വീഡിയോ: എംഐടി ശാസ്ത്രജ്ഞർ ഓട്ടോപൈലറ്റിനെ കൂടുതൽ മനുഷ്യസമാനമാക്കി

മനുഷ്യനെപ്പോലെ തീരുമാനങ്ങൾ എടുക്കാൻ കഴിയുന്ന സ്വയം ഡ്രൈവിംഗ് കാറുകൾ സൃഷ്ടിക്കുക എന്നത് Waymo, GM Cruise, Uber തുടങ്ങിയ കമ്പനികളുടെ ദീർഘകാല ലക്ഷ്യമാണ്. Intel Mobileye ഒരു റെസ്‌പോൺസിബിലിറ്റി-സെൻസിറ്റീവ് സേഫ്റ്റി (RSS) ഗണിതശാസ്ത്ര മോഡൽ വാഗ്ദാനം ചെയ്യുന്നു, മറ്റ് കാറുകൾക്ക് ശരിയായ വഴി നൽകുന്നതു പോലെ ഓട്ടോപൈലറ്റിനെ "നല്ല" രീതിയിൽ പെരുമാറാൻ പ്രോഗ്രാമിംഗ് ചെയ്യുന്ന ഒരു "സാമാന്യബുദ്ധി" സമീപനം എന്ന് കമ്പനി വിവരിക്കുന്നു. . മറുവശത്ത്, വാഹന സെൻസറുകളിൽ നിന്നുള്ള ഡാറ്റ തത്സമയം വിശകലനം ചെയ്തുകൊണ്ട് ചുറ്റുമുള്ള റോഡ് ഉപയോക്താക്കളുടെ സുരക്ഷിതമല്ലാത്ത പ്രവർത്തനങ്ങൾ നിരീക്ഷിക്കുന്ന സിസ്റ്റം അധിഷ്‌ഠിത തീരുമാനമെടുക്കൽ സാങ്കേതികവിദ്യയായ സേഫ്റ്റി ഫോഴ്‌സ് ഫീൽഡ് എൻവിഡിയ സജീവമായി വികസിപ്പിക്കുന്നു. ഇപ്പോൾ മസാച്യുസെറ്റ്‌സ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ടെക്‌നോളജിയിലെ (എംഐടി) ഒരു കൂട്ടം ശാസ്ത്രജ്ഞർ ഈ ഗവേഷണത്തിൽ ചേരുകയും കാറിൽ സ്ഥാപിച്ചിരിക്കുന്ന ക്യാമറകളിൽ നിന്ന് ലഭിച്ച ജിപിഎസ് പോലുള്ള മാപ്പുകളുടെയും വിഷ്വൽ ഡാറ്റയുടെയും ഉപയോഗം അടിസ്ഥാനമാക്കി ഒരു പുതിയ സമീപനം നിർദ്ദേശിക്കുകയും ചെയ്‌തു. ഒരു വ്യക്തിക്ക് സമാനമായ റോഡുകൾ.

മുമ്പൊരിക്കലും പോയിട്ടില്ലാത്ത റോഡുകളിൽ കാറുകൾ ഓടിക്കാൻ ആളുകൾക്ക് അസാധാരണമായ കഴിവുണ്ട്. നമ്മൾ എവിടെയാണെന്നും എവിടേക്കാണ് പോകേണ്ടതെന്നും നിർണ്ണയിക്കാൻ, നമുക്ക് ചുറ്റും കാണുന്നതിനെ ഞങ്ങളുടെ ജിപിഎസ് ഉപകരണങ്ങളിൽ കാണുന്നതുമായി താരതമ്യം ചെയ്യുന്നു. നേരെമറിച്ച്, സ്വയം ഓടിക്കുന്ന കാറുകൾ റോഡിന്റെ അജ്ഞാത ഭാഗങ്ങളിൽ നാവിഗേറ്റ് ചെയ്യുന്നത് വളരെ ബുദ്ധിമുട്ടാണ്. ഓരോ പുതിയ സ്ഥലത്തിനും, ഓട്ടോപൈലറ്റിന് പുതിയ റൂട്ട് ശ്രദ്ധാപൂർവ്വം വിശകലനം ചെയ്യേണ്ടതുണ്ട്, കൂടാതെ പലപ്പോഴും ഓട്ടോമാറ്റിക് കൺട്രോൾ സിസ്റ്റങ്ങൾ സങ്കീർണ്ണമായ 3D മാപ്പുകളെ ആശ്രയിക്കുന്നു, അത് വിതരണക്കാർ മുൻകൂട്ടി തയ്യാറാക്കുന്നു.

