Видео: Научници са МИТ-а направили су аутопилот више налик човеку

Стварање самовозећих аутомобила који могу доносити одлуке попут људи био је дугогодишњи циљ компанија као што су Ваимо, ГМ Цруисе, Убер и друге. Интел Мобилеие нуди математички модел за сигурност осетљиву на одговорност (РСС), који компанија описује као приступ „здравог разума“ који карактерише програмирање аутопилота да се понаша на „добар“ начин, као што је давање предности другим аутомобилима . С друге стране, НВИДИА активно развија Сафети Форце Фиелд, системску технологију одлучивања која прати несигурне акције околних учесника у саобраћају анализирајући податке са сензора возила у реалном времену. Сада се група научника са Масачусетског технолошког института (МИТ) придружила овом истраживању и предложила нови приступ заснован на коришћењу мапа сличних ГПС-у и визуелних података добијених од камера инсталираних на аутомобилу тако да аутопилот може да се креће на непознатом путеви слични човеку.

Људи су изузетно добри у вожњи аутомобила на путевима на којима никада раније нису били. Једноставно упоређујемо оно што видимо око себе са оним што видимо на нашим ГПС уређајима да бисмо утврдили где смо и куда треба да идемо. С друге стране, аутомобилима који се сами возе изузетно је тешко кретати се непознатим деловима пута. За сваку нову локацију, аутопилот треба да пажљиво анализира нову руту, а често се системи аутоматске контроле ослањају на сложене 3Д мапе које добављачи припремају за њих унапред.

У раду представљеном ове недеље на Међународној конференцији о роботици и аутоматизацији, истраживачи са МИТ-а описују систем аутономне вожње који „учи“ и памти обрасце одлучивања код људи док се крећу путевима у малом граду користећи само податке из видео записа камере и једноставну карту налик ГПС-у. Обучени аутопилот тада може возити аутомобил без возача на потпуно новој локацији, симулирајући људску вожњу.

Као и човек, аутопилот такође открива било какве разлике између његове карте и карактеристика пута. Ово помаже систему да утврди да ли је његова позиција на путу, сензори или мапа нетачни како би могао да исправи курс возила.

Да би првобитно обучио систем, људски оператер је возио аутоматизовану Тојоту Приус опремљену са више камера и основним ГПС навигационим системом за прикупљање података са локалних приградских улица, укључујући различите путне структуре и препреке. Систем је затим успешно возио аутомобил по унапред планираној рути у другом шумовитом подручју намењеном за тестирање аутономних возила.

„Са нашим системом, не морате да тренирате на сваком путу унапред“, каже аутор студије Алекандер Амини, студент МИТ-а. „Можете да преузмете нову мапу за свој аутомобил да бисте се кретали путевима које никада раније нисте видели.“

„Наш циљ је да створимо аутономну навигацију која је отпорна на вожњу у новим окружењима“, додаје коауторка Даниела Рус, директорка Лабораторије за рачунарске науке и вештачку интелигенцију (ЦСАИЛ). „На пример, ако обучавамо аутономно возило да вози у урбаном окружењу као што су улице Кембриџа, систем такође мора бити у стању да несметано вози у шуми, чак и ако никада раније није видео такво окружење.

Традиционални навигациони системи обрађују податке сензора кроз више модула конфигурисаних за задатке као што су локализација, мапирање, детекција објеката, планирање кретања и управљање. Даниелина група већ годинама развија навигационе системе од краја до краја који обрађују податке сензора и контролишу аутомобил без потребе за било каквим специјализованим модулима. Међутим, до сада су ови модели коришћени искључиво за безбедно путовање на путу, без икакве праве сврхе. У новом раду, истраживачи су побољшали свој систем од краја до краја за кретање од циља до одредишта у раније непознатом окружењу. Да би то урадили, научници су обучили свог аутопилота да предвиди пуну дистрибуцију вероватноће за све могуће контролне команде у било ком тренутку током вожње.

Систем користи модел машинског учења назван конволуциона неуронска мрежа (ЦНН), који се обично користи за препознавање слика. Током обуке, систем посматра понашање човека у вожњи у вожњи. ЦНН повезује окретање волана са кривином пута, коју посматра преко камера и на својој малој мапи. Као резултат, систем учи највероватније команде управљања за различите ситуације у вожњи, као што су прави путеви, четворосмерне раскрснице или Т-раскрснице, рачвања и скретања.

„У почетку, на Т-раскрсници, постоји много различитих праваца у којима аутомобил може да скрене“, каже Рус. „Модел почиње размишљањем о свим овим правцима, а како ЦНН добија све више података о томе шта људи раде у одређеним ситуацијама на путу, видеће да неки возачи скрећу лево, а други десно, али нико не иде директно. . Право напред је искључено као могући правац, а модел закључује да се на Т-раскрсницама може кретати само лево или десно."

Током вожње, ЦНН такође издваја визуелне карактеристике пута из камера, омогућавајући му да предвиди могуће промене руте. На пример, идентификује црвени знак за заустављање или испрекидану линију на страни пута као знаке предстојеће раскрснице. У сваком тренутку користи предвиђену дистрибуцију вероватноће контролних команди да изабере најтачнију команду.

Важно је напоменути да, према истраживачима, њихов аутопилот користи мапе које су изузетно једноставне за складиштење и обраду. Аутономни контролни системи обично користе лидарске мапе, које заузимају приближно 4000 ГБ података за складиштење само града Сан Франциска. За сваку нову дестинацију аутомобил мора да користи и креира нове мапе, што захтева огромну количину меморије. С друге стране, мапа коју користи нови аутопилот покрива цео свет док заузима само 40 гигабајта података.

Током аутономне вожње, систем такође константно упоређује своје визуелне податке са подацима мапе и означава сва неслагања. Ово помаже аутономном возилу да боље одреди где се налази на путу. И то осигурава да аутомобил остане на најсигурнијој путањи, чак и ако добије конфликтне улазне информације: ако, рецимо, аутомобил путује правим путем без скретања, а ГПС показује да аутомобил треба да скрене десно, аутомобил ће знати да иде право или да се заустави.

„У стварном свету сензори отказују“, каже Амини. „Желимо да будемо сигурни да је наш аутопилот отпоран на различите кварове сензора тако што ћемо креирати систем који може да прими било какве сигнале буке и да се и даље правилно креће путем.

Извор: 3дневс.ру