Tworzenie autonomicznych samochodów, które będą mogły podejmować decyzje podobne do ludzkich, jest od dawna celem takich firm jak Waymo, GM Cruise, Uber i innych. Intel Mobileye oferuje model matematyczny RSS (Responsibility-Sensitive Safety), który firma opisuje jako podejście oparte na „zdrowym rozsądku”, charakteryzujące się programowaniem autopilota tak, aby zachowywał się w „dobry” sposób, na przykład udzielając pierwszeństwa innym samochodom . Z drugiej strony NVIDIA aktywnie rozwija Safety Force Field, systemową technologię podejmowania decyzji, która monitoruje niebezpieczne działania otaczających użytkowników dróg poprzez analizę danych z czujników pojazdów w czasie rzeczywistym. Teraz do badań dołączyła grupa naukowców z Massachusetts Institute of Technology (MIT), która zaproponowała nowe podejście polegające na wykorzystaniu map przypominających GPS oraz danych wizualnych uzyskanych z kamer zainstalowanych w samochodzie, dzięki czemu autopilot może nawigować po nieznanych terenach. drogi podobne do człowieka. sposób.
Ludzie są wyjątkowo dobrzy w prowadzeniu samochodów po drogach, którymi nigdy wcześniej nie jechali. Po prostu porównujemy to, co widzimy wokół nas, z tym, co widzimy na naszych urządzeniach GPS, aby określić, gdzie jesteśmy i dokąd musimy się udać. Z kolei samochody autonomiczne mają ogromne trudności z poruszaniem się po nieznanych odcinkach drogi. Dla każdej nowej lokalizacji autopilot musi dokładnie przeanalizować nową trasę, a często automatyczne systemy sterowania opierają się na skomplikowanych mapach 3D, które dostawcy przygotowują dla nich wcześniej.
W artykule zaprezentowanym w tym tygodniu na Międzynarodowej Konferencji Robotyki i Automatyki badacze z MIT opisują autonomiczny system jazdy, który „uczy się” i zapamiętuje wzorce podejmowania decyzji przez ludzkiego kierowcę, gdy porusza się on po drogach w małym obszarze miasta, korzystając wyłącznie z danych. kamery i prostą mapę przypominającą GPS. Przeszkolony autopilot może następnie prowadzić autonomiczny samochód w zupełnie nowym miejscu, symulując jazdę człowieka.
Podobnie jak człowiek, autopilot również wykrywa wszelkie rozbieżności pomiędzy mapą a cechami drogi. Pomaga to systemowi określić, czy jego pozycja na drodze, czujniki lub mapa są nieprawidłowe, i może skorygować kurs pojazdu.
Aby wstępnie przeszkolić system, operator jechał zautomatyzowaną Toyotą Prius wyposażoną w wiele kamer i podstawowy system nawigacji GPS w celu zbierania danych z lokalnych ulic podmiejskich, w tym różnych obiektów drogowych i przeszkód. Następnie system pomyślnie poprowadził samochód po wcześniej zaplanowanej trasie po innym zalesionym terenie przeznaczonym do testowania pojazdów autonomicznych.
„Dzięki naszemu systemowi nie trzeba wcześniej szkolić się na każdej drodze” – mówi autor badania Alexander Amini, absolwent MIT. „Możesz pobrać nową mapę do swojego samochodu, aby poruszać się po drogach, jakich nigdy wcześniej nie widziałeś”.
„Naszym celem jest stworzenie autonomicznej nawigacji odpornej na jazdę w nowych warunkach” – dodaje współautorka Daniela Rus, dyrektor Laboratorium Informatyki i Sztucznej Inteligencji (CSAIL). „Jeśli na przykład szkolimy pojazd autonomiczny do poruszania się w środowisku miejskim, takim jak ulice Cambridge, system musi być w stanie płynnie poruszać się także po lesie, nawet jeśli nigdy wcześniej nie widział takiego środowiska”.
