व्हिडिओ: MIT शास्त्रज्ञांनी ऑटोपायलटला अधिक मानवासारखे बनवले

मानवासारखे निर्णय घेऊ शकतील अशा स्व-ड्रायव्हिंग कार तयार करणे हे Waymo, GM Cruise, Uber आणि इतर सारख्या कंपन्यांचे दीर्घकाळचे ध्येय आहे. Intel Mobileye एक जबाबदारी-संवेदनशील सुरक्षा (RSS) गणितीय मॉडेल ऑफर करते, ज्याचे वर्णन कंपनी "सामान्य ज्ञान" दृष्टीकोन म्हणून करते जे ऑटोपायलटला "चांगले" वागण्यासाठी प्रोग्रामिंगद्वारे वैशिष्ट्यीकृत करते, जसे की इतर कारना योग्य मार्ग देणे. दुसरीकडे, NVIDIA सक्रियपणे सेफ्टी फोर्स फील्ड विकसित करत आहे, एक सिस्टम-आधारित निर्णय तंत्रज्ञान जे वाहन सेन्सर्सच्या डेटाचे रिअल टाइममध्ये विश्लेषण करून आसपासच्या रस्ता वापरकर्त्यांच्या असुरक्षित कृतींवर लक्ष ठेवते. आता मॅसॅच्युसेट्स इन्स्टिट्यूट ऑफ टेक्नॉलॉजी (एमआयटी) मधील शास्त्रज्ञांचा एक गट या संशोधनात सामील झाला आहे आणि जीपीएस सारखे नकाशे आणि कारवर स्थापित केलेल्या कॅमेऱ्यांमधून प्राप्त व्हिज्युअल डेटाच्या वापरावर आधारित एक नवीन दृष्टीकोन प्रस्तावित केला आहे जेणेकरून ऑटोपायलट अज्ञात मार्गावर नेव्हिगेट करू शकेल. एखाद्या व्यक्तीसारखे रस्ते. मार्ग.

पूर्वी कधीही न गेलेल्या रस्त्यावर कार चालवण्यात लोक कमालीचे चांगले आहेत. आपण कुठे आहोत आणि आपल्याला कुठे जायचे आहे हे निर्धारित करण्यासाठी आपण आपल्या आजूबाजूला जे पाहतो त्याची तुलना आपण आपल्या GPS उपकरणांवर करत असलेल्या गोष्टींशी करतो. दुसरीकडे, सेल्फ-ड्रायव्हिंग कारना रस्त्याच्या अज्ञात भागांमध्ये नेव्हिगेट करणे अत्यंत कठीण वाटते. प्रत्येक नवीन स्थानासाठी, ऑटोपायलटने नवीन मार्गाचे काळजीपूर्वक विश्लेषण करणे आवश्यक आहे आणि बर्‍याचदा स्वयंचलित नियंत्रण प्रणाली जटिल 3D नकाशांवर अवलंबून असतात जे पुरवठादार त्यांच्यासाठी आगाऊ तयार करतात.

या आठवड्यात रोबोटिक्स आणि ऑटोमेशनवरील आंतरराष्ट्रीय परिषदेत सादर केलेल्या एका पेपरमध्ये, MIT संशोधकांनी एका स्वायत्त ड्रायव्हिंग सिस्टमचे वर्णन केले आहे जी "शिकते" आणि मानवी ड्रायव्हरच्या निर्णय घेण्याच्या पद्धती लक्षात ठेवते कारण ते फक्त डेटा वापरून लहान शहरातील रस्त्यावर नेव्हिगेट करतात. व्हिडिओवरून कॅमेरे आणि साधा GPS सारखा नकाशा. प्रशिक्षित ऑटोपायलट नंतर ड्रायव्हरविना कार पूर्णपणे नवीन ठिकाणी चालवू शकतो, मानवी ड्रायव्हिंगचे अनुकरण करतो.

माणसाप्रमाणेच, ऑटोपायलट देखील त्याचा नकाशा आणि रस्त्याच्या वैशिष्ट्यांमधील विसंगती शोधतो. हे सिस्टीमला रस्त्यावरील तिची स्थिती, सेन्सर किंवा नकाशा चुकीचा आहे का हे निर्धारित करण्यात मदत करते जेणेकरून ते वाहनाचा मार्ग दुरुस्त करू शकेल.

