປັນໄປໄດ້. ຕົວຢ່າງ, ມັນກໍານົດປ້າຍຢຸດສີແດງຫຼືເສັ້ນຫັກຢູ່ຂ້າງຖະຫນົນເປັນສັນຍານຂອງສີ່ແຍກທີ່ຈະມາເຖິງ. ໃນແຕ່ລະປັດຈຸບັນ, ມັນໃຊ້ການແຈກຢາຍຄວາມເປັນໄປໄດ້ທີ່ຄາດຄະເນຂອງຄໍາສັ່ງຄວບຄຸມເພື່ອເລືອກຄໍາສັ່ງທີ່ຖືກຕ້ອງທີ່ສຸດ.

ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສັງເກດວ່າ, ອີງຕາມນັກຄົ້ນຄວ້າ, autopilot ຂອງພວກເຂົາໃຊ້ແຜນທີ່ທີ່ງ່າຍຕໍ່ການເກັບຮັກສາແລະປຸງແຕ່ງ. ລະບົບການຄວບຄຸມອັດຕະໂນມັດໂດຍປົກກະຕິໃຊ້ແຜນທີ່ lidar, ເຊິ່ງໃຊ້ເວລາປະມານ 4000 GB ຂອງຂໍ້ມູນເພື່ອເກັບຮັກສາພຽງແຕ່ເມືອງ San Francisco. ສໍາລັບແຕ່ລະຈຸດຫມາຍປາຍທາງໃຫມ່, ລົດຈະຕ້ອງໃຊ້ແລະສ້າງແຜນທີ່ໃຫມ່, ເຊິ່ງຕ້ອງການຄວາມຊົງຈໍາຈໍານວນຫຼວງຫຼາຍ. ໃນອີກດ້ານຫນຶ່ງ, ແຜນທີ່ທີ່ໃຊ້ໂດຍ Autopilot ໃຫມ່ກວມເອົາໂລກທັງຫມົດໃນຂະນະທີ່ຄອບຄອງພຽງແຕ່ 40 gigabyte ຂອງຂໍ້ມູນ.

ໃນລະຫວ່າງການຂັບຂີ່ແບບອັດຕະໂນມັດ, ລະບົບຍັງປຽບທຽບຂໍ້ມູນຕາຂອງມັນຢູ່ສະເໝີກັບຂໍ້ມູນແຜນທີ່ ແລະຊີ້ບອກຄວາມແຕກຕ່າງຕ່າງໆ. ອັນນີ້ຊ່ວຍໃຫ້ລົດທີ່ປົກຄອງຕົນເອງໄດ້ດີຂຶ້ນໃນການກຳນົດບ່ອນທີ່ມັນຢູ່ເທິງຖະໜົນ. ແລະນີ້ຮັບປະກັນວ່າລົດຢູ່ໃນເສັ້ນທາງທີ່ປອດໄພທີ່ສຸດ, ເຖິງແມ່ນວ່າມັນໄດ້ຮັບຂໍ້ມູນທີ່ຂັດແຍ້ງກັນ: ຖ້າ, ເວົ້າວ່າ, ລົດກໍາລັງເດີນທາງໃນເສັ້ນທາງຊື່ທີ່ບໍ່ມີລ້ຽວ, ແລະ GPS ຊີ້ໃຫ້ເຫັນວ່າລົດຄວນຈະລ້ຽວຂວາ, ລົດຈະ ຮູ້ວ່າຈະໄປຊື່ຫຼືຢຸດ.

"ໃນໂລກທີ່ແທ້ຈິງ, ເຊັນເຊີລົ້ມເຫລວ," Amini ເວົ້າ. "ພວກເຮົາຕ້ອງການໃຫ້ແນ່ໃຈວ່າ autopilot ຂອງພວກເຮົາມີຄວາມທົນທານຕໍ່ກັບຄວາມລົ້ມເຫຼວຂອງເຊັນເຊີຕ່າງໆໂດຍການສ້າງລະບົບທີ່ສາມາດຮັບສັນຍານສຽງລົບກວນແລະຍັງນໍາທາງໄດ້ຢ່າງຖືກຕ້ອງ."

ແຫຼ່ງຂໍ້ມູນ: 3dnews.ru