การสร้างรถยนต์ที่ขับเคลื่อนด้วยตนเองซึ่งสามารถตัดสินใจได้เหมือนมนุษย์นั้นเป็นเป้าหมายที่มีมายาวนานของบริษัทต่างๆ เช่น Waymo, GM Cruise, Uber และอื่นๆ Intel Mobileye นำเสนอโมเดลทางคณิตศาสตร์ Responsibility-Sensitive Safety (RSS) ซึ่งบริษัทอธิบายว่าเป็นแนวทาง "สามัญสำนึก" ที่โดดเด่นด้วยการตั้งโปรแกรมระบบอัตโนมัติให้ทำงานในลักษณะ "ดี" เช่น การให้สิทธิ์แก่รถคันอื่น . ในทางกลับกัน NVIDIA กำลังพัฒนา Safety Force Field ซึ่งเป็นเทคโนโลยีการตัดสินใจตามระบบที่ตรวจสอบการกระทำที่ไม่ปลอดภัยของผู้ใช้ถนนโดยรอบโดยการวิเคราะห์ข้อมูลจากเซ็นเซอร์ของยานพาหนะแบบเรียลไทม์ ขณะนี้กลุ่มนักวิทยาศาสตร์จากสถาบันเทคโนโลยีแมสซาชูเซตส์ (MIT) ได้เข้าร่วมการวิจัยนี้และเสนอแนวทางใหม่โดยใช้แผนที่คล้าย GPS และข้อมูลภาพที่ได้รับจากกล้องที่ติดตั้งบนรถเพื่อให้ระบบอัตโนมัติสามารถนำทางไปยังที่ไม่รู้จักได้ ถนนคล้ายคน ทาง.
ผู้คนสามารถขับรถบนถนนที่พวกเขาไม่เคยขี่มาก่อนได้ดีเป็นพิเศษ เราเพียงเปรียบเทียบสิ่งที่เราเห็นรอบตัวเรากับสิ่งที่เราเห็นบนอุปกรณ์ GPS ของเราเพื่อพิจารณาว่าเราอยู่ที่ไหนและจะต้องไปที่ไหน ในทางกลับกัน รถยนต์ที่ขับเคลื่อนด้วยตนเองพบว่าการนำทางในส่วนที่ไม่รู้จักของถนนเป็นเรื่องยากมาก สำหรับสถานที่ใหม่แต่ละแห่ง ระบบอัตโนมัติจำเป็นต้องวิเคราะห์เส้นทางใหม่อย่างรอบคอบ และบ่อยครั้งที่ระบบควบคุมอัตโนมัติอาศัยแผนที่ 3 มิติที่ซับซ้อนซึ่งซัพพลายเออร์เตรียมไว้ล่วงหน้า
ในบทความที่นำเสนอในสัปดาห์นี้ที่การประชุมนานาชาติเรื่องหุ่นยนต์และระบบอัตโนมัติ นักวิจัยของ MIT อธิบายถึงระบบการขับขี่อัตโนมัติที่ "เรียนรู้" และจดจำรูปแบบการตัดสินใจของผู้ขับขี่ที่เป็นมนุษย์ในขณะที่พวกเขานำทางไปตามถนนในพื้นที่เมืองเล็ก ๆ โดยใช้เพียงข้อมูล จากวิดีโอ กล้องและแผนที่แบบง่ายๆ เหมือน GPS ระบบอัตโนมัติที่ได้รับการฝึกอบรมจะสามารถขับรถไร้คนขับไปยังตำแหน่งใหม่ได้ ซึ่งเป็นการจำลองการขับขี่ของมนุษย์
เช่นเดียวกับมนุษย์ ระบบอัตโนมัติยังตรวจจับความคลาดเคลื่อนระหว่างแผนที่และคุณลักษณะของถนนอีกด้วย ช่วยให้ระบบระบุได้ว่าตำแหน่งบนถนน เซ็นเซอร์ หรือแผนที่ไม่ถูกต้อง เพื่อให้สามารถแก้ไขเส้นทางของรถได้
