Vytváranie samoriadiacich áut, ktoré dokážu robiť rozhodnutia ako ľudia, je dlhodobým cieľom spoločností ako Waymo, GM Cruise, Uber a ďalších. Intel Mobileye ponúka matematický model Responsibility-Sensitive Safety (RSS), ktorý spoločnosť popisuje ako prístup „zdravého rozumu“, ktorý sa vyznačuje naprogramovaním autopilota tak, aby sa správal „dobrým“ spôsobom, ako napríklad dať prednosť iným autám. . Na druhej strane NVIDIA aktívne vyvíja Safety Force Field, systémovú rozhodovaciu technológiu, ktorá monitoruje nebezpečné akcie okolitých účastníkov cestnej premávky analyzovaním údajov zo senzorov vozidla v reálnom čase. Teraz sa k tomuto výskumu pridala skupina vedcov z Massachusettského technologického inštitútu (MIT) a navrhla nový prístup založený na použití máp podobných GPS a vizuálnych údajov získaných z kamier nainštalovaných na aute, aby autopilot mohol navigovať na neznámych miestach. cesty podobné osobe.cesta.
Ľudia sú mimoriadne dobrí v jazde na autách po cestách, po ktorých nikdy predtým neboli. Jednoducho porovnávame to, čo vidíme okolo seba, s tým, čo vidíme na našich zariadeniach GPS, aby sme určili, kde sa nachádzame a kam musíme ísť. Samoriadiace autá sa naopak mimoriadne ťažko orientujú na neznámych úsekoch cesty. Pre každé nové miesto musí autopilot starostlivo analyzovať novú trasu a automatické riadiace systémy sa často spoliehajú na zložité 3D mapy, ktoré im dodávatelia vopred pripravia.
V príspevku prezentovanom tento týždeň na Medzinárodnej konferencii o robotike a automatizácii výskumníci z MIT opisujú systém autonómneho riadenia, ktorý sa „učí“ a pamätá si vzorce rozhodovania ľudského vodiča, keď sa pohybujú po cestách v malej mestskej oblasti iba pomocou údajov. z videa kamery a jednoduchú mapu podobnú GPS. Vycvičený autopilot potom môže riadiť auto bez vodiča na úplne novom mieste, simulujúcom ľudskú jazdu.
Rovnako ako človek, aj autopilot zisťuje akékoľvek nezrovnalosti medzi svojou mapou a vlastnosťami cesty. To pomáha systému určiť, či jeho poloha na ceste, senzory alebo mapa sú nesprávne, aby mohol opraviť smer vozidla.
Na úvodný výcvik systému riadil ľudský operátor automatizovanú Toyotu Prius vybavenú viacerými kamerami a základným navigačným systémom GPS na zhromažďovanie údajov z miestnych predmestských ulíc vrátane rôznych cestných štruktúr a prekážok. Systém potom úspešne viedol auto po vopred naplánovanej trase v inej zalesnenej oblasti určenej na testovanie autonómnych vozidiel.
„S naším systémom nemusíte trénovať na každej ceste vopred,“ hovorí autor štúdie Alexander Amini, absolvent MIT. "Môžete si stiahnuť novú mapu pre svoje auto, aby ste sa mohli pohybovať po cestách, ktoré ste ešte nevideli."
„Naším cieľom je vytvoriť autonómnu navigáciu, ktorá je odolná voči jazde v nových prostrediach,“ dodáva spoluautorka Daniela Rus, riaditeľka Laboratória počítačovej vedy a umelej inteligencie (CSAIL). „Napríklad, ak trénujeme autonómne vozidlo na jazdu v mestskom prostredí, ako sú ulice Cambridge, systém musí byť schopný plynule jazdiť aj v lese, aj keď takéto prostredie ešte nikdy nevidel.“
Tradičné navigačné systémy spracúvajú údaje zo senzorov prostredníctvom viacerých modulov nakonfigurovaných pre úlohy, ako je lokalizácia, mapovanie, detekcia objektov, plánovanie pohybu a riadenie. Danielina skupina už roky vyvíja komplexné navigačné systémy, ktoré spracúvajú dáta zo senzorov a ovládajú auto bez potreby akýchkoľvek špecializovaných modulov. Doteraz však tieto modely slúžili výlučne na bezpečné cestovanie na cestách, bez skutočného účelu. V novej práci výskumníci zdokonalili svoj end-to-end systém pre pohyb z cieľa do cieľa v predtým neznámom prostredí. Za týmto účelom vedci vycvičili svojho autopilota, aby predpovedal úplné rozdelenie pravdepodobnosti pre všetky možné ovládacie príkazy kedykoľvek počas jazdy.
Systém využíva model strojového učenia nazývaný konvolučná neurónová sieť (CNN), ktorý sa bežne používa na rozpoznávanie obrázkov. Počas výcviku systém sleduje jazdné správanie ľudského vodiča. CNN koreluje otáčanie volantu so zakrivením vozovky, ktoré pozoruje prostredníctvom kamier a na svojej malej mape. Výsledkom je, že systém sa naučí najpravdepodobnejšie povely riadenia pre rôzne jazdné situácie, ako sú rovné cesty, štvorcestné križovatky alebo T-križovatky, odbočky a zákruty.
„Spočiatku na križovatke T existuje veľa rôznych smerov, ktorými sa môže auto otočiť,“ hovorí Rus. „Model začína premýšľaním o všetkých týchto smeroch a keďže CNN získava stále viac údajov o tom, čo ľudia robia v určitých situáciách na ceste, zistí, že niektorí vodiči odbočujú doľava a iní doprava, ale nikto nejde priamo. . Priamo vpred je ako možný smer vylúčený a model dospel k záveru, že na križovatkách v tvare T sa môže pohybovať iba doľava alebo doprava.“
Počas jazdy CNN získava z kamier aj vizuálne prvky cesty, čo jej umožňuje predpovedať možné zmeny trasy. Napríklad identifikuje červenú stopku alebo prerušovanú čiaru na okraji cesty ako značky blížiacej sa križovatky. V každom okamihu používa predpovedané rozloženie pravdepodobnosti riadiacich príkazov na výber toho najsprávnejšieho príkazu.
Je dôležité poznamenať, že podľa vedcov ich autopilot používa mapy, ktoré sú mimoriadne jednoduché na ukladanie a spracovanie. Autonómne riadiace systémy zvyčajne používajú mapy lidar, ktoré zaberajú približne 4000 40 GB údajov na uloženie len mesta San Francisco. Pre každý nový cieľ musí auto používať a vytvárať nové mapy, čo si vyžaduje obrovské množstvo pamäte. Na druhej strane mapa používaná novým Autopilotom pokrýva celý svet, pričom zaberá len XNUMX gigabajtov dát.
Počas autonómnej jazdy systém tiež neustále porovnáva svoje vizuálne údaje s údajmi mapy a označuje prípadné nezrovnalosti. To pomáha autonómnemu vozidlu lepšie určiť, kde sa na ceste nachádza. A to zaisťuje, že auto zostane na najbezpečnejšej ceste, aj keď dostane protichodné vstupné informácie: ak, povedzme, auto ide po rovnej ceste bez odbočenia a GPS signalizuje, že auto by malo odbočiť doprava, auto vedieť ísť rovno alebo zastaviť.
„V skutočnom svete senzory zlyhávajú,“ hovorí Amini. „Chceme sa uistiť, že náš autopilot je odolný voči rôznym poruchám senzorov vytvorením systému, ktorý dokáže prijímať akékoľvek hlukové signály a stále správne navigovať po ceste.“
Zdroj: 3dnews.ru