റോബോട്ടിക്‌സ് ആൻഡ് ഓട്ടോമേഷൻ സംബന്ധിച്ച ഇന്റർനാഷണൽ കോൺഫറൻസിൽ ഈ ആഴ്ച അവതരിപ്പിച്ച ഒരു പ്രബന്ധത്തിൽ, MIT ഗവേഷകർ ഒരു ഓട്ടോണമസ് ഡ്രൈവിംഗ് സിസ്റ്റത്തെ വിവരിക്കുന്നു, അത് ഒരു ചെറിയ നഗര പ്രദേശത്തെ റോഡുകളിൽ ഡാറ്റ മാത്രം ഉപയോഗിച്ച് നാവിഗേറ്റ് ചെയ്യുമ്പോൾ മനുഷ്യ ഡ്രൈവറുടെ തീരുമാനങ്ങൾ എടുക്കുന്ന രീതികൾ "പഠിക്കുകയും" ഓർമ്മിക്കുകയും ചെയ്യുന്നു. ക്യാമറകളും ജിപിഎസ് പോലുള്ള ലളിതമായ ഒരു മാപ്പും. പരിശീലനം ലഭിച്ച ഓട്ടോപൈലറ്റിന് പിന്നീട് ഡ്രൈവറില്ലാ കാർ പൂർണ്ണമായും പുതിയ സ്ഥലത്ത് ഓടിക്കാൻ കഴിയും, അത് മനുഷ്യ ഡ്രൈവിംഗിനെ അനുകരിക്കുന്നു.

ഒരു മനുഷ്യനെപ്പോലെ, ഓട്ടോപൈലറ്റും അതിന്റെ മാപ്പും റോഡിന്റെ സവിശേഷതകളും തമ്മിലുള്ള എന്തെങ്കിലും പൊരുത്തക്കേടുകൾ കണ്ടെത്തുന്നു. റോഡിലോ സെൻസറുകളിലോ മാപ്പിലോ അതിന്റെ സ്ഥാനം തെറ്റാണോ എന്ന് നിർണ്ണയിക്കാൻ ഇത് സിസ്റ്റത്തെ സഹായിക്കുന്നു, അതിനാൽ വാഹനത്തിന്റെ ഗതി ശരിയാക്കാനാകും.

ഈ സംവിധാനത്തെ ആദ്യം പരിശീലിപ്പിക്കുന്നതിനായി, ഒരു ഹ്യൂമൻ ഓപ്പറേറ്റർ, വിവിധ റോഡ് ഘടനകളും തടസ്സങ്ങളും ഉൾപ്പെടെ, പ്രാദേശിക സബർബൻ തെരുവുകളിൽ നിന്ന് ഡാറ്റ ശേഖരിക്കുന്നതിന് ഒന്നിലധികം ക്യാമറകളും അടിസ്ഥാന ജിപിഎസ് നാവിഗേഷൻ സംവിധാനവും ഉള്ള ഒരു ഓട്ടോമേറ്റഡ് ടൊയോട്ട പ്രിയസ് ഓടിച്ചു. ഓട്ടോണമസ് വാഹനങ്ങൾ പരീക്ഷിക്കുന്നതിന് ഉദ്ദേശിച്ചുള്ള മറ്റൊരു വനപ്രദേശത്ത് മുൻകൂട്ടി ആസൂത്രണം ചെയ്ത റൂട്ടിലൂടെ ഈ സംവിധാനം കാർ വിജയകരമായി ഓടിച്ചു.

