ဗီဒီယို- MIT သိပ္ပံပညာရှင်များသည် autopilot ကို လူနှင့်ပိုတူအောင် ပြုလုပ်ခဲ့သည်။

လူတွေနဲ့တူတဲ့ ဆုံးဖြတ်ချက်တွေချနိုင်တဲ့ မောင်းသူမဲ့ကားတွေကို ဖန်တီးတာဟာ Waymo၊ GM Cruise၊ Uber နဲ့ တခြားကုမ္ပဏီတွေလို ကုမ္ပဏီတွေရဲ့ နှစ်ရှည်လများ ရည်မှန်းချက်တစ်ခုပါပဲ။ Intel Mobileye သည် Responsibility-Sensitive Safety (RSS) သင်္ချာပုံစံကို ကုမ္ပဏီမှဖော်ပြသည့် "သာမန်အသိ" ချဉ်းကပ်မှုအဖြစ် အခြားကားများကို လမ်းမှန်လမ်းမှန်ပေးဆောင်ခြင်းကဲ့သို့သော "ကောင်းသော" နည်းလမ်းဖြင့် ပြုမူရန် အော်တိုပီလော့ကို ပရိုဂရမ်ရေးဆွဲခြင်းဖြင့် သွင်ပြင်လက္ခဏာကို ပေးထားသည်။ . အခြားတစ်ဖက်တွင်၊ NVIDIA သည် ယာဉ်အာရုံခံကိရိယာများမှ အချက်အလက်များကို အချိန်နှင့်တပြေးညီ ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် ပတ်ဝန်းကျင်အသုံးပြုသူများ၏ အန္တရာယ်ကင်းသောလုပ်ရပ်များကို စောင့်ကြည့်သည့် စနစ်အခြေပြု ဆုံးဖြတ်ချက်ချနည်းပညာဖြစ်သည့် Safety Force Field ကို တက်ကြွစွာ တီထွင်လျက်ရှိသည်။ ယခုအခါ Massachusetts Institute of Technology (MIT) မှ သိပ္ပံပညာရှင်အဖွဲ့တစ်ဖွဲ့သည် ဤသုတေသနတွင် ပူးပေါင်းပါဝင်ခဲ့ပြီး ကားပေါ်တွင်တပ်ဆင်ထားသည့် ကင်မရာများမှရရှိသော GPS နှင့် အမြင်အာရုံအချက်အလက်များကို အသုံးပြုမှုအပေါ် အခြေခံ၍ ချဉ်းကပ်မှုအသစ်တစ်ရပ်ကို အဆိုပြုခဲ့သည်။ လူနှင့်တူသောလမ်းများ။

လူတွေဟာ အရင်က မရောက်ဖူးသေးတဲ့ လမ်းတွေပေါ်မှာ ကားတွေ မောင်းရတာ ကောင်းပါတယ်။ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏နေရာနှင့် မည်သည့်နေရာသို့သွားရမည်ကို ဆုံးဖြတ်ရန် ကျွန်ုပ်တို့၏ GPS စက်များတွင် ကျွန်ုပ်တို့မြင်ရသည့်အရာနှင့် ကျွန်ုပ်တို့ပတ်ဝန်းကျင်တွင် မြင်နေရသည့်အရာကို ရိုးရှင်းစွာ နှိုင်းယှဉ်ပါသည်။ တစ်ဖက်တွင် မောင်းသူမဲ့ကားများသည် လမ်း၏အမည်မသိအပိုင်းများကို သွားလာရန် အလွန်ခက်ခဲသည်။ တည်နေရာအသစ်တစ်ခုစီအတွက်၊ အလိုအလျောက်မောင်းနှင်သူသည် လမ်းကြောင်းအသစ်ကို ဂရုတစိုက်ခွဲခြမ်းစိတ်ဖြာရန် လိုအပ်ပြီး မကြာခဏဆိုသလို အလိုအလျောက်ထိန်းချုပ်မှုစနစ်များသည် ၎င်းတို့အတွက် ကြိုတင်ပြင်ဆင်ထားသည့် ရှုပ်ထွေးသော 3D မြေပုံများပေါ်တွင် မှီခိုနေရပါသည်။

