Att skapa självkörande bilar som kan fatta mänskliga beslut har varit ett långvarigt mål för företag som Waymo, GM Cruise, Uber och andra. Intel Mobileye erbjuder en matematisk modell för Responsibility-Sensitive Safety (RSS), som företaget beskriver som ett "sunt förnuft" som kännetecknas av att programmera autopiloten så att den beter sig på ett "bra" sätt, som att ge andra bilar företräde . Å andra sidan utvecklar NVIDIA aktivt Safety Force Field, en systembaserad teknik för beslutsfattande som övervakar osäkra handlingar från omgivande trafikanter genom att analysera data från fordonssensorer i realtid. Nu har en grupp forskare från Massachusetts Institute of Technology (MIT) anslutit sig till denna forskning och föreslagit ett nytt tillvägagångssätt baserat på användningen av GPS-liknande kartor och visuella data erhållna från kameror installerade på bilen så att autopiloten kan navigera på okända vägar som liknar en person. sätt.
Människor är exceptionellt bra på att köra bil på vägar de aldrig har varit på förut. Vi jämför helt enkelt vad vi ser omkring oss med vad vi ser på våra GPS-enheter för att avgöra var vi är och vart vi behöver åka. Självkörande bilar har däremot extremt svårt att navigera på okända vägavsnitt. För varje ny plats måste autopiloten noggrant analysera den nya rutten, och ofta förlitar sig automatiska styrsystem på komplexa 3D-kartor som leverantörerna förbereder för dem i förväg.
I en artikel som presenterades denna vecka vid den internationella konferensen om robotik och automation, beskriver MIT-forskare ett autonomt körsystem som "lär sig" och kommer ihåg en mänsklig förares beslutsmönster när de navigerar på vägar i ett litet stadsområde med enbart data. kameror och en enkel GPS-liknande karta. Den utbildade autopiloten kan sedan köra den förarlösa bilen på en helt ny plats, som simulerar mänsklig körning.
Precis som en människa upptäcker autopiloten även eventuella avvikelser mellan kartan och vägegenskaperna. Detta hjälper systemet att avgöra om dess position på vägen, sensorer eller kartor är felaktiga så att det kan korrigera fordonets kurs.
För att initialt träna systemet körde en mänsklig operatör en automatiserad Toyota Prius utrustad med flera kameror och ett grundläggande GPS-navigeringssystem för att samla in data från lokala förortsgator, inklusive olika vägstrukturer och hinder. Systemet körde sedan framgångsrikt bilen längs en förplanerad rutt i ett annat skogsområde avsett för att testa autonoma fordon.
"Med vårt system behöver du inte träna på alla vägar i förväg", säger studieförfattaren Alexander Amini, en doktorand vid MIT. "Du kan ladda ner en ny karta för din bil för att navigera på vägar som den aldrig sett förut."
"Vårt mål är att skapa autonom navigering som är motståndskraftig mot att köra i nya miljöer", tillägger medförfattaren Daniela Rus, chef för Computer Science and Artificial Intelligence Laboratory (CSAIL). "Om vi till exempel tränar ett autonomt fordon att köra i en stadsmiljö som Cambridges gator, måste systemet också kunna köra smidigt i en skog, även om det aldrig har sett en sådan miljö förut."
Traditionella navigationssystem bearbetar sensordata genom flera moduler konfigurerade för uppgifter som lokalisering, kartläggning, objektdetektering, rörelseplanering och styrning. Danielas grupp har i flera år utvecklat end-to-end navigationssystem som bearbetar sensordata och styr bilen utan behov av några specialiserade moduler. Fram till nu har dessa modeller dock använts strikt för säker färd på vägen, utan något egentligt syfte. I det nya arbetet förfinade forskarna sitt slut-till-ände-system för mål-till-destination-rörelse i en tidigare okänd miljö. För att göra detta tränade forskare sin autopilot att förutsäga den fullständiga sannolikhetsfördelningen för alla möjliga kontrollkommandon när som helst under körning.
Systemet använder en maskininlärningsmodell som kallas ett konvolutionellt neuralt nätverk (CNN), som vanligtvis används för bildigenkänning. Under träningen observerar systemet körbeteendet hos en mänsklig förare. CNN korrelerar rattsvängar med vägens kurvatur, som den observerar genom kameror och på sin lilla karta. Som ett resultat lär systemet sig de mest sannolika styrkommandona för olika körsituationer, såsom raka vägar, fyrvägskorsningar eller T-korsningar, gafflar och svängar.
"Inledningsvis, vid en T-korsning, finns det många olika riktningar en bil kan svänga", säger Rus. "Modellen börjar med att tänka på alla dessa riktningar, och när CNN får mer och mer information om vad människor gör i vissa situationer på vägen, kommer den att se att vissa förare svänger vänster och andra svänger höger, men ingen går direkt . Rakt fram är uteslutet som en möjlig riktning, och modellen drar slutsatsen att den vid T-korsningar bara kan röra sig åt vänster eller höger.”
Under körning extraherar CNN också visuella vägegenskaper från kameror, vilket gör att den kan förutse möjliga ruttändringar. Till exempel identifierar den en röd stoppskylt eller en streckad linje på sidan av vägen som tecken på en kommande korsning. Vid varje ögonblick använder den den förutsagda sannolikhetsfördelningen av kontrollkommandon för att välja det mest korrekta kommandot.
Det är viktigt att notera att deras autopilot, enligt forskarna, använder kartor som är extremt enkla att lagra och bearbeta. Autonoma kontrollsystem använder vanligtvis lidar-kartor, som tar upp cirka 4000 40 GB data för att lagra bara staden San Francisco. För varje ny destination måste bilen använda och skapa nya kartor, vilket kräver en enorm mängd minne. Å andra sidan täcker kartan som används av den nya autopiloten hela världen samtidigt som den endast upptar XNUMX gigabyte data.
Under autonom körning jämför systemet också hela tiden sina visuella data med kartdata och flaggar eventuella avvikelser. Detta hjälper det autonoma fordonet att bättre avgöra var det är på vägen. Och detta säkerställer att bilen stannar på den säkraste vägen, även om den får motstridig ingångsinformation: om, säg, bilen färdas på en rak väg utan svängar, och GPS:en indikerar att bilen ska svänga höger, kommer bilen att vet att gå rakt eller stanna.
"I den verkliga världen misslyckas sensorer", säger Amini. "Vi vill försäkra oss om att vår autopilot är motståndskraftig mot olika sensorfel genom att skapa ett system som kan ta emot alla brussignaler och fortfarande navigera vägen korrekt."
Källa: 3dnews.ru