వేమో, GM క్రూయిస్, ఉబెర్ మరియు ఇతర కంపెనీల యొక్క దీర్ఘకాల లక్ష్యం మానవుని వంటి నిర్ణయాలు తీసుకోగల స్వీయ-డ్రైవింగ్ కార్లను రూపొందించడం. Intel Mobileye ఒక రెస్పాన్సిబిలిటీ-సెన్సిటివ్ సేఫ్టీ (RSS) గణిత నమూనాను అందిస్తుంది, దీనిని కంపెనీ "కామన్ సెన్స్" విధానంగా వర్ణిస్తుంది, ఇది ఆటోపైలట్‌ను "మంచి" మార్గంలో ప్రవర్తించేలా ప్రోగ్రామింగ్ చేయడం ద్వారా వర్గీకరించబడుతుంది, ఉదాహరణకు ఇతర కార్లకు సరైన మార్గం అందించడం . మరోవైపు, NVIDIA యాక్టివ్‌గా సేఫ్టీ ఫోర్స్ ఫీల్డ్‌ను అభివృద్ధి చేస్తోంది, ఇది రియల్ టైమ్‌లో వాహన సెన్సార్‌ల నుండి డేటాను విశ్లేషించడం ద్వారా చుట్టుపక్కల రహదారి వినియోగదారుల యొక్క అసురక్షిత చర్యలను పర్యవేక్షించే సిస్టమ్-ఆధారిత నిర్ణయం తీసుకునే సాంకేతికత. ఇప్పుడు మసాచుసెట్స్ ఇన్‌స్టిట్యూట్ ఆఫ్ టెక్నాలజీ (MIT)కి చెందిన శాస్త్రవేత్తల బృందం ఈ పరిశోధనలో చేరింది మరియు GPS లాంటి మ్యాప్‌లు మరియు కారులో ఇన్‌స్టాల్ చేయబడిన కెమెరాల నుండి పొందిన విజువల్ డేటా ఆధారంగా ఒక కొత్త విధానాన్ని ప్రతిపాదించింది, తద్వారా ఆటోపైలట్ తెలియని వాటిపై నావిగేట్ చేయవచ్చు. ఒక వ్యక్తిని పోలి ఉండే రోడ్లు.
ప్రజలు ఇంతకు ముందెన్నడూ లేని రోడ్లపై కార్లు నడపడంలో అనూహ్యంగా మంచివారు. మనం ఎక్కడ ఉన్నామో మరియు మనం ఎక్కడికి వెళ్లాలో నిర్ణయించడానికి మన GPS పరికరాలలో మనం చూసే వాటితో మన చుట్టూ మనం చూసే వాటిని పోల్చి చూస్తాము. స్వీయ డ్రైవింగ్ కార్లు, మరోవైపు, రహదారిలోని తెలియని విభాగాలను నావిగేట్ చేయడం చాలా కష్టం. ప్రతి కొత్త స్థానానికి, ఆటోపైలట్ కొత్త మార్గాన్ని జాగ్రత్తగా విశ్లేషించాలి మరియు తరచుగా ఆటోమేటిక్ కంట్రోల్ సిస్టమ్‌లు సంక్లిష్టమైన 3D మ్యాప్‌లపై ఆధారపడతాయి, వీటిని సరఫరాదారులు ముందుగానే సిద్ధం చేస్తారు.
రోబోటిక్స్ మరియు ఆటోమేషన్‌పై అంతర్జాతీయ కాన్ఫరెన్స్‌లో ఈ వారం సమర్పించిన ఒక పేపర్‌లో, MIT పరిశోధకులు ఒక స్వయంప్రతిపత్త డ్రైవింగ్ సిస్టమ్‌ను వివరిస్తారు, అది డేటాను మాత్రమే ఉపయోగించి ఒక చిన్న నగర ప్రాంతంలో రోడ్లపై నావిగేట్ చేస్తున్నప్పుడు మానవ డ్రైవర్ యొక్క నిర్ణయాత్మక విధానాలను "నేర్చుకుంటుంది" మరియు గుర్తుంచుకుంటుంది. వీడియో నుండి కెమెరాలు మరియు సాధారణ GPS లాంటి మ్యాప్. శిక్షణ పొందిన ఆటోపైలట్ మానవ డ్రైవింగ్‌ను అనుకరిస్తూ డ్రైవర్‌లేని కారును పూర్తిగా కొత్త ప్రదేశంలో నడపవచ్చు.
మానవుడిలాగే, ఆటోపైలట్ కూడా దాని మ్యాప్ మరియు రహదారి లక్షణాల మధ్య ఏవైనా వ్యత్యాసాలను గుర్తిస్తుంది. రహదారి, సెన్సార్లు లేదా మ్యాప్‌పై దాని స్థానం తప్పుగా ఉందో లేదో తెలుసుకోవడానికి ఇది సిస్టమ్‌కి సహాయపడుతుంది కాబట్టి అది వాహనం యొక్క గమనాన్ని సరిదిద్దగలదు.
