Krijimi i makinave vetë-drejtuese që mund të marrin vendime të ngjashme me njerëzit, ka qenë një synim i kahershëm i kompanive si Waymo, GM Cruise, Uber dhe të tjera. Intel Mobileye ofron një model matematikor të Sigurisë së Ndjeshme ndaj Përgjegjësisë (RSS), të cilin kompania e përshkruan si një qasje "mendje të shëndoshë" që karakterizohet nga programimi i autopilotit që të sillet në një mënyrë "të mirë", siç është dhënia e të drejtës së kalimit të makinave të tjera . Nga ana tjetër, NVIDIA po zhvillon në mënyrë aktive Safety Force Field, një teknologji vendimmarrëse e bazuar në sistem që monitoron veprimet e pasigurta të përdoruesve të rrugës përreth duke analizuar të dhënat nga sensorët e automjeteve në kohë reale. Tani një grup shkencëtarësh nga Instituti i Teknologjisë në Masaçusets (MIT) i janë bashkuar këtij hulumtimi dhe propozojnë një qasje të re të bazuar në përdorimin e hartave të ngjashme me GPS dhe të dhënave vizuale të marra nga kamerat e instaluara në makinë, në mënyrë që autopilot të mund të lundrojë në të panjohura. rrugë të ngjashme me një person.mënyrë.
Njerëzit janë jashtëzakonisht të mirë në drejtimin e makinave në rrugë në të cilat nuk kanë qenë kurrë më parë. Ne thjesht krahasojmë atë që shohim rreth nesh me atë që shohim në pajisjet tona GPS për të përcaktuar se ku jemi dhe ku duhet të shkojmë. Makinat që drejtojnë vetë, nga ana tjetër, e kanë jashtëzakonisht të vështirë të lundrojnë në pjesë të panjohura të rrugës. Për çdo vendndodhje të re, autopiloti duhet të analizojë me kujdes rrugën e re dhe shpesh sistemet e kontrollit automatik mbështeten në hartat komplekse 3D që furnizuesit i përgatisin paraprakisht për to.
Në një punim të paraqitur këtë javë në Konferencën Ndërkombëtare për Robotikën dhe Automatizimin, studiuesit e MIT përshkruajnë një sistem autonom të drejtimit që "mëson" dhe kujton modelet e vendimmarrjes së një shoferi njerëzor ndërsa ata lundrojnë në rrugë në një zonë të vogël qyteti duke përdorur vetëm të dhëna nga video. kamera dhe një hartë e thjeshtë si GPS. Autopiloti i trajnuar më pas mund të drejtojë makinën pa shofer në një vend krejtësisht të ri, duke simuluar drejtimin e njerëzve.
Ashtu si një njeri, autopiloti gjithashtu zbulon çdo mospërputhje midis hartës së tij dhe veçorive të rrugës. Kjo e ndihmon sistemin të përcaktojë nëse pozicioni i tij në rrugë, sensorët ose harta janë të pasakta, në mënyrë që të korrigjojë rrjedhën e automjetit.
Për të trajnuar fillimisht sistemin, një operator njerëzor drejtoi një Toyota Prius të automatizuar të pajisur me kamera të shumta dhe një sistem bazë navigimi GPS për të mbledhur të dhëna nga rrugët lokale periferike, duke përfshirë struktura të ndryshme rrugore dhe pengesa. Sistemi më pas e drejtoi me sukses makinën përgjatë një rruge të para-planifikuar në një zonë tjetër pyjore të destinuar për testimin e automjeteve autonome.
"Me sistemin tonë, ju nuk keni nevojë të stërviteni në çdo rrugë paraprakisht," thotë autori i studimit Alexander Amini, një student i diplomuar në MIT. "Mund të shkarkoni një hartë të re për makinën tuaj për të lundruar në rrugë që nuk janë parë kurrë më parë."
"Qëllimi ynë është të krijojmë navigacion autonom që është elastik ndaj vozitjes në mjedise të reja," shton bashkëautorja Daniela Rus, drejtore e Laboratorit të Shkencave Kompjuterike dhe Inteligjencës Artificiale (CSAIL). “Për shembull, nëse trajnojmë një automjet autonom për të vozitur në një mjedis urban si rrugët e Kembrixhit, sistemi gjithashtu duhet të jetë në gjendje të ngasë pa probleme në një pyll, edhe nëse nuk ka parë kurrë një mjedis të tillë më parë.”
