Het creëren van zelfrijdende auto’s die menselijke beslissingen kunnen nemen, is al lang een doel van bedrijven als Waymo, GM Cruise, Uber en anderen. Intel Mobileye biedt een wiskundig model voor Responsibility-Sensitive Safety (RSS), dat het bedrijf omschrijft als een ‘gezond verstand’-benadering die wordt gekenmerkt door het programmeren van de automatische piloot om zich op een ‘goede’ manier te gedragen, zoals andere auto’s voorrang geven . Aan de andere kant is NVIDIA actief bezig met de ontwikkeling van Safety Force Field, een systeemgebaseerde besluitvormingstechnologie die onveilige handelingen van omringende weggebruikers monitort door gegevens van voertuigsensoren in realtime te analyseren. Nu heeft een groep wetenschappers van het Massachusetts Institute of Technology (MIT) zich bij dit onderzoek aangesloten en een nieuwe aanpak voorgesteld, gebaseerd op het gebruik van GPS-achtige kaarten en visuele gegevens verkregen van camera's die op de auto zijn geïnstalleerd, zodat de automatische piloot kan navigeren op onbekende wegen. wegen die lijken op een persoon.
Mensen zijn uitzonderlijk goed in het besturen van auto's op wegen waar ze nog nooit eerder zijn geweest. We vergelijken simpelweg wat we om ons heen zien met wat we zien op onze GPS-apparaten om te bepalen waar we zijn en waar we heen moeten. Zelfrijdende auto's vinden het daarentegen buitengewoon moeilijk om op onbekende delen van de weg te navigeren. Voor elke nieuwe locatie moet de automatische piloot de nieuwe route zorgvuldig analyseren, en vaak vertrouwen automatische controlesystemen op complexe 3D-kaarten die leveranciers vooraf voor hen voorbereiden.
In een paper dat deze week op de Internationale Conferentie over Robotica en Automatisering werd gepresenteerd, beschrijven MIT-onderzoekers een autonoom rijsysteem dat de besluitvormingspatronen van een menselijke bestuurder ‘leert’ en onthoudt terwijl hij over wegen in een klein stedelijk gebied navigeert en daarbij uitsluitend gegevens gebruikt. camera's en een eenvoudige GPS-achtige kaart. De getrainde automatische piloot kan de zelfrijdende auto vervolgens op een geheel nieuwe locatie besturen, waarbij menselijk rijden wordt gesimuleerd.
Net als een mens detecteert de automatische piloot ook eventuele afwijkingen tussen de kaart en de wegkenmerken. Dit helpt het systeem te bepalen of de positie op de weg, de sensoren of de kaart onjuist zijn, zodat het de koers van het voertuig kan corrigeren.
Om het systeem in eerste instantie te trainen, bestuurde een menselijke operator een geautomatiseerde Toyota Prius, uitgerust met meerdere camera's en een standaard GPS-navigatiesysteem om gegevens te verzamelen van lokale straten in de voorsteden, inclusief verschillende wegconstructies en obstakels. Het systeem reed de auto vervolgens met succes langs een vooraf geplande route in een ander bosgebied, bedoeld voor het testen van autonome voertuigen.
“Met ons systeem hoef je niet van tevoren op elke weg te trainen”, zegt studieauteur Alexander Amini, een afgestudeerde student aan het MIT. "Je kunt een nieuwe kaart voor je auto downloaden om over wegen te navigeren die je nog nooit eerder hebt gezien."
“Ons doel is om autonome navigatie te creëren die bestand is tegen rijden in nieuwe omgevingen”, zegt medeauteur Daniela Rus, directeur van het Computer Science and Artificial Intelligence Laboratory (CSAIL). “Als we bijvoorbeeld een autonoom voertuig trainen om in een stedelijke omgeving zoals de straten van Cambridge te rijden, moet het systeem ook soepel in een bos kunnen rijden, ook al heeft het nog nooit zo’n omgeving gezien.”