နိုင်ငံတကာ စက်ရုပ်နှင့် အလိုအလျောက်စနစ်ဆိုင်ရာ ညီလာခံတွင် ယခုအပတ် တင်ပြသည့် စာတမ်းတွင် MIT မှ သုတေသီများသည် ဒေတာများကို အသုံးပြု၍ လူသားယာဉ်မောင်းတစ်ဦး၏ ဆုံးဖြတ်ချက်ချသည့်ပုံစံများကို "သင်ယူခြင်း" ဖြင့် မှတ်သားနိုင်သော ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ မောင်းနှင်မှုစနစ်တစ်ခုကို ဖော်ပြထားပါသည်။ ကင်မရာများနှင့် ရိုးရှင်းသော GPS ကဲ့သို့သော မြေပုံ။ လေ့ကျင့်သင်ကြားထားသော အော်တိုပီလော့သည် မောင်းသူမဲ့ကားကို လူသားမောင်းနှင်မှုကို ပုံဖော်ကာ လုံးဝတည်နေရာအသစ်တွင် မောင်းနှင်နိုင်သည်။

လူကဲ့သို့ပင်၊ အလိုအလျောက်မောင်းနှင်သူသည် ၎င်း၏မြေပုံနှင့် လမ်းအင်္ဂါရပ်များကြား ကွဲလွဲမှုများကိုလည်း သိရှိနိုင်သည်။ ၎င်းသည် လမ်းပေါ်ရှိ ၎င်း၏တည်နေရာ၊ အာရုံခံကိရိယာများ သို့မဟုတ် မြေပုံများ မှားယွင်းနေခြင်းရှိမရှိကို စနစ်က ဆုံးဖြတ်ပေးသည့်အတွက် ၎င်းသည် ယာဉ်လမ်းကြောင်းကို ပြုပြင်နိုင်မည်ဖြစ်သည်။

အဆိုပါစနစ်ကို ကနဦးလေ့ကျင့်ရန်အတွက် လူသားအော်ပရေတာတစ်ဦးသည် လမ်းတည်ဆောက်ပုံများနှင့် အတားအဆီးအမျိုးမျိုးအပါအဝင် ဒေသဆိုင်ရာဆင်ခြေဖုံးလမ်းများမှ အချက်အလက်စုဆောင်းရန်အတွက် ကင်မရာအများအပြားနှင့် အခြေခံ GPS လမ်းညွှန်စနစ်တပ်ဆင်ထားသော Toyota Prius ကို မောင်းနှင်ခဲ့သည်။ ထို့နောက်တွင် အဆိုပါစနစ်သည် မောင်းသူမဲ့ယာဉ်များကို စမ်းသပ်ရန် ရည်ရွယ်ထားသည့် အခြားသစ်တောဧရိယာတွင် ကြိုတင်စီစဉ်ထားသည့် လမ်းကြောင်းအတိုင်း ကားကို အောင်မြင်စွာ မောင်းနှင်နိုင်ခဲ့သည်။

“ကျွန်ုပ်တို့၏စနစ်ဖြင့်၊ သင်သည် လမ်းတိုင်းတွင် ကြိုတင်လေ့ကျင့်ရန် မလိုအပ်ပါ” ဟု MIT ဘွဲ့ရကျောင်းသား Alexander Amini မှ လေ့လာရေးစာရေးဆရာ Alexander Amini ကဆိုသည်။ "သင့်ကားအတွက် မြေပုံအသစ်ကို ဒေါင်းလုဒ်လုပ်၍ မမြင်ဖူးသော လမ်းများကို သွားလာနိုင်သည်။"

"ကျွန်ုပ်တို့၏ရည်မှန်းချက်သည် ပတ်ဝန်းကျင်အသစ်တွင် မောင်းနှင်ရန် ခံနိုင်ရည်ရှိသော ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရလမ်းကြောင်းကို ဖန်တီးရန်ဖြစ်သည်" ဟု တွဲဖက်စာရေးဆရာကြီး Daniela Rus က Computer Science and Artificial Intelligence Laboratory (CSAIL) မှ ဒါရိုက်တာ Daniela Rus က ထည့်သွင်းပြောကြားခဲ့သည်။ “ဥပမာအားဖြင့်၊ Cambridge လမ်းတွေလို မြို့ပြပတ်ဝန်းကျင်မှာ မောင်းနှင်ဖို့ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်တစ်စီးကို လေ့ကျင့်ပေးမယ်ဆိုရင်၊ ဒီလိုပတ်ဝန်းကျင်မျိုး တစ်ခါမှမမြင်ဖူးပေမယ့် သစ်တောထဲမှာလည်း စနစ်က ချောမွေ့စွာ မောင်းနှင်နိုင်ရပါမယ်။”

