Mencipta kereta pandu sendiri yang boleh membuat keputusan seperti manusia telah menjadi matlamat lama syarikat seperti Waymo, GM Cruise, Uber dan lain-lain. Intel Mobileye menawarkan model matematik Keselamatan Sensitif Tanggungjawab (RSS), yang disifatkan oleh syarikat sebagai pendekatan "akal sehat" yang dicirikan dengan memprogramkan autopilot untuk berkelakuan dengan cara yang "baik", seperti memberi laluan kepada kereta lain. . Sebaliknya, NVIDIA sedang giat membangunkan Safety Force Field, teknologi membuat keputusan berasaskan sistem yang memantau tindakan tidak selamat pengguna jalan raya di sekeliling dengan menganalisis data daripada penderia kenderaan dalam masa nyata. Kini sekumpulan saintis dari Massachusetts Institute of Technology (MIT) telah menyertai penyelidikan ini dan mencadangkan pendekatan baharu berdasarkan penggunaan peta seperti GPS dan data visual yang diperoleh daripada kamera yang dipasang pada kereta supaya autopilot boleh menavigasi pada yang tidak diketahui. jalan yang serupa dengan seseorang.jalan.
Orang ramai sangat pandai memandu kereta di jalan raya yang tidak pernah mereka lalui sebelum ini. Kami hanya membandingkan apa yang kami lihat di sekeliling kami dengan apa yang kami lihat pada peranti GPS kami untuk menentukan di mana kami berada dan ke mana kami perlu pergi. Kereta pandu sendiri, sebaliknya, amat sukar untuk mengemudi bahagian jalan yang tidak diketahui. Untuk setiap lokasi baharu, juruterbang automatik perlu menganalisis laluan baharu dengan teliti dan selalunya sistem kawalan automatik bergantung pada peta 3D kompleks yang disediakan pembekal untuk mereka terlebih dahulu.
Dalam kertas kerja yang dibentangkan minggu ini di Persidangan Antarabangsa Robotik dan Automasi, penyelidik MIT menerangkan sistem pemanduan autonomi yang "mempelajari" dan mengingati corak membuat keputusan pemandu manusia semasa mereka menavigasi jalan raya di kawasan bandar kecil menggunakan hanya data. daripada video kamera dan peta ringkas seperti GPS. Autopilot yang terlatih kemudiannya boleh memandu kereta tanpa pemandu di lokasi yang sama sekali baharu, meniru pemanduan manusia.
Sama seperti manusia, autopilot juga mengesan sebarang percanggahan antara petanya dan ciri jalan. Ini membantu sistem menentukan sama ada kedudukannya di jalan raya, penderia atau peta tidak betul supaya ia boleh membetulkan laluan kenderaan.
Untuk melatih sistem pada mulanya, seorang pengendali manusia memandu Toyota Prius automatik yang dilengkapi dengan berbilang kamera dan sistem navigasi GPS asas untuk mengumpul data dari jalan pinggir bandar tempatan, termasuk pelbagai struktur jalan dan halangan. Sistem itu kemudiannya berjaya memandu kereta di sepanjang laluan yang telah dirancang di kawasan hutan lain yang bertujuan untuk menguji kenderaan autonomi.
"Dengan sistem kami, anda tidak perlu berlatih di setiap jalan lebih awal," kata pengarang kajian Alexander Amini, pelajar siswazah MIT. "Anda boleh memuat turun peta baharu untuk kereta anda menavigasi jalan yang tidak pernah dilihat sebelum ini."
"Matlamat kami adalah untuk mencipta navigasi autonomi yang berdaya tahan untuk memandu dalam persekitaran baharu," tambah pengarang bersama Daniela Rus, pengarah Makmal Sains Komputer dan Kepintaran Buatan (CSAIL). "Sebagai contoh, jika kita melatih kenderaan autonomi untuk memandu dalam persekitaran bandar seperti jalan-jalan di Cambridge, sistem itu juga mesti dapat memandu dengan lancar di dalam hutan, walaupun ia tidak pernah melihat persekitaran sedemikian sebelum ini."
