د ځان چلولو موټرو رامینځته کول چې د انسان په څیر پریکړې کولی شي د وایمو ، جی ایم کروز ، اوبر او نورو په څیر شرکتونو اوږدمهاله هدف و. Intel Mobileye د مسؤلیت-حساس خوندیتوب (RSS) ریاضیاتی ماډل وړاندې کوي، کوم چې شرکت د "عام احساس" طریقې په توګه تشریح کوي چې د "ښه" طریقې سره د چلند کولو لپاره د اتوماتیک پروګرام کولو لخوا مشخص شوی، لکه د نورو موټرو حق ورکول. . له بلې خوا، NVIDIA په فعاله توګه د خوندیتوب ځواک ساحه رامینځته کوي، د سیسټم پر بنسټ د پریکړې کولو ټیکنالوژي چې په ریښتیني وخت کې د وسایطو سینسرونو څخه ډاټا تحلیل کولو سره د شاوخوا سړک کاروونکو غیر خوندي عملونه څاري. اوس د ماساچوسټس ټیکنالوژۍ انسټیټیوټ (MIT) د ساینس پوهانو یوې ډلې پدې څیړنه کې برخه اخیستې او د GPS په څیر نقشې او په موټر کې نصب شوي کیمرې څخه ترلاسه شوي بصري ډیټا کارولو پراساس یوه نوې تګلاره وړاندیز کړې ترڅو اتوماتیک پیلوټ په نامعلوم لوري حرکت وکړي. سړکونه یو شخص ته ورته دي.
خلک په غیر معمولي ډول په سړکونو د موټرو چلولو کې ښه دي چې مخکې یې هیڅکله نه و. موږ په ساده ډول هغه څه پرتله کوو چې موږ یې شاوخوا ګورو د هغه څه سره چې موږ زموږ په GPS وسیلو کې ګورو ترڅو معلومه کړو چې موږ چیرته یو او چیرته ځو. له بلې خوا، د ځان چلولو موټرې، د سړک په نامعلومو برخو کې تګ کول خورا ستونزمن وي. د هر نوي ځای لپاره، آټوپائلټ اړتیا لري چې نوې لار په دقت سره تحلیل کړي، او ډیری وختونه د اتوماتیک کنټرول سیسټمونه په پیچلي 3D نقشو تکیه کوي چې عرضه کوونکي د دوی لپاره دمخه چمتو کوي.
په یوه مقاله کې چې پدې اونۍ کې د روبوټکس او اتومات په نړیوال کنفرانس کې وړاندې شوي، د MIT څیړونکي د موټر چلولو یو خپلواک سیسټم تشریح کوي چې "زده کوي" او د انسان چلوونکي د پریکړې کولو نمونې په یاد لري ځکه چې دوی یوازې د معلوماتو په کارولو سره د کوچني ښار په ساحه کې سړکونه حرکت کوي. کیمرې او د GPS په څیر ساده نقشه. روزل شوی اوټوپائلټ بیا کولی شي بې ډرایور موټر په بشپړ ډول نوي ځای کې وګرځوي، د انسان موټر چلولو سمولو.
لکه د انسان په څیر، آټوپائلټ هم د دې نقشې او د سړک ځانګړتیاو ترمنځ کوم توپیرونه کشفوي. دا سیسټم سره مرسته کوي چې معلومه کړي چې آیا په سړک، سینسر، یا نقشه کې موقعیت غلط دی نو دا کولی شي د موټر کورس سم کړي.
د سیسټم په پیل کې د روزنې لپاره، یو انسان چلونکي یو اتوماتیک ټویوټا پریوس چلاوه چې په څو کیمرونو او د GPS لومړني نیویګیشن سیسټم سره سمبال شوی ترڅو د ځایی ښاري سړکونو څخه ډاټا راټول کړي، په شمول د سړک مختلف جوړښتونه او خنډونه. سیسټم بیا په بریالیتوب سره موټر په بل ځنګلي سیمه کې د مخکې پلان شوي لارې په اوږدو کې وګرځاوه چې هدف یې د خپلواکو موټرو ازموینې لپاره.
د مطالعې لیکوال الکساندر امیني چې د MIT فارغ شوی زده کونکی دی وايي: "زموږ د سیسټم سره، تاسو اړتیا نلرئ چې په هر سړک کې مخکې له مخکې روزنه وکړئ." "تاسو کولی شئ د خپل موټر لپاره نوې نقشه ډاونلوډ کړئ ترڅو په سړکونو حرکت وکړي چې مخکې هیڅکله نه و لیدل شوی."
"زموږ هدف دا دی چې خپلواکه نیویګیشن رامینځته کړو چې په نوي چاپیریال کې د موټر چلولو لپاره انعطاف وړ وي ،" د کمپیوټر ساینس او مصنوعي استخباراتو لابراتوار (CSAIL) شریک لیکوال ډینیلا روس زیاتوي. "د مثال په توګه، که موږ په ښاري چاپیریال کې لکه د کیمبرج په سړکونو کې د موټر چلولو لپاره یو خپلواک موټر وروزو، سیسټم باید په ځنګل کې په اسانۍ سره موټر چلولو توان ولري، حتی که دا مخکې هیڅکله داسې چاپیریال نه وي لیدلی."
