மனிதனைப் போன்ற முடிவுகளை எடுக்கக்கூடிய சுய-ஓட்டுநர் கார்களை உருவாக்குவது Waymo, GM Cruise, Uber மற்றும் பிற நிறுவனங்களின் நீண்டகால இலக்காகும். Intel Mobileye ஒரு பொறுப்பு-உணர்திறன் பாதுகாப்பு (RSS) கணித மாதிரியை வழங்குகிறது, இது ஒரு "பொது அறிவு" அணுகுமுறையாக விவரிக்கிறது, இது தன்னியக்க பைலட்டை "நல்ல" வழியில் செயல்பட நிரலாக்குவதன் மூலம் வகைப்படுத்தப்படுகிறது, அதாவது மற்ற கார்களுக்கு சரியான வழியை வழங்குதல் . மறுபுறம், NVIDIA, பாதுகாப்பு படை களத்தை தீவிரமாக உருவாக்கி வருகிறது, இது ஒரு அமைப்பு அடிப்படையிலான முடிவெடுக்கும் தொழில்நுட்பமாகும், இது வாகன உணரிகளின் தரவை உண்மையான நேரத்தில் பகுப்பாய்வு செய்வதன் மூலம் சுற்றியுள்ள சாலை பயனர்களின் பாதுகாப்பற்ற செயல்களைக் கண்காணிக்கிறது. இப்போது Massachusetts Institute of Technology (MIT) இன் விஞ்ஞானிகள் குழு இந்த ஆராய்ச்சியில் இணைந்து, GPS போன்ற வரைபடங்கள் மற்றும் காரில் நிறுவப்பட்ட கேமராக்களில் இருந்து பெறப்பட்ட காட்சித் தரவுகளைப் பயன்படுத்துவதன் அடிப்படையில் ஒரு புதிய அணுகுமுறையை முன்மொழிந்துள்ளது. ஒரு நபரைப் போன்ற சாலைகள்.
மக்கள் இதுவரை சென்றிராத சாலைகளில் கார்களை ஓட்டுவதில் மிகவும் திறமையானவர்கள். நாம் எங்கு இருக்கிறோம், எங்கு செல்ல வேண்டும் என்பதைத் தீர்மானிக்க, ஜிபிஎஸ் சாதனங்களில் நாம் பார்ப்பதைச் சுற்றிலும் நாம் காண்பதை ஒப்பிட்டுப் பார்க்கிறோம். மறுபுறம், சுய-ஓட்டுநர் கார்கள், சாலையின் தெரியாத பகுதிகளுக்கு செல்ல மிகவும் கடினமாக உள்ளது. ஒவ்வொரு புதிய இடத்திற்கும், தன்னியக்க பைலட் புதிய வழியை கவனமாக பகுப்பாய்வு செய்ய வேண்டும், மேலும் பெரும்பாலும் தானியங்கி கட்டுப்பாட்டு அமைப்புகள் சிக்கலான 3D வரைபடங்களை நம்பியிருக்கின்றன, அவை சப்ளையர்கள் முன்கூட்டியே தயார் செய்கின்றன.
ரோபாட்டிக்ஸ் மற்றும் ஆட்டோமேஷன் மீதான சர்வதேச மாநாட்டில் இந்த வாரம் சமர்ப்பிக்கப்பட்ட ஒரு ஆய்வறிக்கையில், MIT ஆராய்ச்சியாளர்கள் ஒரு தன்னாட்சி ஓட்டுநர் அமைப்பை விவரிக்கிறார்கள், இது ஒரு சிறிய நகரப் பகுதியில் உள்ள சாலைகளில் தரவுகளை மட்டுமே கொண்டு செல்லும்போது மனித ஓட்டுநர் முடிவெடுக்கும் முறைகளை "கற்று" நினைவில் கொள்கிறது. கேமராக்கள் மற்றும் ஒரு எளிய ஜிபிஎஸ் போன்ற வரைபடம். பயிற்சி பெற்ற தன்னியக்க பைலட், ஓட்டுநர் இல்லாத காரை முற்றிலும் புதிய இடத்தில் ஓட்டி, மனித ஓட்டுதலை உருவகப்படுத்த முடியும்.
ஒரு மனிதனைப் போலவே, தன்னியக்க பைலட்டும் அதன் வரைபடத்திற்கும் சாலை அம்சங்களுக்கும் இடையில் ஏதேனும் முரண்பாடுகளைக் கண்டறியும். சாலை, சென்சார்கள் அல்லது வரைபடத்தில் அதன் நிலை தவறாக உள்ளதா என்பதை கணினி தீர்மானிக்க உதவுகிறது, எனவே அது வாகனத்தின் போக்கை சரிசெய்ய முடியும்.
