Видео: Научниците од МИТ го направија автопилотот повеќе сличен на човекот

Создавањето самоуправувачки автомобили кои можат да носат одлуки слични на луѓето е долгогодишна цел на компаниите како Waymo, GM Cruise, Uber и други. Intel Mobileye нуди математички модел за безбедност чувствителна одговорност (RSS), кој компанијата го опишува како „здрав разум“ пристап кој се карактеризира со програмирање на автопилотот да се однесува на „добар“ начин, како што е давање предност на други автомобили. . Од друга страна, NVIDIA активно развива Safety Force Field, системска технологија за донесување одлуки која ги следи небезбедните дејства на околните учесници во сообраќајот преку анализа на податоците од сензорите на возилата во реално време. Сега група научници од Технолошкиот институт во Масачусетс (МИТ) се приклучија на ова истражување и предложија нов пристап заснован на употреба на мапи слични на GPS и визуелни податоци добиени од камери инсталирани на автомобилот, така што автоматскиот пилот може да се движи по непознати патишта слични на личност.начин.

Луѓето се исклучително добри во возењето автомобили на патишта на кои никогаш претходно не биле. Едноставно го споредуваме она што го гледаме околу нас со она што го гледаме на нашите GPS уреди за да одредиме каде сме и каде треба да одиме. Од друга страна, на самоуправувачките автомобили им е исклучително тешко да се движат низ непознатите делови од патот. За секоја нова локација, автоматскиот пилот треба внимателно да ја анализира новата рута, а честопати системите за автоматска контрола се потпираат на сложени 3Д мапи што добавувачите ги подготвуваат однапред за нив.

Во трудот презентиран оваа недела на Меѓународната конференција за роботика и автоматизација, истражувачите од МИТ опишуваат систем за автономно возење што „учи“ и се сеќава на моделите на донесување одлуки на човечкиот возач додека тие се движат по патиштата во мала градска област користејќи само податоци. камери и едноставна мапа слична на GPS. Обучениот автопилот потоа може да го вози автомобилот без возач на сосема нова локација, симулирајќи човечко возење.

Исто како и човекот, автоматскиот пилот, исто така, открива какви било несогласувања помеѓу неговата карта и карактеристиките на патот. Ова му помага на системот да утврди дали неговата позиција на патот, сензорите или мапата се неточни за да може да го поправи текот на возилото.

За првично да го обучи системот, човечки оператор возел автоматизиран Toyota Prius опремен со повеќе камери и основен GPS систем за навигација за да собира податоци од локалните приградски улици, вклучително и различни патни структури и пречки. Системот потоа успешно го возел автомобилот по однапред испланирана рута во друга пошумена област наменета за тестирање на автономни возила.

„Со нашиот систем, не мора да тренирате на секој пат однапред“, вели авторот на студијата Александар Амини, дипломиран студент на МИТ. „Можете да преземете нова мапа за вашиот автомобил за да се движите по патишта какви што досега не биле видени.

„Нашата цел е да создадеме автономна навигација која е отпорна на возење во нови средини“, додава коавторот Даниела Рус, директор на Лабораторијата за компјутерски науки и вештачка интелигенција (CSAIL). „На пример, ако тренираме автономно возило да вози во урбана средина како што се улиците на Кембриџ, системот исто така мора да може да вози непречено во шума, дури и ако никогаш претходно не видел таква средина“.

Традиционалните системи за навигација ги обработуваат податоците од сензорите преку повеќе модули конфигурирани за задачи како што се локализација, мапирање, откривање објекти, планирање на движење и управување. Со години, групата на Даниела развива системи за навигација од крај до крај кои ги обработуваат податоците од сензорот и го контролираат автомобилот без потреба од никакви специјализирани модули. Сепак, досега овие модели се користеа строго за безбедно патување на пат, без вистинска намена. Во новата работа, истражувачите го рафинираа нивниот систем од крај до крај за движење од цел до дестинација во претходно непозната средина. За да го направат ова, научниците го обучија својот автопилот да ја предвиди целосната распределба на веројатноста за сите можни контролни команди во секое време додека возите.

Системот користи модел за машинско учење наречен конволуциона невронска мрежа (CNN), вообичаено се користи за препознавање слики. За време на тренингот, системот го набљудува однесувањето на возачот во возењето. Си-Ен-Ен ги поврзува вртењата на воланот со кривината на патот, што го набљудува преку камерите и на својата мала мапа. Како резултат на тоа, системот ги учи најверојатните команди за управување за различни ситуации на возење, како што се прави патишта, четиринасочни раскрсници или Т-крстосници, вилушки и свиоци.

„Првично, на раскрсницата Т, има многу различни насоки на кои може да се сврти автомобилот“, вели Рус. „Моделот започнува со размислување за сите овие насоки, и како што CNN добива се повеќе и повеќе податоци за тоа што луѓето прават во одредени ситуации на патот, ќе види дека некои возачи вртат лево, а други свртуваат десно, но никој не оди директно. . Правото напред е исклучено како можна насока, а моделот заклучува дека на Т-крстосниците може да се движи само лево или десно“.

За време на возењето, CNN извлекува и визуелни карактеристики на патот од камерите, овозможувајќи му да предвиди можни промени на маршрутата. На пример, тој идентификува црвен знак за стоп или скршена линија на страната на патот како знаци на претстојна раскрсница. Во секој момент, ја користи предвидената распределба на веројатноста на контролните команди за да ја избере најточната команда.

Важно е да се напомене дека, според истражувачите, нивниот автопилот користи мапи кои се исклучително лесни за складирање и обработка. Автономните контролни системи вообичаено користат лидар мапи, кои зафаќаат приближно 4000 GB податоци за складирање само на градот Сан Франциско. За секоја нова дестинација, автомобилот мора да користи и да креира нови мапи, што бара огромна количина на меморија. Од друга страна, мапата што ја користи новиот Autopilot го покрива целиот свет додека зафаќа само 40 гигабајти податоци.

За време на автономното возење, системот, исто така, постојано ги споредува своите визуелни податоци со податоците од картата и ги означува сите несогласувања. Ова му помага на автономното возило подобро да одреди каде се наоѓа на патот. И ова осигурува автомобилот да остане на најбезбедната патека, дури и ако добива спротивставени влезни информации: ако, да речеме, автомобилот се движи по прав пат без кривини, а GPS-от покажува дека автомобилот треба да сврти десно, автомобилот ќе знајте да одите директно или да застанете.

„Во реалниот свет, сензорите не успеваат“, вели Амини. „Сакаме да се увериме дека нашиот автопилот е отпорен на разни дефекти на сензорите со создавање на систем кој може да прима сигнали за бучава и сепак правилно да се движи по патот“.

Извор: 3dnews.ru