“ഞങ്ങളുടെ സിസ്റ്റം ഉപയോഗിച്ച്, നിങ്ങൾ എല്ലാ റോഡുകളിലും മുൻകൂട്ടി പരിശീലിപ്പിക്കേണ്ടതില്ല,” എംഐടി ബിരുദ വിദ്യാർത്ഥിയായ പഠന രചയിതാവ് അലക്സാണ്ടർ അമിനി പറയുന്നു. "നിങ്ങളുടെ കാറിന് മുമ്പൊരിക്കലും കണ്ടിട്ടില്ലാത്ത റോഡുകളിൽ നാവിഗേറ്റ് ചെയ്യാൻ നിങ്ങൾക്ക് ഒരു പുതിയ മാപ്പ് ഡൗൺലോഡ് ചെയ്യാം."

"പുതിയ പരിതസ്ഥിതികളിൽ വാഹനമോടിക്കാൻ ശേഷിയുള്ള സ്വയംഭരണ നാവിഗേഷൻ സൃഷ്ടിക്കുക എന്നതാണ് ഞങ്ങളുടെ ലക്ഷ്യം," കംപ്യൂട്ടർ സയൻസ് ആൻഡ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ലബോറട്ടറിയുടെ (CSAIL) ഡയറക്ടർ ഡാനിയേല റസ് പറയുന്നു. "ഉദാഹരണത്തിന്, കേംബ്രിഡ്ജിലെ തെരുവുകൾ പോലുള്ള ഒരു നഗര പരിതസ്ഥിതിയിൽ ഓടിക്കാൻ ഞങ്ങൾ ഒരു സ്വയംഭരണ വാഹനത്തെ പരിശീലിപ്പിക്കുകയാണെങ്കിൽ, അത്തരം ഒരു അന്തരീക്ഷം മുമ്പ് കണ്ടിട്ടില്ലെങ്കിൽപ്പോലും, ഒരു വനത്തിൽ സുഗമമായി ഓടിക്കാൻ സിസ്റ്റത്തിന് കഴിയണം."

പ്രാദേശികവൽക്കരണം, മാപ്പിംഗ്, ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ, മോഷൻ പ്ലാനിംഗ്, സ്റ്റിയറിംഗ് തുടങ്ങിയ ജോലികൾക്കായി കോൺഫിഗർ ചെയ്തിട്ടുള്ള ഒന്നിലധികം മൊഡ്യൂളുകളിലൂടെ പരമ്പരാഗത നാവിഗേഷൻ സിസ്റ്റങ്ങൾ സെൻസർ ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നു. വർഷങ്ങളായി, പ്രത്യേക മൊഡ്യൂളുകളുടെ ആവശ്യമില്ലാതെ സെൻസർ ഡാറ്റ പ്രോസസ്സ് ചെയ്യുകയും കാറിനെ നിയന്ത്രിക്കുകയും ചെയ്യുന്ന എൻഡ്-ടു-എൻഡ് നാവിഗേഷൻ സിസ്റ്റങ്ങൾ ഡാനിയേലയുടെ ഗ്രൂപ്പ് വികസിപ്പിക്കുന്നു. എന്നിരുന്നാലും, ഇതുവരെ, ഈ മോഡലുകൾ യഥാർത്ഥ ലക്ഷ്യങ്ങളില്ലാതെ റോഡിലൂടെയുള്ള സുരക്ഷിതമായ യാത്രയ്ക്കായി കർശനമായി ഉപയോഗിച്ചിരുന്നു. പുതിയ സൃഷ്ടിയിൽ, ഗവേഷകർ മുമ്പ് അറിയപ്പെടാത്ത ഒരു പരിതസ്ഥിതിയിൽ ലക്ഷ്യസ്ഥാനത്തേക്ക് നീങ്ങുന്നതിനായി അവരുടെ എൻഡ്-ടു-എൻഡ് സിസ്റ്റം പരിഷ്കരിച്ചു. ഇത് ചെയ്യുന്നതിന്, ഡ്രൈവിംഗ് സമയത്ത് ഏത് സമയത്തും സാധ്യമായ എല്ലാ നിയന്ത്രണ കമാൻഡുകളുടെയും പൂർണ്ണ പ്രോബബിലിറ്റി ഡിസ്ട്രിബ്യൂഷൻ പ്രവചിക്കാൻ ശാസ്ത്രജ്ഞർ അവരുടെ ഓട്ടോപൈലറ്റിനെ പരിശീലിപ്പിച്ചു.