ஆரம்பத்தில் இந்த அமைப்பைப் பயிற்றுவிப்பதற்காக, ஒரு மனித ஆபரேட்டர், பல்வேறு சாலை கட்டமைப்புகள் மற்றும் தடைகள் உட்பட உள்ளூர் புறநகர் தெருக்களில் இருந்து தரவுகளை சேகரிக்க, பல கேமராக்கள் மற்றும் அடிப்படை ஜிபிஎஸ் வழிசெலுத்தல் அமைப்புடன் கூடிய தானியங்கி டொயோட்டா ப்ரியஸை ஓட்டினார். தன்னியக்க வாகனங்களைச் சோதிக்கும் நோக்கத்துடன் மற்றொரு வனப் பகுதியில் முன்கூட்டியே திட்டமிடப்பட்ட பாதையில் இந்த அமைப்பு காரை வெற்றிகரமாக ஓட்டியது.
எம்ஐடி பட்டதாரி மாணவரான அலெக்சாண்டர் அமினி என்பவர் கூறுகையில், "எங்கள் அமைப்பில், ஒவ்வொரு சாலையிலும் நீங்கள் முன்கூட்டியே பயிற்சி பெற வேண்டியதில்லை. "உங்கள் காருக்கு இதுவரை பார்த்திராத சாலைகளில் செல்ல புதிய வரைபடத்தைப் பதிவிறக்கலாம்."
"புதிய சூழல்களில் வாகனம் ஓட்டுவதைத் தாங்கக்கூடிய தன்னாட்சி வழிசெலுத்தலை உருவாக்குவதே எங்கள் குறிக்கோள்" என்று கம்ப்யூட்டர் சயின்ஸ் மற்றும் செயற்கை நுண்ணறிவு ஆய்வகத்தின் (CSAIL) இயக்குனர் டேனிலா ரஸ் கூறுகிறார். "உதாரணமாக, கேம்பிரிட்ஜ் தெருக்கள் போன்ற நகர்ப்புற சூழலில் ஓட்டுவதற்கு ஒரு தன்னாட்சி வாகனத்தை நாங்கள் பயிற்றுவித்தால், அது போன்ற சூழலை முன்பு பார்த்திராவிட்டாலும் கூட, அந்த அமைப்பு ஒரு காட்டில் சீராக ஓட்ட முடியும்."
பாரம்பரிய வழிசெலுத்தல் அமைப்புகள், உள்ளூர்மயமாக்கல், மேப்பிங், பொருள் கண்டறிதல், இயக்க திட்டமிடல் மற்றும் திசைமாற்றி போன்ற பணிகளுக்காக கட்டமைக்கப்பட்ட பல தொகுதிகள் மூலம் சென்சார் தரவை செயலாக்குகின்றன. பல ஆண்டுகளாக, டேனியலா குழுவானது சென்சார் தரவைச் செயலாக்கும் மற்றும் சிறப்புத் தொகுதிகள் தேவையில்லாமல் காரைக் கட்டுப்படுத்தும் எண்ட்-டு-எண்ட் வழிசெலுத்தல் அமைப்புகளை உருவாக்கி வருகிறது. இருப்பினும், இப்போது வரை, இந்த மாதிரிகள் எந்தவொரு உண்மையான நோக்கமும் இல்லாமல், சாலையில் பாதுகாப்பான பயணத்திற்காக கண்டிப்பாகப் பயன்படுத்தப்படுகின்றன. புதிய வேலையில், முன்னர் அறியப்படாத சூழலில் இலக்கு-இலக்கு இயக்கத்திற்கான இறுதி முதல் இறுதி வரையிலான அமைப்பை ஆராய்ச்சியாளர்கள் செம்மைப்படுத்தினர். இதைச் செய்ய, வாகனம் ஓட்டும்போது எந்த நேரத்திலும் சாத்தியமான அனைத்து கட்டுப்பாட்டு கட்டளைகளுக்கும் முழு நிகழ்தகவு விநியோகத்தை கணிக்க விஞ்ஞானிகள் தங்கள் தன்னியக்க பைலட்டைப் பயிற்றுவித்தனர்.
கணினியானது ஒரு கன்வல்யூஷனல் நியூரல் நெட்வொர்க் (CNN) எனப்படும் இயந்திரக் கற்றல் மாதிரியைப் பயன்படுத்துகிறது, இது பொதுவாகப் பட அங்கீகாரத்திற்காகப் பயன்படுத்தப்படுகிறது. பயிற்சியின் போது, ஒரு மனித ஓட்டுநரின் ஓட்டுநர் நடத்தையை கணினி கவனிக்கிறது. CNN ஆனது ஸ்டீயரிங் வீல் திருப்பங்களை சாலையின் வளைவுடன் தொடர்புபடுத்துகிறது, அதை கேமராக்கள் மற்றும் அதன் சிறிய வரைபடத்தில் கவனிக்கிறது. இதன் விளைவாக, நேரான சாலைகள், நான்கு வழி சந்திப்புகள் அல்லது T- சந்திப்புகள், முட்கரண்டிகள் மற்றும் திருப்பங்கள் போன்ற பல்வேறு ஓட்டுநர் சூழ்நிலைகளுக்கான திசைமாற்றி கட்டளைகளை கணினி கற்றுக்கொள்கிறது.