Sistem navigasi tradisional memproses data penderia melalui berbilang modul yang dikonfigurasikan untuk tugas seperti penyetempatan, pemetaan, pengesanan objek, perancangan gerakan dan stereng. Selama bertahun-tahun, kumpulan Daniela telah membangunkan sistem navigasi hujung ke hujung yang memproses data penderia dan mengawal kereta tanpa memerlukan sebarang modul khusus. Sehingga kini, bagaimanapun, model ini telah digunakan secara ketat untuk perjalanan selamat di jalan raya, tanpa sebarang tujuan sebenar. Dalam kerja baharu itu, para penyelidik memperhalusi sistem hujung ke hujung mereka untuk pergerakan matlamat ke destinasi dalam persekitaran yang tidak diketahui sebelum ini. Untuk melakukan ini, saintis melatih autopilot mereka untuk meramalkan pengedaran kebarangkalian penuh untuk semua arahan kawalan yang mungkin pada bila-bila masa semasa memandu.
Sistem ini menggunakan model pembelajaran mesin yang dipanggil rangkaian neural convolutional (CNN), yang biasa digunakan untuk pengecaman imej. Semasa latihan, sistem memerhati tingkah laku pemanduan seorang pemandu manusia. CNN mengaitkan pusingan stereng dengan kelengkungan jalan, yang diperhatikan melalui kamera dan pada peta kecilnya. Hasilnya, sistem mempelajari arahan stereng yang berkemungkinan besar untuk pelbagai situasi pemanduan, seperti jalan lurus, persimpangan empat hala atau persimpangan-T, bercabang dan selekoh.
"Pada mulanya, di persimpangan T, terdapat banyak arah yang berbeza yang boleh diputar oleh kereta," kata Rus. βModel bermula dengan memikirkan semua arah ini, dan apabila CNN mendapat lebih banyak data tentang perkara yang dilakukan oleh orang ramai dalam situasi tertentu di jalan raya, ia akan melihat bahawa sesetengah pemandu membelok ke kiri dan yang lain membelok ke kanan, tetapi tiada siapa yang pergi terus. . Lurus ke hadapan diketepikan sebagai arah yang mungkin, dan model menyimpulkan bahawa di persimpangan-T ia hanya boleh bergerak ke kiri atau kanan.
Semasa memandu, CNN juga mengekstrak ciri jalan visual daripada kamera, membolehkannya meramalkan kemungkinan perubahan laluan. Sebagai contoh, ia mengenal pasti tanda berhenti merah atau garisan putus di tepi jalan sebagai tanda persimpangan yang akan datang. Pada setiap saat, ia menggunakan taburan kebarangkalian yang diramalkan bagi arahan kawalan untuk memilih arahan yang paling betul.
Adalah penting untuk ambil perhatian bahawa, menurut penyelidik, autopilot mereka menggunakan peta yang sangat mudah untuk disimpan dan diproses. Sistem kawalan autonomi biasanya menggunakan peta lidar, yang mengambil kira-kira 4000 GB data untuk menyimpan hanya bandar San Francisco. Untuk setiap destinasi baharu, kereta mesti menggunakan dan mencipta peta baharu, yang memerlukan sejumlah besar memori. Sebaliknya, peta yang digunakan oleh Autopilot baharu meliputi seluruh dunia sambil menduduki hanya 40 gigabait data.
Semasa pemanduan autonomi, sistem juga sentiasa membandingkan data visualnya dengan data peta dan membenderakan sebarang percanggahan. Ini membantu kenderaan autonomi menentukan dengan lebih baik di mana ia berada di jalan raya. Dan ini memastikan kereta kekal di laluan paling selamat, walaupun ia menerima maklumat input yang bercanggah: jika, katakan, kereta itu bergerak di jalan lurus tanpa selekoh, dan GPS menunjukkan bahawa kereta harus membelok ke kanan, kereta akan tahu untuk pergi terus atau berhenti.
"Di dunia nyata, penderia gagal," kata Amini. "Kami ingin memastikan bahawa autopilot kami berdaya tahan terhadap pelbagai kegagalan sensor dengan mencipta sistem yang boleh menerima sebarang isyarat bunyi dan masih menavigasi jalan dengan betul."
Sumber: 3dnews.ru