သမားရိုးကျ လမ်းကြောင်းပြစနစ်များသည် ဒေသအလိုက်သတ်မှတ်ခြင်း၊ မြေပုံဆွဲခြင်း၊ အရာဝတ္ထုရှာဖွေခြင်း၊ ရွေ့လျားမှုစီစဉ်ခြင်းနှင့် စတီယာရင်ကဲ့သို့ လုပ်ဆောင်စရာများစွာအတွက် စီစဉ်သတ်မှတ်ထားသော မော်ဂျူးများစွာမှတဆင့် အာရုံခံဒေတာကို လုပ်ဆောင်ပါသည်။ နှစ်ပေါင်းများစွာ၊ Daniela ၏အဖွဲ့သည် အထူးပြု module များမလိုအပ်ဘဲ အာရုံခံအချက်အလက်များကိုလုပ်ဆောင်ပြီး ကားကိုထိန်းချုပ်နိုင်သည့်အဆုံးမှအဆုံးလမ်းကြောင်းပြစနစ်များကိုတီထွင်ခဲ့သည်။ သို့သော် ယခုအချိန်အထိ ဤမော်ဒယ်များကို အမှန်တကယ်ရည်ရွယ်ချက်မရှိဘဲ လမ်းပေါ်တွင် ဘေးကင်းလုံခြုံစွာ ခရီးသွားရန်အတွက် တင်းကြပ်စွာ အသုံးပြုထားသည်။ အလုပ်အသစ်တွင်၊ သုတေသီများသည် ယခင်ကမသိရသေးသော ပတ်ဝန်းကျင်တွင် ပန်းတိုင်မှသွားမည့်နေရာသို့ ရွေ့လျားရန်အတွက် ၎င်းတို့၏ အဆုံးမှအဆုံးစနစ်အား ပြန်လည်သန့်စင်ခဲ့သည်။ ထိုသို့လုပ်ဆောင်ရန်အတွက် သိပ္ပံပညာရှင်များသည် ကားမောင်းနေစဉ် ဖြစ်နိုင်ချေရှိသော ထိန်းချုပ်ကွပ်ကဲမှုများအားလုံးအတွက် ဖြစ်နိုင်ခြေ အပြည့်အ၀ ဖြန့်ဖြူးမှုကို ခန့်မှန်းရန် ၎င်းတို့၏ autopilot ကို လေ့ကျင့်သင်ကြားပေးခဲ့သည်။

စနစ်သည် ရုပ်ပုံအသိအမှတ်ပြုခြင်းအတွက် အသုံးများသော convolutional neural network (CNN) ဟုခေါ်သော စက်သင်ယူမှုပုံစံကို အသုံးပြုသည်။ လေ့ကျင့်နေစဉ်တွင်၊ စနစ်သည် လူသားယာဉ်မောင်းတစ်ဦး၏ မောင်းနှင်မှုအပြုအမူကို စောင့်ကြည့်သည်။ CNN သည် စတီယာရင်ဘီးလှည့်ခြင်းကို ကင်မရာများမှတစ်ဆင့် ထောက်လှမ်းပြီး ၎င်း၏မြေပုံငယ်ပေါ်တွင် ထောက်လှမ်းသည့် လမ်း၏ကွေးကောက်မှုနှင့် ဆက်စပ်နေသည်။ ရလဒ်အနေဖြင့်၊ စနစ်သည် ဖြောင့်လမ်းများ၊ လေးလမ်းဆုံများ သို့မဟုတ် T-လမ်းဆုံများ၊ လမ်းဆုံလမ်းခွများနှင့် အကွေ့များကဲ့သို့သော အမျိုးမျိုးသောမောင်းနှင်မှုအခြေအနေများအတွက် ဖြစ်နိုင်ခြေအရှိဆုံး စတီယာရင်ညွှန်ကြားချက်များကို လေ့လာသည်။

“အစကတော့ T-လမ်းဆုံမှာ ကားတစ်စီးကွေ့နိုင်တဲ့ လမ်းကြောင်းတွေ အများကြီးရှိတယ်၊” ဟု Rus ကဆိုသည်။ “မော်ဒယ်က ဒီလမ်းကြောင်းအားလုံးကို တွေးပြီး စပြီး CNN က လမ်းမှာ လူတချို့ လုပ်နေတဲ့ ဒေတာတွေ ပိုများလာတာနဲ့အမျှ တချို့ ယာဉ်မောင်းတွေက ဘယ်ကွေ့ပြီး တချို့က ညာကွေ့တာကို တွေ့ရလိမ့်မယ်၊ ဒါပေမယ့် ဘယ်သူကမှ တိုက်ရိုက်မသွားဘူး။ . ရှေ့တည့်တည့်ကို ဖြစ်နိုင်တဲ့ ဦးတည်ချက်အဖြစ် ဖယ်ထားပြီး T-junctions တွေမှာ ဘယ်ညာ ဒါမှမဟုတ် ညာဖက်ကို ရွေ့နိုင်တယ်လို့ မော်ဒယ်က ကောက်ချက်ချပါတယ်။"