सुरुवातीला सिस्टमला प्रशिक्षित करण्यासाठी, एका मानवी ऑपरेटरने विविध रस्त्यांच्या संरचना आणि अडथळ्यांसह स्थानिक उपनगरीय रस्त्यांवरून डेटा गोळा करण्यासाठी एकाधिक कॅमेरे आणि मूलभूत GPS नेव्हिगेशन सिस्टमसह सुसज्ज स्वयंचलित टोयोटा प्रियस चालविला. त्यानंतर प्रणालीने स्वायत्त वाहनांच्या चाचणीच्या उद्देशाने दुसर्‍या वनक्षेत्रात पूर्व-नियोजित मार्गाने कार यशस्वीपणे चालविली.

“आमच्या प्रणालीसह, तुम्हाला प्रत्येक रस्त्यावर आगाऊ प्रशिक्षण देण्याची गरज नाही,” अभ्यास लेखक अलेक्झांडर अमिनी, एमआयटी पदवीधर विद्यार्थी म्हणतात. "तुम्ही तुमच्या कारसाठी पूर्वी कधीही न पाहिलेल्या रस्त्यांवर नेव्हिगेट करण्यासाठी नवीन नकाशा डाउनलोड करू शकता."

“नवीन वातावरणात वाहन चालवण्यास लवचिक असणारे स्वायत्त नेव्हिगेशन तयार करणे हे आमचे ध्येय आहे,” संगणक विज्ञान आणि कृत्रिम बुद्धिमत्ता प्रयोगशाळा (CSAIL) च्या संचालक सह-लेखिका डॅनिएला रस जोडतात. "उदाहरणार्थ, केंब्रिजच्या रस्त्यांसारख्या शहरी वातावरणात जर आपण स्वायत्त वाहन चालवण्यास प्रशिक्षित केले, तर यंत्रणा जंगलात सुरळीतपणे वाहन चालविण्यास सक्षम असणे आवश्यक आहे, जरी त्याने असे वातावरण यापूर्वी कधीही पाहिले नसेल."

पारंपारिक नेव्हिगेशन सिस्टम लोकलायझेशन, मॅपिंग, ऑब्जेक्ट डिटेक्शन, मोशन प्लॅनिंग आणि स्टीयरिंग यासारख्या कार्यांसाठी कॉन्फिगर केलेल्या एकाधिक मॉड्यूल्सद्वारे सेन्सर डेटावर प्रक्रिया करतात. वर्षानुवर्षे, डॅनिएलाचा ग्रुप एंड-टू-एंड नेव्हिगेशन सिस्टम विकसित करत आहे जे सेन्सर डेटावर प्रक्रिया करते आणि कोणत्याही विशिष्ट मॉड्यूलची आवश्यकता न घेता कार नियंत्रित करते. मात्र, आत्तापर्यंत या मॉडेल्सचा वापर कोणत्याही खऱ्या उद्देशाशिवाय रस्त्यावर सुरक्षित प्रवासासाठी काटेकोरपणे केला जात होता. नवीन कार्यामध्ये, संशोधकांनी पूर्वी अज्ञात वातावरणात लक्ष्य-ते-गंतव्य हालचालीसाठी त्यांची एंड-टू-एंड सिस्टम परिष्कृत केली. हे करण्यासाठी, शास्त्रज्ञांनी त्यांच्या ऑटोपायलटला ड्रायव्हिंग करताना कोणत्याही वेळी सर्व संभाव्य नियंत्रण आदेशांसाठी पूर्ण संभाव्यता वितरणाचा अंदाज लावण्यासाठी प्रशिक्षण दिले.

सिस्टीम कंव्होल्युशनल न्यूरल नेटवर्क (CNN) नावाचे मशीन लर्निंग मॉडेल वापरते, सामान्यतः प्रतिमा ओळखण्यासाठी वापरले जाते. प्रशिक्षणादरम्यान, प्रणाली मानवी ड्रायव्हरच्या ड्रायव्हिंग वर्तनाचे निरीक्षण करते. CNN स्टीयरिंग व्हील वळणांना रस्त्याच्या वक्रतेशी संबंधित करते, जे ते कॅमेऱ्यांद्वारे आणि त्याच्या छोट्या नकाशावर निरीक्षण करते. परिणामी, सिस्टीम विविध ड्रायव्हिंग परिस्थितींसाठी, जसे की सरळ रस्ते, चार-मार्ग छेदनबिंदू किंवा टी-जंक्शन, काटे आणि वळणे यासाठी बहुधा स्टीयरिंग कमांड शिकते.