ในการฝึกระบบเบื้องต้น ผู้ปฏิบัติงานที่เป็นมนุษย์ขับรถ Toyota Prius แบบอัตโนมัติซึ่งมีกล้องหลายตัวและระบบนำทาง GPS ขั้นพื้นฐานเพื่อรวบรวมข้อมูลจากถนนชานเมืองในท้องถิ่น รวมถึงโครงสร้างถนนและสิ่งกีดขวางต่างๆ จากนั้นระบบก็ประสบความสำเร็จในการขับรถไปตามเส้นทางที่วางแผนไว้ล่วงหน้าในพื้นที่ป่าอีกแห่งหนึ่งซึ่งมีไว้สำหรับการทดสอบรถยนต์ขับเคลื่อนอัตโนมัติ
“ด้วยระบบของเรา คุณไม่จำเป็นต้องฝึกบนถนนทุกสายล่วงหน้า” Alexander Amini ผู้เขียนการศึกษา นักศึกษาระดับบัณฑิตศึกษาจาก MIT กล่าว "คุณสามารถดาวน์โหลดแผนที่ใหม่สำหรับรถของคุณเพื่อนำทางไปตามถนนที่ไม่เคยเห็นมาก่อน"
“เป้าหมายของเราคือการสร้างระบบนำทางอัตโนมัติที่ยืดหยุ่นต่อการขับขี่ในสภาพแวดล้อมใหม่” Daniela Rus ผู้เขียนร่วม ผู้อำนวยการห้องปฏิบัติการวิทยาการคอมพิวเตอร์และปัญญาประดิษฐ์ (CSAIL) กล่าวเสริม “ตัวอย่างเช่น ถ้าเราฝึกรถยนต์ไร้คนขับให้ขับในสภาพแวดล้อมในเมือง เช่น ถนนในเคมบริดจ์ ระบบจะต้องสามารถขับได้อย่างราบรื่นในป่า แม้ว่าจะไม่เคยเห็นสภาพแวดล้อมเช่นนี้มาก่อนก็ตาม”
ระบบนำทางแบบดั้งเดิมจะประมวลผลข้อมูลเซ็นเซอร์ผ่านโมดูลหลายโมดูลที่กำหนดค่าไว้สำหรับงานต่างๆ เช่น การแปลเป็นภาษาท้องถิ่น การทำแผนที่ การตรวจจับวัตถุ การวางแผนการเคลื่อนไหว และการบังคับเลี้ยว เป็นเวลาหลายปีที่กลุ่มของ Daniela ได้พัฒนาระบบนำทางแบบ end-to-end ที่ประมวลผลข้อมูลเซ็นเซอร์และควบคุมรถยนต์โดยไม่ต้องใช้โมดูลพิเศษใดๆ อย่างไรก็ตาม จนถึงขณะนี้ รถรุ่นนี้มีการใช้งานอย่างเคร่งครัดเพื่อการเดินทางอย่างปลอดภัยบนท้องถนน โดยไม่มีจุดประสงค์ที่แท้จริงใดๆ ในงานวิจัยชิ้นใหม่นี้ นักวิจัยได้ปรับปรุงระบบแบบ end-to-end สำหรับการเคลื่อนที่จากเป้าหมายไปยังจุดหมายปลายทางในสภาพแวดล้อมที่ไม่รู้จักมาก่อน ในการทำเช่นนี้ นักวิทยาศาสตร์ได้ฝึกระบบอัตโนมัติเพื่อคาดการณ์การกระจายความน่าจะเป็นทั้งหมดสำหรับคำสั่งควบคุมที่เป็นไปได้ทั้งหมดตลอดเวลาขณะขับรถ
ระบบใช้โมเดลการเรียนรู้ของเครื่องที่เรียกว่าเครือข่ายประสาทเทียม (CNN) ซึ่งใช้กันทั่วไปในการจดจำภาพ ในระหว่างการฝึกระบบจะสังเกตพฤติกรรมการขับขี่ของมนุษย์ CNN เชื่อมโยงการหมุนพวงมาลัยกับความโค้งของถนน ซึ่งสังเกตผ่านกล้องและบนแผนที่ขนาดเล็ก ผลที่ได้คือ ระบบจะเรียนรู้คำสั่งบังคับเลี้ยวที่เป็นไปได้มากที่สุดสำหรับสถานการณ์การขับขี่ต่างๆ เช่น ถนนทางตรง ทางแยกสี่ทาง หรือทางแยกรูปตัว T ทางแยกและทางเลี้ยว