ကားမောင်းနေစဉ်၊ CNN သည် ဖြစ်နိုင်ချေရှိသော လမ်းကြောင်းပြောင်းလဲမှုများကို ခန့်မှန်းနိုင်စေမည့် ကင်မရာများမှ အမြင်အာရုံဆိုင်ရာ လမ်းကြောင်းများကို ထုတ်ယူနိုင်သည်။ ဥပမာအားဖြင့်၊ ၎င်းသည် လာမည့်လမ်းဆုံ၏ လက္ခဏာများအဖြစ် လမ်းဘေးရှိ အနီမှတ်တိုင် သို့မဟုတ် ကျိုးနေသောမျဉ်းကြောင်းကို ခွဲခြားသတ်မှတ်သည်။ အခိုက်အတန့်တစ်ခုစီတွင်၊ ၎င်းသည် မှန်ကန်ဆုံးသောအမိန့်ကို ရွေးချယ်ရန်အတွက် ထိန်းချုပ်မှုဆိုင်ရာအမိန့်ပေးချက်များကို ခန့်မှန်းထားသော ဖြစ်နိုင်ခြေဖြန့်ဝေမှုကို အသုံးပြုသည်။

သုတေသီများအဆိုအရ၊ ၎င်းတို့၏ autopilot သည် သိမ်းဆည်းရန် အလွန်လွယ်ကူသော မြေပုံများကို အသုံးပြုကြောင်း သတိပြုရန် အရေးကြီးပါသည်။ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရထိန်းချုပ်မှုစနစ်များသည် ပုံမှန်အားဖြင့် ဆန်ဖရန်စစ္စကိုမြို့ကို သိမ်းဆည်းရန် ဒေတာ 4000 GB ခန့်ယူသည့် lidar မြေပုံများကို အသုံးပြုသည်။ ခရီးစဉ်အသစ်တစ်ခုစီအတွက်၊ ကားသည် မှတ်ဉာဏ်ပမာဏများစွာလိုအပ်သည့် မြေပုံအသစ်များကို အသုံးပြု၍ ဖန်တီးရမည်ဖြစ်သည်။ အခြားတစ်ဖက်တွင်၊ Autopilot အသစ်မှအသုံးပြုသောမြေပုံသည် ဒေတာ 40 ဂစ်ဂါဘိုက်သာရယူထားစဉ် ကမ္ဘာတစ်ခုလုံးကို လွှမ်းခြုံထားသည်။

အလိုအလျောက်မောင်းနှင်နေစဉ်အတွင်း၊ စနစ်သည် ၎င်း၏အမြင်အာရုံဒေတာကို မြေပုံဒေတာနှင့် အဆက်မပြတ် နှိုင်းယှဉ်ကာ ကွဲလွဲမှုများကို အလံတင်ထားသည်။ ၎င်းသည် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရယာဉ်အား လမ်းပေါ်တွင် မည်သည့်နေရာတွင်ရှိကြောင်းကို ပိုမိုကောင်းမွန်စွာဆုံးဖြတ်ရန် ကူညီပေးသည်။ ၎င်းသည် ကားသည် ကွဲလွဲနေသော ထည့်သွင်းအချက်အလက်များကို လက်ခံရရှိလျှင်ပင် အလုံခြုံဆုံးလမ်းကြောင်းတွင် ရှိနေကြောင်း သေချာစေသည်- အကယ်၍ ကားသည် ကွေ့ခြင်းမရှိသော ဖြောင့်တန်းသောလမ်းပေါ်တွင် သွားလာနေပါက၊ GPS သည် ကားညာဘက်ကွေ့သင့်သည်ဟု ညွှန်ပြသည်၊ ကားသည် ဖြောင့်သည်ဖြစ်စေ ရပ်ရမည်ကို သိ၏။

“လက်တွေ့ကမ္ဘာမှာ အာရုံခံကိရိယာတွေ ပျက်သွားတယ်” ဟု Amini က ဆိုသည်။ "ဆူညံသံအချက်ပြမှုများကို လက်ခံရရှိကာ လမ်းမှန်ကန်စွာ သွားလာနေဆဲဖြစ်သော စနစ်တစ်ခုကို ဖန်တီးခြင်းဖြင့် ကျွန်ုပ်တို့၏ autopilot သည် အာရုံခံကိရိယာချို့ယွင်းမှုအမျိုးမျိုးကို ခံနိုင်ရည်ရှိကြောင်း သေချာစေလိုပါသည်။"

source: 3dnews.ru