මිනිසුන්ට සමාන තීරණ ගත හැකි ස්වයං-රිය පැදවීමේ මෝටර් රථ නිර්මාණය කිරීම Waymo, GM Cruise, Uber සහ වෙනත් සමාගම්වල දිගුකාලීන ඉලක්කයකි. Intel Mobileye වගකීම්-සංවේදී ආරක්ෂාව (RSS) ගණිතමය ආකෘතියක් ඉදිරිපත් කරයි, එය "සාමාන්‍ය බුද්ධියේ" ප්‍රවේශයක් ලෙස සමාගම විස්තර කරයි, එය ස්වයංක්‍රීය නියමුව "හොඳ" ආකාරයෙන් හැසිරීමට ක්‍රමලේඛනය කිරීම මගින් සංලක්ෂිත වේ, එනම් වෙනත් මෝටර් රථවලට මාර්ගයේ අයිතිය ලබා දීම වැනි . අනෙක් අතට, NVIDIA, තත්‍ය කාලීනව වාහන සංවේදක වලින් දත්ත විශ්ලේෂණය කිරීමෙන් අවට මාර්ග භාවිතා කරන්නන්ගේ අනාරක්ෂිත ක්‍රියා නිරීක්ෂණය කරන පද්ධති මත පදනම් වූ තීරණ ගැනීමේ තාක්ෂණයක් වන Safety Force Field සක්‍රියව සංවර්ධනය කරයි. දැන් Massachusetts Institute of Technology (MIT) හි විද්‍යාඥයින් පිරිසක් මෙම පර්යේෂණයට සම්බන්ධ වී ඇති අතර ස්වයංක්‍රීය නියමුවට නොදන්නා මත සැරිසැරීමට හැකි වන පරිදි GPS වැනි සිතියම් සහ මෝටර් රථයේ සවි කර ඇති කැමරාවලින් ලබාගත් දෘශ්‍ය දත්ත භාවිතා කිරීම මත පදනම් වූ නව ප්‍රවේශයක් යෝජනා කර ඇත. පුද්ගලයෙකුට සමාන මාර්ග.
මිනිසුන් මීට පෙර කවදාවත් නොගිය මාර්ගවල මෝටර් රථ පැදවීමට ඉතා දක්ෂයි. අප සිටින්නේ කොතැනද සහ අප යා යුත්තේ කොතැනද යන්න තීරණය කිරීම සඳහා අපි අප අවට දකින දේ අපගේ GPS උපාංගවල දකින දේ සමඟ සංසන්දනය කරමු. අනෙක් අතට, ස්වයංක්‍රීයව ධාවනය වන මෝටර් රථ, මාර්ගයේ නොදන්නා කොටස්වල සැරිසැරීම අතිශයින් දුෂ්කර ය. එක් එක් නව ස්ථානය සඳහා, ස්වයංක්‍රීය නියමුවට නව මාර්ගය ප්‍රවේශමෙන් විශ්ලේෂණය කිරීමට අවශ්ය වන අතර බොහෝ විට ස්වයංක්‍රීය පාලන පද්ධති සැපයුම්කරුවන් ඒවා සඳහා කල්තියා සූදානම් කරන සංකීර්ණ 3D සිතියම් මත රඳා පවතී.
රොබෝ විද්‍යාව සහ ස්වයංක්‍රීයකරණය පිළිබඳ ජාත්‍යන්තර සම්මන්ත්‍රණයේදී මෙම සතියේ ඉදිරිපත් කරන ලද ලිපියක, MIT පර්යේෂකයන් විසින් දත්ත පමණක් භාවිතා කරමින් කුඩා නගර ප්‍රදේශයක මාර්ගවල සැරිසැරීමේදී මිනිස් රියදුරෙකුගේ තීරණ ගැනීමේ රටාවන් "ඉගෙන ගන්නා" සහ මතක තබා ගන්නා ස්වයංක්‍රීය රියදුරු පද්ධතියක් විස්තර කරයි. කැමරා සහ සරල GPS වැනි සිතියමක්. පුහුණුව ලත් ස්වයංක්‍රීය නියමුවෙකුට රියදුරු රහිත මෝටර් රථය සම්පූර්ණයෙන්ම නව ස්ථානයක ධාවනය කළ හැකි අතර, එය මිනිස් රිය පැදවීම අනුකරණය කරයි.
මිනිසෙකු මෙන්, ස්වයංක්‍රීය නියමුවද එහි සිතියම සහ මාර්ග විශේෂාංග අතර කිසියම් විෂමතාවයක් හඳුනා ගනී. මාර්ගය, සංවේදක හෝ සිතියම මත එහි පිහිටීම වැරදිද යන්න තීරණය කිරීමට මෙය පද්ධතියට උපකාර කරයි, එවිට එයට වාහනයේ ගමන් මග නිවැරදි කළ හැක.