“ในตอนแรก ที่สี่แยกรูปตัว T รถสามารถเลี้ยวได้หลายทิศทาง” Rus กล่าว “โมเดลนี้เริ่มต้นด้วยการคิดถึงทิศทางเหล่านี้ และเมื่อ CNN ได้รับข้อมูลมากขึ้นเรื่อยๆ เกี่ยวกับสิ่งที่ผู้คนกำลังทำในสถานการณ์บางอย่างบนท้องถนน ก็จะเห็นว่าคนขับบางคนเลี้ยวซ้ายและคนอื่นๆ เลี้ยวขวา แต่ไม่มีใครตรงไป . ตรงไปข้างหน้าถูกตัดออกไปเป็นทิศทางที่เป็นไปได้ และแบบจำลองสรุปว่าที่ทางแยกรูปตัว T จะสามารถเคลื่อนที่ไปทางซ้ายหรือขวาเท่านั้น”
ขณะขับรถ CNN ยังดึงคุณลักษณะถนนที่มองเห็นได้จากกล้อง ทำให้สามารถคาดการณ์การเปลี่ยนแปลงเส้นทางที่อาจเกิดขึ้นได้ ตัวอย่างเช่น ระบุป้ายหยุดสีแดงหรือเส้นขาดที่ด้านข้างถนนเป็นสัญญาณของทางแยกที่กำลังจะมาถึง ในแต่ละช่วงเวลา จะใช้การกระจายความน่าจะเป็นที่คาดการณ์ไว้ของคำสั่งควบคุมเพื่อเลือกคำสั่งที่ถูกต้องที่สุด
สิ่งสำคัญที่ควรทราบตามที่นักวิจัยระบุว่า ระบบอัตโนมัติของพวกเขาใช้แผนที่ที่จัดเก็บและประมวลผลได้ง่ายมาก ระบบควบคุมอัตโนมัติมักใช้แผนที่ LIDAR ซึ่งใช้ข้อมูลประมาณ 4000 GB เพื่อจัดเก็บเฉพาะเมืองซานฟรานซิสโก สำหรับจุดหมายปลายทางใหม่แต่ละแห่ง รถจะต้องใช้และสร้างแผนที่ใหม่ซึ่งต้องใช้หน่วยความจำจำนวนมาก ในทางกลับกัน แผนที่ที่ใช้โดย Autopilot ใหม่ครอบคลุมทั่วโลกในขณะที่ใช้ข้อมูลเพียง 40 กิกะไบต์
ในระหว่างการขับขี่อัตโนมัติ ระบบจะเปรียบเทียบข้อมูลภาพกับข้อมูลแผนที่อย่างต่อเนื่อง และแจ้งความคลาดเคลื่อนใดๆ ช่วยให้รถยนต์ขับเคลื่อนอัตโนมัติระบุตำแหน่งที่อยู่บนถนนได้ดีขึ้น และสิ่งนี้ทำให้มั่นใจได้ว่ารถจะยังคงอยู่ในเส้นทางที่ปลอดภัยที่สุดแม้ว่าจะได้รับข้อมูลอินพุตที่ขัดแย้งกันก็ตาม เช่น หากรถกำลังเดินทางบนถนนตรงที่ไม่มีทางเลี้ยว และ GPS ระบุว่ารถควรเลี้ยวขวา รถจะ รู้ว่าจะตรงไปหรือหยุด
“ในโลกแห่งความเป็นจริง เซ็นเซอร์ล้มเหลว” Amini กล่าว “เราต้องการให้แน่ใจว่าระบบขับเคลื่อนอัตโนมัติของเรามีความยืดหยุ่นต่อความล้มเหลวของเซ็นเซอร์ต่างๆ โดยการสร้างระบบที่สามารถรับสัญญาณรบกวนใดๆ และยังคงนำทางไปตามถนนได้อย่างถูกต้อง”
ที่มา: 3dnews.ru