మొదట్లో సిస్టమ్‌కు శిక్షణ ఇవ్వడానికి, ఒక మానవ ఆపరేటర్ అనేక కెమెరాలు మరియు ప్రాథమిక GPS నావిగేషన్ సిస్టమ్‌తో కూడిన ఆటోమేటెడ్ టొయోటా ప్రియస్‌ను నడిపి, వివిధ రహదారి నిర్మాణాలు మరియు అడ్డంకులతో సహా స్థానిక సబర్బన్ వీధుల నుండి డేటాను సేకరించారు. స్వయంప్రతిపత్త వాహనాలను పరీక్షించడానికి ఉద్దేశించిన మరొక అటవీ ప్రాంతంలో ముందుగా ప్లాన్ చేసిన మార్గంలో ఈ వ్యవస్థ విజయవంతంగా కారును నడిపింది.
"మా సిస్టమ్‌తో, మీరు ప్రతి రహదారిపై ముందుగానే శిక్షణ పొందాల్సిన అవసరం లేదు" అని MIT గ్రాడ్యుయేట్ విద్యార్థి అధ్యయన రచయిత అలెగ్జాండర్ అమిని చెప్పారు. "మీ కారు మునుపెన్నడూ చూడని రోడ్లను నావిగేట్ చేయడానికి మీరు కొత్త మ్యాప్‌ని డౌన్‌లోడ్ చేసుకోవచ్చు."
"కొత్త వాతావరణంలో డ్రైవింగ్‌కు స్థితిస్థాపకంగా ఉండే స్వయంప్రతిపత్త నావిగేషన్‌ను సృష్టించడం మా లక్ష్యం" అని కంప్యూటర్ సైన్స్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ లాబొరేటరీ (CSAIL) డైరెక్టర్ సహ రచయిత డానియెలా రస్ జోడించారు. "ఉదాహరణకు, కేంబ్రిడ్జ్ వీధుల వంటి పట్టణ వాతావరణంలో నడపడానికి మేము స్వయంప్రతిపత్త వాహనానికి శిక్షణ ఇస్తే, ఈ వ్యవస్థ ఇంతకు ముందెన్నడూ అలాంటి వాతావరణాన్ని చూడనప్పటికీ, అడవిలో కూడా సాఫీగా నడపగలగాలి."
సాంప్రదాయ నావిగేషన్ సిస్టమ్‌లు స్థానికీకరణ, మ్యాపింగ్, ఆబ్జెక్ట్ డిటెక్షన్, మోషన్ ప్లానింగ్ మరియు స్టీరింగ్ వంటి పనుల కోసం కాన్ఫిగర్ చేయబడిన బహుళ మాడ్యూల్స్ ద్వారా సెన్సార్ డేటాను ప్రాసెస్ చేస్తాయి. కొన్నేళ్లుగా, డానియెలా గ్రూప్ ఎండ్-టు-ఎండ్ నావిగేషన్ సిస్టమ్‌లను అభివృద్ధి చేస్తోంది, ఇది సెన్సార్ డేటాను ప్రాసెస్ చేస్తుంది మరియు ప్రత్యేక మాడ్యూల్స్ అవసరం లేకుండా కారుని నియంత్రిస్తుంది. అయితే, ఇప్పటి వరకు, ఈ మోడల్‌లు ఎటువంటి నిజమైన ప్రయోజనం లేకుండా రోడ్డుపై సురక్షితమైన ప్రయాణం కోసం ఖచ్చితంగా ఉపయోగించబడుతున్నాయి. కొత్త పనిలో, పరిశోధకులు గతంలో తెలియని వాతావరణంలో లక్ష్యం-నుండి-గమ్యం కదలిక కోసం వారి ఎండ్-టు-ఎండ్ సిస్టమ్‌ను మెరుగుపరిచారు. దీన్ని చేయడానికి, డ్రైవింగ్ చేస్తున్నప్పుడు ఏ సమయంలోనైనా సాధ్యమయ్యే అన్ని నియంత్రణ ఆదేశాలకు పూర్తి సంభావ్యత పంపిణీని అంచనా వేయడానికి శాస్త్రవేత్తలు వారి ఆటోపైలట్‌కు శిక్షణ ఇచ్చారు.
సిస్టమ్ మెషిన్ లెర్నింగ్ మోడల్‌ని కాన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ (CNN) ఉపయోగిస్తుంది, సాధారణంగా ఇమేజ్ రికగ్నిషన్ కోసం ఉపయోగించబడుతుంది. శిక్షణ సమయంలో, సిస్టమ్ మానవ డ్రైవర్ యొక్క డ్రైవింగ్ ప్రవర్తనను గమనిస్తుంది. CNN స్టీరింగ్ వీల్ మలుపులను రోడ్డు వక్రతతో సహసంబంధం చేస్తుంది, ఇది కెమెరాల ద్వారా మరియు దాని చిన్న మ్యాప్‌లో గమనిస్తుంది. ఫలితంగా, స్ట్రెయిట్ రోడ్లు, ఫోర్-వే ఖండనలు లేదా T-జంక్షన్‌లు, ఫోర్కులు మరియు మలుపులు వంటి వివిధ డ్రైవింగ్ పరిస్థితుల కోసం సిస్టమ్ ఎక్కువగా ఉండే స్టీరింగ్ ఆదేశాలను నేర్చుకుంటుంది.
