Ustvarjanje samovozečih avtomobilov, ki lahko sprejemajo odločitve kot ljudje, je bil dolgoletni cilj podjetij, kot so Waymo, GM Cruise, Uber in druga. Intel Mobileye ponuja matematični model varnosti, občutljive na odgovornost (RSS), ki ga podjetje opisuje kot "zdravorazumski" pristop, za katerega je značilno programiranje avtopilota, da se obnaša "lepo", na primer da drugim avtomobilom daje prednost. Po drugi strani pa NVIDIA aktivno razvija Safety Force Field, sistemsko zasnovano tehnologijo odločanja, ki spremlja nevarna dejanja okoliških udeležencev v prometu z analizo podatkov iz senzorjev vozil v realnem času. Zdaj se je tej raziskavi pridružila skupina znanstvenikov s tehnološkega inštituta v Massachusettsu (MIT) in predlagala nov pristop, ki temelji na uporabi zemljevidov, podobnih GPS-u, in vizualnih podatkov, pridobljenih iz kamer, nameščenih na avtomobilu, tako da lahko avtopilot krmari po neznanih ceste, podobne osebi. način.
Ljudje so izjemno dobri v vožnji z avtomobili po cestah, na katerih še nikoli niso bili. Preprosto primerjamo to, kar vidimo okoli sebe, s tem, kar vidimo na naših napravah GPS, da ugotovimo, kje smo in kam moramo iti. Samovozeči avtomobili pa se izjemno težko znajdejo na neznanih odsekih cest. Za vsako novo lokacijo mora avtopilot skrbno analizirati novo pot, pogosto pa se sistemi samodejnega nadzora zanašajo na zapletene 3D zemljevide, ki jim jih dobavitelji pripravijo vnaprej.
V prispevku, predstavljenem ta teden na Mednarodni konferenci o robotiki in avtomatizaciji, raziskovalci MIT opisujejo sistem avtonomne vožnje, ki se "uči" in si zapomni vzorce odločanja človeškega voznika, ko ta navigira po cestah v majhnem mestnem območju samo z uporabo podatkov. iz videa kamere in preprost zemljevid, podoben GPS-u. Izurjeni avtopilot lahko nato vozi avto brez voznika na povsem novi lokaciji, ki simulira človeško vožnjo.
Tako kot človek tudi avtopilot zazna morebitna neskladja med svojim zemljevidom in značilnostmi ceste. To sistemu pomaga ugotoviti, ali so njegov položaj na cesti, senzorji ali zemljevid nepravilni, da lahko popravi smer vozila.
Za prvo usposobitev sistema je človeški operater vozil avtomatizirano Toyoto Prius, opremljeno z več kamerami in osnovnim navigacijskim sistemom GPS za zbiranje podatkov z lokalnih primestnih ulic, vključno z različnimi cestnimi objekti in ovirami. Sistem je nato uspešno zapeljal avto po vnaprej načrtovani poti na drugo gozdno območje, namenjeno testiranju avtonomnih vozil.
»Z našim sistemom vam ni treba vnaprej trenirati na vsaki cesti,« pravi avtor študije Alexander Amini, podiplomski študent MIT. "Lahko prenesete nov zemljevid za svoj avto za navigacijo po cestah, ki jih še niste videli."
"Naš cilj je ustvariti avtonomno navigacijo, ki je odporna na vožnjo v novih okoljih," dodaja soavtorica Daniela Rus, direktorica Laboratorija za računalništvo in umetno inteligenco (CSAIL). "Na primer, če usposobimo avtonomno vozilo za vožnjo v urbanem okolju, kot so ulice Cambridgea, mora biti sistem sposoben nemoteno voziti tudi v gozdu, tudi če še nikoli ni videl takšnega okolja."
Tradicionalni navigacijski sistemi obdelujejo podatke senzorjev prek več modulov, konfiguriranih za naloge, kot so lokalizacija, kartiranje, zaznavanje objektov, načrtovanje gibanja in krmiljenje. Danielina skupina že leta razvija celovite navigacijske sisteme, ki obdelujejo podatke senzorjev in nadzorujejo avto brez potrebe po specializiranih modulih. Do sedaj pa so se ti modeli uporabljali izključno za varno vožnjo po cesti, brez pravega namena. V novem delu so raziskovalci izpopolnili svoj sistem od konca do konca za gibanje od cilja do cilja v prej neznanem okolju. Da bi to naredili, so znanstveniki svojega avtopilota usposobili za napovedovanje celotne porazdelitve verjetnosti za vse možne ukaze za upravljanje kadar koli med vožnjo.
Sistem uporablja model strojnega učenja, imenovan konvolucijska nevronska mreža (CNN), ki se običajno uporablja za prepoznavanje slik. Med treningom sistem opazuje vedenje voznika pri vožnji. CNN povezuje obračanje volana z ukrivljenostjo ceste, ki jo opazuje s kamerami in na svojem majhnem zemljevidu. Posledično se sistem nauči najverjetnejših krmilnih ukazov za različne vozne situacije, kot so ravne ceste, štirismerna križišča ali T-križišča, razcepi in zavoji.
»Na začetku v T-križišču lahko avto zavije v veliko različnih smeri,« pravi Rus. »Model začne z razmišljanjem o vseh teh smereh in ko CNN dobiva vedno več podatkov o tem, kaj ljudje počnejo v določenih situacijah na cesti, bo videl, da nekateri vozniki zavijejo levo, drugi pa desno, vendar nihče ne gre neposredno . Premočrtno gibanje je izključeno kot možna smer in model sklepa, da se na T-križiščih lahko premika le levo ali desno.«
Med vožnjo CNN iz kamer izvleče tudi vizualne značilnosti cest, kar mu omogoča predvidevanje možnih sprememb poti. Na primer, prepozna rdeč znak stop ali prekinjeno črto ob cesti kot znake prihajajočega križišča. V vsakem trenutku uporablja predvideno porazdelitev verjetnosti krmilnih ukazov, da izbere najpravilnejši ukaz.
Pomembno je omeniti, da po mnenju raziskovalcev njihov avtopilot uporablja zemljevide, ki jih je izjemno enostavno shraniti in obdelati. Avtonomni nadzorni sistemi običajno uporabljajo lidarske zemljevide, ki zavzamejo približno 4000 GB podatkov za shranjevanje samo mesta San Francisco. Za vsako novo destinacijo mora avto uporabiti in ustvariti nove zemljevide, kar zahteva ogromno pomnilnika. Po drugi strani pa zemljevid, ki ga uporablja novi avtopilot, pokriva ves svet in zaseda le 40 gigabajtov podatkov.
Med avtonomno vožnjo sistem tudi stalno primerja svoje vizualne podatke s podatki zemljevida in označuje morebitna neskladja. To pomaga avtonomnemu vozilu bolje določiti, kje na cesti je. In to zagotavlja, da avto ostane na najvarnejši poti, tudi če prejme nasprotujoče si vhodne informacije: če, recimo, avto vozi po ravni cesti brez zavojev in GPS kaže, da mora avto zaviti desno, bo avto vedeti, da greste naravnost ali se ustavite.
»V resničnem svetu senzorji odpovejo,« pravi Amini. "Želimo zagotoviti, da je naš avtopilot odporen na različne okvare senzorjev, tako da ustvarimo sistem, ki lahko sprejme kakršne koli signale hrupa in še vedno pravilno krmari po cesti."
Vir: 3dnews.ru