පද්ධතිය මුලින් පුහුණු කිරීම සඳහා, මිනිස් ක්‍රියාකරුවෙකු විවිධ මාර්ග ව්‍යුහයන් සහ බාධක ඇතුළුව ප්‍රාදේශීය තදාසන්න වීදිවලින් දත්ත රැස් කිරීම සඳහා බහු කැමරා සහ මූලික GPS සංචාලන පද්ධතියකින් සමන්විත ස්වයංක්‍රීය Toyota Prius රථයක් පදවාගෙන ගියේය. පසුව පද්ධතිය ස්වයංක්‍රීය වාහන පරීක්ෂා කිරීම සඳහා අදහස් කරන ලද වෙනත් වනාන්තර ප්‍රදේශයක කලින් සැලසුම් කළ මාර්ගයක් ඔස්සේ මෝටර් රථය සාර්ථකව ධාවනය කළේය.
“අපගේ පද්ධතිය සමඟින්, ඔබ සෑම මාර්ගයකම කල්තියා පුහුණු කිරීමට අවශ්ය නැත” යනුවෙන් MIT උපාධිධාරී ශිෂ්‍යයෙකු වන අධ්‍යයන කතුවරයා වන ඇලෙක්සැන්ඩර් අමිනි පවසයි. "ඔබේ මෝටර් රථය මින් පෙර කවදාවත් දැක නැති මාර්ගවල සැරිසැරීමට ඔබට නව සිතියමක් බාගත කළ හැක."
“අපගේ ඉලක්කය වන්නේ නව පරිසරයක රිය පැදවීමට ඔරොත්තු දෙන ස්වයංක්‍රීය සංචාලනයක් නිර්මාණය කිරීමයි,” පරිගණක විද්‍යාව සහ කෘතිම බුද්ධි රසායනාගාරයේ (CSAIL) අධ්‍යක්ෂ ඩැනියෙලා රුස් සම-කර්තෘ එකතු කරයි. "උදාහරණයක් ලෙස, අපි කේම්බ්‍රිජ් වීදි වැනි නාගරික පරිසරයක ධාවනය කිරීමට ස්වයංක්‍රීය වාහනයක් පුහුණු කරන්නේ නම්, පද්ධතියට එවැනි පරිසරයක් මින් පෙර දැක නොමැති වුවද වනාන්තරයක සුමටව ධාවනය කිරීමට හැකි විය යුතුය."
දේශීයකරණය, සිතියම්ගත කිරීම, වස්තු හඳුනාගැනීම, චලන සැලසුම්කරණය සහ සුක්කානම වැනි කාර්යයන් සඳහා වින්‍යාස කර ඇති බහු මොඩියුල හරහා සම්ප්‍රදායික නාවික පද්ධති සංවේදක දත්ත සකසයි. වසර ගණනාවක් පුරා, Daniela ගේ කණ්ඩායම සංවේදක දත්ත සැකසීමට සහ විශේෂිත මොඩියුලයන් අවශ්‍යතාවයකින් තොරව මෝටර් රථය පාලනය කරන අන්තයේ සිට අවසානය දක්වා සංචාලන පද්ධති සංවර්ධනය කර ඇත. කෙසේ වෙතත්, මේ වන තුරු, මෙම ආකෘති දැඩි ලෙස භාවිතා කර ඇත්තේ මාර්ගයේ ආරක්ෂිත ගමනක් සඳහා කිසිදු සැබෑ අරමුණකින් තොරව ය. නව කාර්යයේදී, පර්යේෂකයන් කලින් නොදන්නා පරිසරයක් තුළ ඉලක්කයට ගමනාන්තය චලනය සඳහා ඔවුන්ගේ අන්තයේ සිට අවසානය දක්වා පද්ධතිය පිරිපහදු කළහ. මෙය සිදු කිරීම සඳහා, විද්‍යාඥයන් රිය පැදවීමේදී ඕනෑම අවස්ථාවක හැකි සියලු පාලන විධානයන් සඳහා සම්පූර්ණ සම්භාවිතා ව්‍යාප්තිය පුරෝකථනය කිරීමට ඔවුන්ගේ ස්වයංක්‍රීය නියමුව පුහුණු කරන ලදී.
පද්ධතිය රූප හඳුනාගැනීම සඳහා බහුලව භාවිතා වන convolutional neural network (CNN) ලෙස හඳුන්වන යන්ත්‍ර ඉගෙනුම් ආකෘතියක් භාවිතා කරයි. පුහුණුව අතරතුර, පද්ධතිය මිනිස් රියදුරෙකුගේ රිය පැදවීමේ හැසිරීම නිරීක්ෂණය කරයි. CNN සුක්කානම් රෝද හැරීම් මාර්ගයේ වක්‍රය සමඟ සහසම්බන්ධ කරයි, එය කැමරා හරහා සහ එහි කුඩා සිතියම මත නිරීක්ෂණය කරයි. එහි ප්‍රතිඵලයක් වශයෙන්, පද්ධතිය සෘජු මාර්ග, හතරමං මංසන්ධි හෝ ටී-හන්දි, ගෑරුප්පු සහ හැරීම් වැනි විවිධ රිය පැදවීමේ අවස්ථා සඳහා බොහෝ දුරට ඉඩ ඇති සුක්කානම් විධාන ඉගෙන ගනී.