"ప్రారంభంలో, T- ఖండన వద్ద, కారు తిరగగలిగే అనేక విభిన్న దిశలు ఉన్నాయి" అని రస్ చెప్పారు. "ఈ అన్ని దిశల గురించి ఆలోచించడం ద్వారా మోడల్ ప్రారంభమవుతుంది, మరియు రోడ్డుపై కొన్ని సందర్భాల్లో వ్యక్తులు ఏమి చేస్తున్నారో CNN మరింత ఎక్కువ డేటాను పొందడంతో, కొంతమంది డ్రైవర్లు ఎడమవైపుకు మరియు మరికొందరు కుడివైపుకు తిరిగేలా చూస్తారు, కానీ ఎవరూ నేరుగా వెళ్లరు. . నేరుగా ముందుకు వెళ్లడం సాధ్యమయ్యే దిశగా పరిగణించబడుతుంది మరియు T-జంక్షన్‌లలో అది ఎడమ లేదా కుడివైపు మాత్రమే కదలగలదని మోడల్ నిర్ధారించింది.
డ్రైవింగ్ చేస్తున్నప్పుడు, CNN కెమెరాల నుండి దృశ్య రహదారి లక్షణాలను కూడా సంగ్రహిస్తుంది, ఇది సాధ్యమయ్యే మార్గాల మార్పులను అంచనా వేయడానికి అనుమతిస్తుంది. ఉదాహరణకు, ఇది రెడ్ స్టాప్ గుర్తు లేదా రోడ్డు పక్కన విరిగిన లైన్‌ను రాబోయే ఖండన సంకేతాలుగా గుర్తిస్తుంది. ప్రతి క్షణంలో, ఇది చాలా సరైన ఆదేశాన్ని ఎంచుకోవడానికి నియంత్రణ ఆదేశాల యొక్క అంచనా సంభావ్యత పంపిణీని ఉపయోగిస్తుంది.
పరిశోధకుల అభిప్రాయం ప్రకారం, వారి ఆటోపైలట్ నిల్వ చేయడానికి మరియు ప్రాసెస్ చేయడానికి చాలా సులభమైన మ్యాప్‌లను ఉపయోగిస్తుందని గమనించడం ముఖ్యం. స్వయంప్రతిపత్త నియంత్రణ వ్యవస్థలు సాధారణంగా లిడార్ మ్యాప్‌లను ఉపయోగిస్తాయి, ఇవి శాన్ ఫ్రాన్సిస్కో నగరాన్ని నిల్వ చేయడానికి దాదాపు 4000 GB డేటాను తీసుకుంటాయి. ప్రతి కొత్త గమ్యస్థానానికి, కారు తప్పనిసరిగా కొత్త మ్యాప్‌లను ఉపయోగించాలి మరియు సృష్టించాలి, దీనికి పెద్ద మొత్తంలో మెమరీ అవసరం. మరోవైపు, కొత్త ఆటోపైలట్ ఉపయోగించే మ్యాప్ 40 గిగాబైట్‌ల డేటాను మాత్రమే ఆక్రమించేటప్పుడు ప్రపంచం మొత్తాన్ని కవర్ చేస్తుంది.
స్వయంప్రతిపత్త డ్రైవింగ్ సమయంలో, సిస్టమ్ దాని దృశ్యమాన డేటాను మ్యాప్ డేటాతో నిరంతరం పోలుస్తుంది మరియు ఏవైనా వ్యత్యాసాలను ఫ్లాగ్ చేస్తుంది. ఇది స్వయంప్రతిపత్త వాహనం రోడ్డుపై ఎక్కడ ఉందో బాగా గుర్తించడంలో సహాయపడుతుంది. మరియు విరుద్ధమైన ఇన్‌పుట్ సమాచారం అందుకున్నప్పటికీ, కారు సురక్షితమైన మార్గంలో ఉండేలా ఇది నిర్ధారిస్తుంది: చెప్పాలంటే, కారు మలుపులు లేని సరళమైన రహదారిపై ప్రయాణిస్తుంటే, మరియు GPS కారు కుడివైపు తిరగాలని సూచించినట్లయితే, కారు నేరుగా వెళ్లడం లేదా ఆపడం తెలుసు.
"వాస్తవ ప్రపంచంలో, సెన్సార్లు విఫలమవుతాయి" అని అమిని చెప్పారు. "మా ఆటోపైలట్ ఏదైనా శబ్దం సంకేతాలను స్వీకరించగల మరియు ఇప్పటికీ రహదారిని సరిగ్గా నావిగేట్ చేయగల వ్యవస్థను సృష్టించడం ద్వారా వివిధ సెన్సార్ వైఫల్యాలకు స్థితిస్థాపకంగా ఉందని మేము నిర్ధారించుకోవాలనుకుంటున్నాము."
మూలం: 3dnews.ru