"सुरुवातीला टी-इंटरसेक्शनवर, कार वळू शकते अशा अनेक वेगवेगळ्या दिशा आहेत," Rus म्हणतो. “मॉडेल या सर्व दिशानिर्देशांबद्दल विचार करून सुरू होते, आणि CNN ला काही विशिष्ट परिस्थितीत लोक काय करत आहेत याबद्दल अधिकाधिक डेटा मिळतो, असे दिसून येईल की काही ड्रायव्हर डावीकडे वळतात आणि इतर उजवीकडे वळतात, परंतु कोणीही थेट जात नाही. . सरळ हालचाल संभाव्य दिशा म्हणून नाकारली जाते आणि मॉडेलने निष्कर्ष काढला की टी-जंक्शनवर ते फक्त डावीकडे किंवा उजवीकडे जाऊ शकते.

ड्रायव्हिंग करताना, CNN कॅमेऱ्यांमधून व्हिज्युअल रोड वैशिष्ट्ये देखील काढतो, ज्यामुळे संभाव्य मार्ग बदलांचा अंदाज लावता येतो. उदाहरणार्थ, ते लाल स्टॉप चिन्ह किंवा रस्त्याच्या कडेला तुटलेली रेषा ही आगामी छेदनबिंदूची चिन्हे म्हणून ओळखते. प्रत्येक क्षणी, ते सर्वात योग्य कमांड निवडण्यासाठी नियंत्रण आदेशांचे अंदाजित संभाव्यता वितरण वापरते.

हे लक्षात घेणे महत्त्वाचे आहे की, संशोधकांच्या मते, त्यांचे ऑटोपायलट नकाशे वापरतात जे संचयित करणे आणि प्रक्रिया करणे अत्यंत सोपे आहे. स्वायत्त नियंत्रण प्रणाली सामान्यत: लिडर नकाशे वापरतात, जे फक्त सॅन फ्रान्सिस्को शहर संचयित करण्यासाठी अंदाजे 4000 GB डेटा घेतात. प्रत्येक नवीन गंतव्यस्थानासाठी, कारने नवीन नकाशे वापरणे आणि तयार करणे आवश्यक आहे, ज्यासाठी मोठ्या प्रमाणात मेमरी आवश्यक आहे. दुसरीकडे, नवीन ऑटोपायलटने वापरलेला नकाशा संपूर्ण जग व्यापतो आणि केवळ 40 गीगाबाइट डेटा व्यापतो.

स्वायत्त ड्रायव्हिंग दरम्यान, सिस्टीम सतत त्याच्या व्हिज्युअल डेटाची नकाशा डेटाशी तुलना करते आणि कोणतीही विसंगती दर्शवते. हे स्वायत्त वाहन रस्त्यावर कुठे आहे हे अधिक चांगल्या प्रकारे निर्धारित करण्यात मदत करते. आणि हे सुनिश्चित करते की कारला विरोधाभासी इनपुट माहिती मिळाली तरीही ती सर्वात सुरक्षित मार्गावर राहते: जर म्हणा, कार वळण न घेता सरळ रस्त्यावरून प्रवास करत असेल आणि जीपीएस सूचित करते की कार उजवीकडे वळली पाहिजे, तर कारला कळेल. सरळ जाण्यासाठी किंवा थांबण्यासाठी.

"वास्तविक जगात, सेन्सर अयशस्वी होतात," अमिनी म्हणतात. "आम्ही हे सुनिश्चित करू इच्छितो की आमचा ऑटोपायलट विविध सेन्सर अपयशांसाठी लवचिक आहे अशी प्रणाली तयार करून जी कोणत्याही आवाजाचे सिग्नल प्राप्त करू शकते आणि तरीही रस्त्यावर योग्यरित्या नेव्हिगेट करू शकते."

स्त्रोत: 3dnews.ru