Traditionele navigatiesystemen verwerken sensorgegevens via meerdere modules die zijn geconfigureerd voor taken zoals lokalisatie, mapping, objectdetectie, bewegingsplanning en besturing. Daniela's groep ontwikkelt al jaren end-to-end navigatiesystemen die sensorgegevens verwerken en de auto besturen zonder dat er gespecialiseerde modules nodig zijn. Tot nu toe werden deze modellen echter uitsluitend gebruikt voor veilig reizen over de weg, zonder enig echt doel. In het nieuwe werk verfijnden de onderzoekers hun end-to-end-systeem voor beweging van doel naar bestemming in een voorheen onbekende omgeving. Om dit te doen, hebben wetenschappers hun automatische piloot getraind om de volledige waarschijnlijkheidsverdeling voor alle mogelijke besturingscommando's op elk moment tijdens het rijden te voorspellen.
Het systeem maakt gebruik van een machine learning-model dat een convolutioneel neuraal netwerk (CNN) wordt genoemd en dat vaak wordt gebruikt voor beeldherkenning. Tijdens de training observeert het systeem het rijgedrag van een menselijke bestuurder. CNN correleert de stuurwielomwentelingen met de kromming van de weg, die het waarneemt via camera's en op zijn kleine kaart. Hierdoor leert het systeem de meest waarschijnlijke stuurcommando's voor verschillende rijsituaties, zoals rechte wegen, vierwegkruisingen of T-splitsingen, splitsingen en bochten.
“Aanvankelijk kan een auto op een T-kruising in veel verschillende richtingen draaien”, zegt Rus. “Het model begint met na te denken over al deze richtingen, en naarmate CNN steeds meer gegevens krijgt over wat mensen in bepaalde situaties op de weg doen, zal het zien dat sommige bestuurders linksaf slaan en anderen rechtsaf, maar niemand gaat rechtstreeks. . Rechtdoor is uitgesloten als mogelijke richting, en het model concludeert dat het bij T-splitsingen alleen naar links of rechts kan.”
Tijdens het rijden haalt CNN ook visuele wegkenmerken uit camera's, waardoor het mogelijke routewijzigingen kan voorspellen. Het identificeert bijvoorbeeld een rood stopbord of een onderbroken lijn aan de kant van de weg als tekenen van een aankomend kruispunt. Op elk moment gebruikt het de voorspelde waarschijnlijkheidsverdeling van besturingscommando's om het meest correcte commando te selecteren.
Het is belangrijk op te merken dat hun automatische piloot volgens de onderzoekers kaarten gebruikt die uiterst eenvoudig op te slaan en te verwerken zijn. Autonome controlesystemen maken doorgaans gebruik van lidar-kaarten, die ongeveer 4000 GB aan gegevens in beslag nemen om alleen de stad San Francisco op te slaan. Voor elke nieuwe bestemming moet de auto nieuwe kaarten gebruiken en creëren, wat een enorme hoeveelheid geheugen vereist. Aan de andere kant bestrijkt de kaart die door de nieuwe Autopilot wordt gebruikt de hele wereld terwijl hij slechts 40 gigabyte aan gegevens in beslag neemt.
Tijdens autonoom rijden vergelijkt het systeem ook voortdurend zijn visuele gegevens met de kaartgegevens en signaleert eventuele afwijkingen. Hierdoor kan het autonome voertuig beter bepalen waar het zich op de weg bevindt. En dit zorgt ervoor dat de auto op het veiligste pad blijft, zelfs als hij tegenstrijdige invoerinformatie ontvangt: als de auto bijvoorbeeld op een rechte weg rijdt zonder bochten, en de GPS geeft aan dat de auto rechtsaf moet slaan, zal de auto dat doen. weet dat u rechtdoor moet gaan of moet stoppen.
“In de echte wereld falen sensoren”, zegt Amini. “We willen ervoor zorgen dat onze stuurautomaat bestand is tegen verschillende sensorstoringen door een systeem te creëren dat eventuele geluidssignalen kan ontvangen en toch correct over de weg kan navigeren.”
Bron: 3dnews.ru