Å lage selvkjørende biler som kan ta menneskelignende beslutninger har vært et langvarig mål for selskaper som Waymo, GM Cruise, Uber og andre. Intel Mobileye tilbyr en matematisk modell for Responsibility-Sensitive Safety (RSS), som selskapet beskriver som en «sunn fornuft»-tilnærming som er preget av å programmere autopiloten til å oppføre seg på en «god» måte, for eksempel å gi andre biler forkjørsrett . På den annen side utvikler NVIDIA aktivt Safety Force Field, en systembasert beslutningsteknologi som overvåker usikre handlinger til omkringliggende trafikanter ved å analysere data fra kjøretøysensorer i sanntid. Nå har en gruppe forskere fra Massachusetts Institute of Technology (MIT) sluttet seg til denne forskningen og foreslått en ny tilnærming basert på bruk av GPS-lignende kart og visuelle data hentet fra kameraer installert på bilen, slik at autopiloten kan navigere på ukjente. veier som ligner på en person. måte.
Folk er eksepsjonelt flinke til å kjøre bil på veier de aldri har vært på før. Vi sammenligner ganske enkelt det vi ser rundt oss med det vi ser på GPS-enhetene våre for å finne ut hvor vi er og hvor vi må dra. Selvkjørende biler opplever derimot at det er ekstremt vanskelig å navigere i ukjente veistrekninger. For hver ny plassering må autopiloten analysere den nye ruten nøye, og ofte er automatiske kontrollsystemer avhengige av komplekse 3D-kart som leverandørene forbereder for dem på forhånd.
I en artikkel som ble presentert denne uken på den internasjonale konferansen om robotikk og automatisering, beskriver MIT-forskere et autonomt kjøresystem som "lærer" og husker en menneskelig sjåførs beslutningsmønstre når de navigerer på veier i et lite byområde kun ved hjelp av data. fra video. kameraer og et enkelt GPS-lignende kart. Den trente autopiloten kan da kjøre den førerløse bilen på et helt nytt sted, og simulere menneskelig kjøring.
Akkurat som et menneske, oppdager autopiloten også eventuelle avvik mellom kartet og veifunksjonene. Dette hjelper systemet med å finne ut om dets posisjon på veien, sensorer eller kart er feil, slik at det kan korrigere kjøretøyets kurs.
For å først trene systemet, kjørte en menneskelig operatør en automatisert Toyota Prius utstyrt med flere kameraer og et grunnleggende GPS-navigasjonssystem for å samle inn data fra lokale forstadsgater, inkludert ulike veistrukturer og hindringer. Systemet kjørte deretter bilen med hell langs en forhåndsplanlagt rute i et annet skogområde beregnet for testing av autonome kjøretøy.
"Med systemet vårt trenger du ikke trene på alle veier på forhånd," sier studieforfatter Alexander Amini, en MIT-student. "Du kan laste ned et nytt kart for bilen din for å navigere veier den aldri har sett før."
"Målet vårt er å skape autonom navigasjon som er motstandsdyktig mot kjøring i nye miljøer," legger medforfatter Daniela Rus, direktør for Computer Science and Artificial Intelligence Laboratory (CSAIL). "For eksempel, hvis vi trener et autonomt kjøretøy til å kjøre i et urbant miljø som gatene i Cambridge, må systemet også kunne kjøre jevnt i en skog, selv om det aldri har sett et slikt miljø før."
Tradisjonelle navigasjonssystemer behandler sensordata gjennom flere moduler konfigurert for oppgaver som lokalisering, kartlegging, objektdeteksjon, bevegelsesplanlegging og styring. Danielas gruppe har i årevis utviklet ende-til-ende navigasjonssystemer som behandler sensordata og kontrollerer bilen uten behov for noen spesialiserte moduler. Til nå har imidlertid disse modellene blitt brukt strengt tatt for sikker ferdsel på veien, uten noen egentlig hensikt. I det nye arbeidet foredlet forskerne sitt ende-til-ende-system for mål-til-destinasjon-bevegelse i et tidligere ukjent miljø. For å gjøre dette trente forskere autopiloten sin til å forutsi den fulle sannsynlighetsfordelingen for alle mulige kontrollkommandoer når som helst under kjøring.
Systemet bruker en maskinlæringsmodell kalt et konvolusjonelt nevralt nettverk (CNN), vanligvis brukt for bildegjenkjenning. Under trening observerer systemet kjøreatferden til en menneskelig sjåfør. CNN korrelerer rattsvinger med krumningen til veien, som den observerer gjennom kameraer og på det lille kartet. Som et resultat lærer systemet de mest sannsynlige styrekommandoene for ulike kjøresituasjoner, for eksempel rette veier, fireveis kryss eller T-kryss, gafler og svinger.
"Til å begynne med, i et T-kryss, er det mange forskjellige retninger en bil kan svinge," sier Rus. "Modellen starter med å tenke på alle disse retningene, og etter hvert som CNN får mer og mer data om hva folk gjør i visse situasjoner på veien, vil den se at noen sjåfører svinger til venstre og andre svinger til høyre, men ingen går direkte . Rett frem er utelukket som mulig retning, og modellen konkluderer med at den i T-kryss kun kan bevege seg til venstre eller høyre.»
Mens du kjører, trekker CNN også ut visuelle veifunksjoner fra kameraer, slik at den kan forutsi mulige ruteendringer. For eksempel identifiserer den et rødt stoppskilt eller en brutt linje på siden av veien som tegn på et kommende kryss. I hvert øyeblikk bruker den den forutsagte sannsynlighetsfordelingen av kontrollkommandoer for å velge den mest korrekte kommandoen.
Det er viktig å merke seg at, ifølge forskerne, bruker autopiloten deres kart som er ekstremt enkle å lagre og behandle. Autonome kontrollsystemer bruker vanligvis lidar-kart, som tar opp omtrent 4000 GB data for å lagre bare byen San Francisco. For hver ny destinasjon må bilen bruke og lage nye kart, noe som krever enormt mye minne. På den annen side dekker kartet som brukes av den nye autopiloten hele verden mens det kun opptar 40 gigabyte med data.
Under autonom kjøring sammenligner systemet også konstant sine visuelle data med kartdataene og flagger eventuelle avvik. Dette hjelper det autonome kjøretøyet bedre å finne ut hvor det er på veien. Og dette sikrer at bilen holder seg på den sikreste veien, selv om den mottar motstridende inndata: hvis for eksempel bilen kjører på en rett vei uten svinger, og GPS-en indikerer at bilen skal svinge til høyre, vil bilen vet å gå rett eller stoppe.
"I den virkelige verden svikter sensorer," sier Amini. "Vi vil sørge for at autopiloten vår er motstandsdyktig mot forskjellige sensorfeil ved å lage et system som kan motta alle støysignaler og fortsatt navigere veien riktig."
Kilde: 3dnews.ru