Sistemet tradicionale të navigimit përpunojnë të dhënat e sensorëve përmes moduleve të shumta të konfiguruara për detyra të tilla si lokalizimi, hartëzimi, zbulimi i objekteve, planifikimi i lëvizjes dhe drejtimi. Për vite me radhë, grupi i Danielës ka zhvilluar sisteme navigimi nga skaji në skaj që përpunojnë të dhënat e sensorëve dhe kontrollojnë makinën pa pasur nevojë për ndonjë modul të specializuar. Megjithatë, deri më tani, këto modele janë përdorur rreptësisht për udhëtime të sigurta në rrugë, pa ndonjë qëllim të vërtetë. Në punën e re, studiuesit rafinuan sistemin e tyre nga fundi në fund për lëvizjen nga qëllimi në destinacion në një mjedis të panjohur më parë. Për ta bërë këtë, shkencëtarët trajnuan autopilotin e tyre për të parashikuar shpërndarjen e plotë të probabilitetit për të gjitha komandat e mundshme të kontrollit në çdo kohë gjatë vozitjes.
Sistemi përdor një model të mësimit të makinerive të quajtur një rrjet nervor konvolutional (CNN), i përdorur zakonisht për njohjen e imazheve. Gjatë stërvitjes, sistemi vëzhgon sjelljen e drejtimit të një shoferi njerëzor. CNN lidh kthesat e timonit me lakimin e rrugës, të cilën e vëzhgon përmes kamerave dhe në hartën e saj të vogël. Si rezultat, sistemi mëson komandat më të mundshme të drejtimit për situata të ndryshme drejtimi, të tilla si rrugët e drejta, kryqëzimet me katër drejtime ose kryqëzimet T, pirunët dhe kthesat.
"Fillimisht, në një kryqëzim T, ka shumë drejtime të ndryshme që një makinë mund të kthehet," thotë Rus. “Modeli fillon duke menduar për të gjitha këto drejtime, dhe ndërsa CNN merr gjithnjë e më shumë të dhëna për atë që njerëzit po bëjnë në situata të caktuara në rrugë, do të shohë që disa shoferë kthehen majtas dhe të tjerë kthehen djathtas, por askush nuk shkon drejtpërdrejt. . Drejt përpara është përjashtuar si një drejtim i mundshëm, dhe modeli arrin në përfundimin se në kryqëzimet T mund të lëvizë vetëm majtas ose djathtas.
Gjatë vozitjes, CNN nxjerr gjithashtu veçori vizuale të rrugës nga kamerat, duke e lejuar atë të parashikojë ndryshimet e mundshme të rrugës. Për shembull, ai identifikon një shenjë ndalimi të kuqe ose një vijë të thyer në anë të rrugës si shenja të një kryqëzimi të ardhshëm. Në çdo moment, ai përdor shpërndarjen e parashikuar të probabilitetit të komandave të kontrollit për të zgjedhur komandën më të saktë.
Është e rëndësishme të theksohet se, sipas studiuesve, autopiloti i tyre përdor harta që janë jashtëzakonisht të lehta për t'u ruajtur dhe përpunuar. Sistemet e kontrollit autonome zakonisht përdorin harta lidar, të cilat marrin afërsisht 4000 GB të dhëna për të ruajtur vetëm qytetin e San Franciskos. Për çdo destinacion të ri, makina duhet të përdorë dhe të krijojë harta të reja, gjë që kërkon një sasi të madhe memorie. Nga ana tjetër, harta e përdorur nga Autopilot i ri mbulon të gjithë botën, ndërsa zë vetëm 40 gigabajt të dhëna.
Gjatë drejtimit autonom, sistemi gjithashtu krahason vazhdimisht të dhënat e tij vizuale me të dhënat e hartës dhe shënon çdo mospërputhje. Kjo ndihmon automjetin autonom të përcaktojë më mirë se ku ndodhet në rrugë. Dhe kjo siguron që makina të qëndrojë në rrugën më të sigurt, edhe nëse merr informacion kontradiktore hyrëse: nëse, të themi, makina po udhëton në një rrugë të drejtë pa kthesa dhe GPS tregon që makina duhet të kthehet djathtas, makina do të di të shkojë drejt ose të ndalojë.
"Në botën reale, sensorët dështojnë," thotë Amini. “Ne duam të sigurohemi që piloti ynë automatik të jetë elastik ndaj dështimeve të ndryshme të sensorëve duke krijuar një sistem që mund të marrë çdo sinjal zhurme dhe të lundrojë rrugën në mënyrë korrekte.”
Burimi: 3dnews.ru