ഇമേജ് തിരിച്ചറിയലിനായി സാധാരണയായി ഉപയോഗിക്കുന്ന കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് (സിഎൻഎൻ) എന്ന മെഷീൻ ലേണിംഗ് മോഡൽ സിസ്റ്റം ഉപയോഗിക്കുന്നു. പരിശീലന സമയത്ത്, ഒരു മനുഷ്യ ഡ്രൈവറുടെ ഡ്രൈവിംഗ് പെരുമാറ്റം സിസ്റ്റം നിരീക്ഷിക്കുന്നു. CNN സ്റ്റിയറിംഗ് വീൽ ടേണുകളെ റോഡിന്റെ വക്രതയുമായി ബന്ധപ്പെടുത്തുന്നു, അത് ക്യാമറകളിലൂടെയും അതിന്റെ ചെറിയ മാപ്പിലൂടെയും നിരീക്ഷിക്കുന്നു. തൽഫലമായി, സ്ട്രൈറ്റ് റോഡുകൾ, ഫോർ-വേ ഇന്റർസെക്ഷനുകൾ അല്ലെങ്കിൽ ടി-ജംഗ്ഷനുകൾ, ഫോർക്കുകളും ടേണുകളും പോലുള്ള വിവിധ ഡ്രൈവിംഗ് സാഹചര്യങ്ങൾക്കായി ഏറ്റവും സാധ്യതയുള്ള സ്റ്റിയറിംഗ് കമാൻഡുകൾ സിസ്റ്റം പഠിക്കുന്നു.

"തുടക്കത്തിൽ, ഒരു ടി-കവലയിൽ, ഒരു കാറിന് തിരിയാൻ കഴിയുന്ന നിരവധി ദിശകളുണ്ട്," റസ് പറയുന്നു. “ഈ ദിശകളെല്ലാം ചിന്തിച്ചാണ് മോഡൽ ആരംഭിക്കുന്നത്, റോഡിലെ ചില സാഹചര്യങ്ങളിൽ ആളുകൾ എന്താണ് ചെയ്യുന്നതെന്നതിനെക്കുറിച്ചുള്ള കൂടുതൽ കൂടുതൽ ഡാറ്റ CNN ലഭിക്കുമ്പോൾ, ചില ഡ്രൈവർമാർ ഇടത്തേക്ക് തിരിയുന്നതും മറ്റുള്ളവർ വലത്തേക്ക് തിരിയുന്നതും കാണും, പക്ഷേ ആരും നേരിട്ട് പോകുന്നില്ല. . നേരെയുള്ളത് സാധ്യമായ ഒരു ദിശയായി നിരസിക്കപ്പെട്ടിരിക്കുന്നു, കൂടാതെ ടി-ജംഗ്ഷനുകളിൽ അത് ഇടത്തോട്ടോ വലത്തോട്ടോ മാത്രമേ നീങ്ങാൻ കഴിയൂ എന്ന് മോഡൽ നിഗമനം ചെയ്യുന്നു.

ഡ്രൈവിംഗ് സമയത്ത്, CNN ക്യാമറകളിൽ നിന്ന് വിഷ്വൽ റോഡ് ഫീച്ചറുകളും എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നു, ഇത് സാധ്യമായ റൂട്ട് മാറ്റങ്ങൾ പ്രവചിക്കാൻ അനുവദിക്കുന്നു. ഉദാഹരണത്തിന്, വരാനിരിക്കുന്ന ഒരു കവലയുടെ അടയാളങ്ങളായി ഇത് ഒരു ചുവന്ന സ്റ്റോപ്പ് അടയാളം അല്ലെങ്കിൽ റോഡിന്റെ വശത്ത് തകർന്ന വരയെ തിരിച്ചറിയുന്നു. ഓരോ നിമിഷവും, ഏറ്റവും ശരിയായ കമാൻഡ് തിരഞ്ഞെടുക്കുന്നതിന്, കൺട്രോൾ കമാൻഡുകളുടെ പ്രവചിച്ച പ്രോബബിലിറ്റി ഡിസ്ട്രിബ്യൂഷൻ ഇത് ഉപയോഗിക്കുന്നു.