دودیز نیویګیشن سیسټمونه د ډیری ماډلونو له لارې د سینسر ډیټا پروسس کوي چې د دندو لپاره ترتیب شوي لکه ځایی کول ، نقشه کول ، د شیانو کشف ، حرکت پلان کول او سټیرینګ. د کلونو لپاره، د ډینیلا ګروپ د پای څخه تر پایه نیویګیشن سیسټمونه رامینځته کوي چې د سینسر ډیټا پروسس کوي او پرته له کوم ځانګړي ماډلونو ته اړتیا لري موټر کنټرولوي. تر اوسه پورې، دا ماډلونه په سړک کې د خوندي سفر لپاره په کلکه کارول شوي، پرته له کوم اصلي هدف. په نوي کار کې، څیړونکو په پخوانۍ نامعلوم چاپیریال کې د هدف څخه تر منزله حرکت لپاره خپل پای څخه تر پایه سیسټم اصلاح کړ. د دې کولو لپاره، ساینس پوهانو خپل آټوپائلټ وروزل ترڅو د موټر چلولو په وخت کې د ټولو ممکنه کنټرول امرونو لپاره د بشپړ احتمالي ویش وړاندوینه وکړي.
سیسټم د ماشین زده کړې ماډل کاروي چې د Convolutional Neural Network (CNN) په نوم یادیږي، معمولا د عکس پیژندنې لپاره کارول کیږي. د روزنې په جریان کې، سیسټم د انسان چلوونکي د موټر چلولو چلند څاري. CNN د سټیرینګ ویل بدل د سړک د منحل کیدو سره تړاو لري ، کوم چې دا د کیمرې او په کوچنۍ نقشه کې مشاهده کوي. د پایلې په توګه، سیسټم د موټر چلولو مختلف حالتونو لپاره خورا احتمالي سټیرینګ کمانډونه زده کوي ، لکه مستقیم سړکونه ، څلور طرفه تقاطع یا T-جنکشنونه ، فورکونه او بدلونه.
روس وايي: "په پیل کې، په T-انتقام کې، ډیری مختلف لوري شتون لري چې موټر کولی شي وګرځي." "موډل د دې ټولو لارښوونو په اړه فکر کولو سره پیل کیږي، او لکه څنګه چې CNN د سړک په ځینو شرایطو کې د خلکو د څه کولو په اړه ډیر او ډیر معلومات ترلاسه کوي، نو دا به وګوري چې ځینې موټر چلوونکي چپ لوري ته ځي او نور ښي خوا ته ځي، مګر هیڅوک مستقیم نه ځي. . نېغ په نېغه مخکې د احتمالي لوري په توګه له پامه غورځول کېږي، او ماډل دې پایلې ته رسېږي چې په T-جنکشن کې دا یوازې کیڼ یا ښي خوا ته حرکت کولی شي.
د موټر چلولو پرمهال، CNN د کیمرې څخه د بصري سړک ځانګړتیاوې هم استخراجوي، دا اجازه ورکوي چې د ممکنه لارې بدلونونو وړاندوینه وکړي. د مثال په توګه، دا د سور تمځای نښه یا د سړک په څنګ کې مات شوی کرښه د راتلونکي تقاطع نښو په توګه پیژني. په هره شیبه کې ، دا د خورا سم کمانډ غوره کولو لپاره د کنټرول کمانډونو وړاندوینې احتمالي توزیع کاروي.
دا مهمه ده چې یادونه وکړو، د څیړونکو په وینا، د دوی اتوماتیک نقشه کاروي چې ذخیره او پروسس کول خورا اسانه دي. د خپلواک کنټرول سیسټمونه عموما د لیډر نقشې کاروي، کوم چې د سان فرانسسکو ښار ذخیره کولو لپاره نږدې 4000 GB ډیټا اخلي. د هر نوي منزل لپاره ، موټر باید نوې نقشه وکاروي او رامینځته کړي ، کوم چې لوی مقدار حافظې ته اړتیا لري. له بلې خوا، د نوي Autopilot لخوا کارول شوې نقشه ټوله نړۍ پوښي پداسې حال کې چې یوازې 40 ګیګابایټ ډیټا نیسي.
د خپلواکه موټر چلولو په جریان کې، سیسټم هم په دوامداره توګه خپل لید ډاټا د نقشې ډیټا سره پرتله کوي او کوم توپیرونه بیرغ کوي. دا د خودمختاره موټر سره مرسته کوي په ښه توګه وټاکي چې دا په سړک کې چیرته دی. او دا ډاډ ورکوي چې موټر په خوندي لاره کې پاتې کیږي، حتی که دا متضاد معلومات ترلاسه کړي: که ووایئ، موټر په مستقیم سړک کې پرته له کوم شا تګ کوي، او GPS په ګوته کوي چې موټر باید ښي خوا ته وګرځي، موټر به پوهیږئ چې مستقیم لاړ شئ یا ودریږئ.
امیني وايي: "په ریښتینې نړۍ کې، سینسرونه ناکام دي." "موږ غواړو ډاډ ترلاسه کړو چې زموږ آٹو پیلوټ د سیسټم په جوړولو سره د مختلف سینسر ناکامیو سره مقاومت لري چې کولی شي هر ډول غږ سیګنالونه ترلاسه کړي او لاهم سړک په سمه توګه پرمخ وړي."
سرچینه: 3dnews.ru