"මුලදී, ටී-ඡේදනයකදී, මෝටර් රථයකට හැරවිය හැකි විවිධ දිශාවන් තිබේ," රුස් පවසයි. "ආදර්ශය ආරම්භ වන්නේ මෙම සියලු දිශාවන් ගැන සිතා බැලීමෙන් වන අතර, CNN විසින් මාර්ගයේ යම් යම් තත්වයන් තුළ මිනිසුන් කරන දේ ගැන වැඩි වැඩියෙන් දත්ත ලබා ගන්නා විට, සමහර රියදුරන් වමට හැරී අනෙක් අය දකුණට හැරෙන බව පෙනෙනු ඇත, නමුත් කිසිවෙකු කෙලින්ම යන්නේ නැත. . කෙළින්ම ඉදිරිය හැකි දිශාවක් ලෙස බැහැර කර ඇති අතර, T-හන්දිවලදී එය වමට හෝ දකුණට පමණක් ගමන් කළ හැකි බව ආකෘතිය නිගමනය කරයි.
රිය පැදවීමේදී, සීඑන්එන් කැමරාවලින් දෘෂ්‍ය මාර්ග විශේෂාංග උපුටා ගන්නා අතර එමඟින් සිදුවිය හැකි මාර්ග වෙනස්වීම් පුරෝකථනය කිරීමට ඉඩ සලසයි. උදාහරණයක් ලෙස, එය ඉදිරි මංසන්ධියක සලකුණු ලෙස රතු නැවතුම් ලකුණක් හෝ පාරේ පැත්තේ කැඩුණු රේඛාවක් හඳුනා ගනී. සෑම මොහොතකම, එය වඩාත් නිවැරදි විධානය තේරීමට පාලන විධානවල පුරෝකථනය කළ සම්භාවිතා ව්‍යාප්තිය භාවිතා කරයි.
පර්යේෂකයන්ට අනුව, ඔවුන්ගේ ස්වයංක්‍රීය නියමුවා ගබඩා කිරීමට සහ සැකසීමට අතිශයින් පහසු සිතියම් භාවිතා කරන බව සැලකිල්ලට ගැනීම වැදගත්ය. ස්වයංක්‍රීය පාලන පද්ධති සාමාන්‍යයෙන් ලයිඩර් සිතියම් භාවිතා කරයි, එය සැන් ෆ්‍රැන්සිස්කෝ නගරය පමණක් ගබඩා කිරීම සඳහා දළ වශයෙන් 4000 GB දත්ත ලබා ගනී. සෑම නව ගමනාන්තයක් සඳහාම, මෝටර් රථය නව සිතියම් භාවිතා කර නිර්මාණය කළ යුතුය, ඒ සඳහා විශාල මතකයක් අවශ්ය වේ. අනෙක් අතට, නව ස්වයංක්‍රීය නියමු භාවිතා කරන සිතියම මුළු ලෝකයම ආවරණය කරන අතර දත්ත ගිගාබයිට් 40 ක් පමණක් භාවිතා කරයි.
ස්වයංක්‍රීය රිය පැදවීමේදී, පද්ධතිය නිරන්තරයෙන් එහි දෘශ්‍ය දත්ත සිතියම් දත්ත සමඟ සංසන්දනය කරන අතර ඕනෑම විෂමතාවයක් සලකුණු කරයි. මෙය ස්වයංක්‍රීය වාහනය පාරේ කොතැනද යන්න වඩා හොඳින් තීරණය කිරීමට උපකාරී වේ. පරස්පර ආදාන තොරතුරු ලැබුණත්, මෝටර් රථය ආරක්ෂිතම මාවතේ පවතින බව මෙය සහතික කරයි: මෝටර් රථය හැරීම් නොමැතිව සෘජු මාර්ගයක ගමන් කරන්නේ නම් සහ GPS මඟින් මෝටර් රථය දකුණට හැරවිය යුතු බව පෙන්නුම් කරයි නම්, මෝටර් රථය කෙලින්ම යන්න හෝ නවත්වන්න දන්නවා.
"සැබෑ ලෝකයේ, සංවේදක අසමත් වේ," Amini පවසයි. "ඕනෑම ශබ්ද සංඥා ලබා ගත හැකි සහ තවමත් මාර්ගයේ නිවැරදිව සැරිසැරීමට හැකි පද්ධතියක් නිර්මාණය කිරීමෙන් අපගේ ස්වයංක්‍රීය නියමුව විවිධ සංවේදක අසමත්වීම් වලට ඔරොත්තු දෙන බව සහතික කර ගැනීමට අපට අවශ්‍යය."
මූලාශ්රය: 3dnews.ru