"ஆரம்பத்தில், ஒரு டி-சந்தையில், ஒரு கார் திரும்பக்கூடிய பல திசைகள் உள்ளன," ரஸ் கூறுகிறார். "இந்த மாதிரியானது இந்த திசைகளைப் பற்றி யோசிப்பதன் மூலம் தொடங்குகிறது, மேலும் சாலையில் சில சூழ்நிலைகளில் மக்கள் என்ன செய்கிறார்கள் என்பது பற்றிய தகவல்களை CNN பெறும்போது, சில ஓட்டுநர்கள் இடதுபுறமாகவும் மற்றவர்கள் வலதுபுறமாகவும் திரும்புவதைக் காணலாம், ஆனால் யாரும் நேரடியாகச் செல்லவில்லை. . நேராக முன்னோக்கி சாத்தியமான திசையாக நிராகரிக்கப்பட்டது, மேலும் டி-சந்திகளில் அது இடது அல்லது வலதுபுறமாக மட்டுமே நகர முடியும் என்று மாதிரி முடிவு செய்கிறது."
வாகனம் ஓட்டும் போது, CNN காட்சி சாலை அம்சங்களை கேமராக்களிலிருந்து பிரித்தெடுக்கிறது, இது சாத்தியமான பாதை மாற்றங்களைக் கணிக்க அனுமதிக்கிறது. எடுத்துக்காட்டாக, இது ஒரு சிவப்பு நிறுத்த அடையாளம் அல்லது சாலையின் ஓரத்தில் ஒரு உடைந்த கோட்டை, வரவிருக்கும் குறுக்குவெட்டுக்கான அறிகுறிகளாக அடையாளம் காட்டுகிறது. ஒவ்வொரு கணத்திலும், மிகவும் சரியான கட்டளையைத் தேர்ந்தெடுக்க கட்டுப்பாட்டு கட்டளைகளின் கணிக்கப்பட்ட நிகழ்தகவு விநியோகத்தைப் பயன்படுத்துகிறது.
ஆராய்ச்சியாளர்களின் கூற்றுப்படி, அவர்களின் தன்னியக்க பைலட் சேமிக்கவும் செயலாக்கவும் மிகவும் எளிதான வரைபடங்களைப் பயன்படுத்துகிறது என்பதைக் கவனத்தில் கொள்ள வேண்டியது அவசியம். தன்னாட்சி கட்டுப்பாட்டு அமைப்புகள் பொதுவாக லிடார் வரைபடங்களைப் பயன்படுத்துகின்றன, அவை சான் பிரான்சிஸ்கோ நகரத்தை மட்டும் சேமிக்க சுமார் 4000 ஜிபி தரவை எடுக்கும். ஒவ்வொரு புதிய இலக்குக்கும், கார் புதிய வரைபடங்களைப் பயன்படுத்த வேண்டும் மற்றும் உருவாக்க வேண்டும், இதற்கு அதிக அளவு நினைவகம் தேவைப்படுகிறது. மறுபுறம், புதிய தன்னியக்க பைலட் பயன்படுத்தும் வரைபடம் 40 ஜிகாபைட் தரவுகளை மட்டுமே ஆக்கிரமித்து, உலகம் முழுவதையும் உள்ளடக்கியது.
தன்னாட்சி வாகனம் ஓட்டும் போது, கணினி தொடர்ந்து அதன் காட்சித் தரவை வரைபடத் தரவுடன் ஒப்பிட்டு, ஏதேனும் முரண்பாடுகளைக் கொடியிடுகிறது. இது தன்னியக்க வாகனம் சாலையில் எங்கு இருக்கிறது என்பதைத் தீர்மானிக்க உதவுகிறது. முரண்பட்ட உள்ளீட்டுத் தகவலைப் பெற்றாலும், கார் பாதுகாப்பான பாதையில் இருப்பதை இது உறுதி செய்கிறது: கார் திருப்பங்கள் ஏதுமின்றி நேரான சாலையில் பயணித்தால், கார் வலதுபுறம் திரும்ப வேண்டும் என்று ஜிபிஎஸ் சுட்டிக்காட்டினால், கார் நேராக செல்ல அல்லது நிறுத்த தெரியும்.
"நிஜ உலகில், சென்சார்கள் தோல்வியடைகின்றன," என்கிறார் அமினி. "எங்கள் தன்னியக்க பைலட் எந்த இரைச்சல் சிக்னல்களையும் பெறக்கூடிய ஒரு அமைப்பை உருவாக்குவதன் மூலம் பல்வேறு சென்சார் தோல்விகளைத் தாங்கும் திறன் கொண்டது என்பதை உறுதிசெய்ய விரும்புகிறோம்."
ஆதாரம்: 3dnews.ru