ഗവേഷകരുടെ അഭിപ്രായത്തിൽ, സംഭരിക്കാനും പ്രോസസ്സ് ചെയ്യാനും വളരെ എളുപ്പമുള്ള മാപ്പുകൾ അവരുടെ ഓട്ടോപൈലറ്റ് ഉപയോഗിക്കുന്നു എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്. സ്വയംഭരണ നിയന്ത്രണ സംവിധാനങ്ങൾ സാധാരണയായി ലിഡാർ മാപ്പുകൾ ഉപയോഗിക്കുന്നു, ഇത് സാൻ ഫ്രാൻസിസ്കോ നഗരത്തിൽ മാത്രം സംഭരിക്കാൻ ഏകദേശം 4000 GB ഡാറ്റ എടുക്കുന്നു. ഓരോ പുതിയ ലക്ഷ്യസ്ഥാനത്തിനും, കാർ ഉപയോഗിക്കുകയും പുതിയ മാപ്പുകൾ സൃഷ്ടിക്കുകയും വേണം, അതിന് വലിയ അളവിലുള്ള മെമ്മറി ആവശ്യമാണ്. മറുവശത്ത്, പുതിയ ഓട്ടോപൈലറ്റ് ഉപയോഗിക്കുന്ന മാപ്പ് ലോകത്തെ മുഴുവൻ ഉൾക്കൊള്ളുന്നു, അതേസമയം 40 ജിഗാബൈറ്റ് ഡാറ്റ മാത്രം.

ഓട്ടോണമസ് ഡ്രൈവിംഗ് സമയത്ത്, സിസ്റ്റം അതിന്റെ വിഷ്വൽ ഡാറ്റയെ മാപ്പ് ഡാറ്റയുമായി നിരന്തരം താരതമ്യം ചെയ്യുകയും എന്തെങ്കിലും പൊരുത്തക്കേടുകൾ ഫ്ലാഗ് ചെയ്യുകയും ചെയ്യുന്നു. ഓട്ടോണമസ് വാഹനം റോഡിൽ എവിടെയാണെന്ന് നന്നായി നിർണ്ണയിക്കാൻ ഇത് സഹായിക്കുന്നു. പരസ്പരവിരുദ്ധമായ ഇൻപുട്ട് വിവരങ്ങൾ ലഭിച്ചാലും, കാർ ഏറ്റവും സുരക്ഷിതമായ പാതയിൽ തന്നെ തുടരുന്നുവെന്ന് ഇത് ഉറപ്പാക്കുന്നു: പറയുക, കാർ തിരിവുകളില്ലാതെ നേരായ റോഡിലൂടെയാണ് സഞ്ചരിക്കുന്നതെങ്കിൽ, കാർ വലത്തേക്ക് തിരിയണമെന്ന് GPS സൂചിപ്പിക്കുന്നുവെങ്കിൽ, കാർ നേരെ പോകാനോ നിർത്താനോ അറിയാം.

"യഥാർത്ഥ ലോകത്ത്, സെൻസറുകൾ പരാജയപ്പെടുന്നു," അമിനി പറയുന്നു. "ഏത് ശബ്ദ സിഗ്നലുകളും സ്വീകരിക്കാനും റോഡിലൂടെ കൃത്യമായി നാവിഗേറ്റ് ചെയ്യാനും കഴിയുന്ന ഒരു സിസ്റ്റം സൃഷ്ടിച്ചുകൊണ്ട് ഞങ്ങളുടെ ഓട്ടോപൈലറ്റ് വിവിധ സെൻസർ പരാജയങ്ങളെ പ്രതിരോധിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു."

അവലംബം: 3dnews.ru