Tradycyjne systemy nawigacji przetwarzają dane z czujników za pośrednictwem wielu modułów skonfigurowanych do zadań takich jak lokalizacja, mapowanie, wykrywanie obiektów, planowanie ruchu i sterowanie. Grupa Danieli od lat opracowuje kompleksowe systemy nawigacji, które przetwarzają dane z czujników i sterują samochodem bez konieczności stosowania jakichkolwiek specjalistycznych modułów. Do tej pory jednak modele te służyły wyłącznie do bezpiecznego podróżowania po drodze, bez żadnego konkretnego celu. W nowej pracy naukowcy udoskonalili swój kompleksowy system przemieszczania się od celu do miejsca docelowego w nieznanym wcześniej środowisku. W tym celu naukowcy przeszkolili swojego autopilota w zakresie przewidywania pełnego rozkładu prawdopodobieństwa dla wszystkich możliwych poleceń sterujących w dowolnym momencie jazdy.
System wykorzystuje model uczenia maszynowego zwany konwolucyjną siecią neuronową (CNN), powszechnie używany do rozpoznawania obrazów. Podczas treningu system obserwuje zachowanie kierowcy podczas jazdy. CNN koreluje skręty kierownicą z krzywizną drogi, którą obserwuje za pomocą kamer i na swojej małej mapie. W rezultacie system uczy się najbardziej prawdopodobnych poleceń kierowania dla różnych sytuacji na drodze, takich jak proste drogi, skrzyżowania czterokierunkowe lub skrzyżowania typu T, rozwidlenia i zakręty.
„Początkowo na skrzyżowaniu w kształcie litery T samochód może skręcić w wiele różnych kierunków” – mówi Rus. „Model zaczyna się od przemyślenia wszystkich tych kierunków, a w miarę jak CNN otrzymuje coraz więcej danych na temat tego, co ludzie robią w określonych sytuacjach na drodze, widać, że niektórzy kierowcy skręcają w lewo, a inni w prawo, ale nikt nie jedzie bezpośrednio . Prosty kierunek jest wykluczony jako możliwy kierunek, a model stwierdza, że na skrzyżowaniach typu T może poruszać się tylko w lewo lub w prawo”.
Podczas jazdy CNN wyodrębnia również wizualne cechy drogi z kamer, co pozwala przewidzieć możliwe zmiany trasy. Na przykład identyfikuje czerwony znak stopu lub przerywaną linię na poboczu drogi jako znaki zbliżającego się skrzyżowania. W każdym momencie wykorzystuje przewidywany rozkład prawdopodobieństwa poleceń sterujących, aby wybrać najbardziej prawidłowe polecenie.
Warto zauważyć, że według badaczy ich autopilot korzysta z map, które są niezwykle łatwe do przechowywania i przetwarzania. Autonomiczne systemy sterowania zazwyczaj korzystają z map lidarowych, które zajmują około 4000 GB danych do przechowywania samego miasta San Francisco. Dla każdego nowego celu samochód musi korzystać i tworzyć nowe mapy, co wymaga ogromnej ilości pamięci. Z kolei mapa, z której korzysta nowy Autopilot, obejmuje cały świat zajmując zaledwie 40 gigabajtów danych.
Podczas jazdy autonomicznej system na bieżąco porównuje dane wizualne z danymi mapy i sygnalizuje rozbieżności. Pomaga to pojazdowi autonomicznemu lepiej określić, gdzie się znajduje na drodze. Dzięki temu samochód pozostanie na najbezpieczniejszej drodze, nawet jeśli otrzyma sprzeczne informacje wejściowe: jeśli, powiedzmy, samochód jedzie po prostej drodze bez zakrętów, a GPS wskaże, że powinien skręcić w prawo, samochód wiem, że mam jechać prosto lub się zatrzymać.
„W prawdziwym świecie czujniki zawodzą” – mówi Amini. „Chcemy mieć pewność, że nasz autopilot będzie odporny na różne awarie czujników, tworząc system, który będzie w stanie odbierać wszelkie sygnały dźwiękowe i nadal prawidłowo poruszać się po drodze”.
Źródło: 3dnews.ru