Ang paggawa ng mga self-driving na sasakyan na maaaring gumawa ng mga desisyong tulad ng tao ay matagal nang layunin ng mga kumpanya tulad ng Waymo, GM Cruise, Uber at iba pa. Nag-aalok ang Intel Mobileye ng isang modelong matematikal na Responsibility-Sensitive Safety (RSS), na inilalarawan ng kumpanya bilang isang "common sense" na diskarte na nailalarawan sa pamamagitan ng pagprograma ng autopilot upang kumilos sa isang "mahusay" na paraan, tulad ng pagbibigay sa ibang mga sasakyan ng tamang daan. . Sa kabilang banda, aktibong ginagawa ng NVIDIA ang Safety Force Field, isang teknolohiya sa paggawa ng desisyon na nakabatay sa sistema na sumusubaybay sa mga hindi ligtas na pagkilos ng mga nakapaligid na gumagamit ng kalsada sa pamamagitan ng pagsusuri ng data mula sa mga sensor ng sasakyan sa real time. Ngayon, isang grupo ng mga siyentipiko mula sa Massachusetts Institute of Technology (MIT) ang sumali sa pananaliksik na ito at nagmungkahi ng isang bagong diskarte batay sa paggamit ng mga mapa na tulad ng GPS at visual na data na nakuha mula sa mga camera na naka-install sa kotse upang ang autopilot ay makapag-navigate sa hindi alam. mga kalsadang katulad ng isang tao.paraan.
Ang mga tao ay napakahusay sa pagmamaneho ng mga sasakyan sa mga kalsadang hindi pa nila nararanasan. Ikinukumpara lang namin ang nakikita namin sa aming paligid sa kung ano ang nakikita namin sa aming mga GPS device para matukoy kung nasaan kami at kung saan kami dapat pumunta. Ang mga self-driving na kotse, sa kabilang banda, ay napakahirap mag-navigate sa hindi kilalang mga seksyon ng kalsada. Para sa bawat bagong lokasyon, kailangang maingat na suriin ng autopilot ang bagong ruta, at kadalasan ay umaasa ang mga awtomatikong control system sa mga kumplikadong 3D na mapa na inihahanda ng mga supplier para sa kanila nang maaga.
Sa isang papel na iniharap ngayong linggo sa International Conference on Robotics and Automation, inilalarawan ng mga mananaliksik ng MIT ang isang autonomous na sistema sa pagmamaneho na "natututo" at naaalala ang mga pattern ng paggawa ng desisyon ng isang driver habang nag-navigate sila sa mga kalsada sa isang maliit na lugar ng lungsod gamit lamang ang data. mula sa video. mga camera at isang simpleng mapa na parang GPS. Ang sinanay na autopilot ay maaaring magmaneho ng walang driver na kotse sa isang ganap na bagong lokasyon, na tinutulad ang pagmamaneho ng tao.
Tulad ng isang tao, nakakakita din ang autopilot ng anumang mga pagkakaiba sa pagitan ng mapa nito at ng mga tampok ng kalsada. Tinutulungan nito ang system na matukoy kung ang posisyon nito sa kalsada, mga sensor, o mapa ay hindi tama upang maitama nito ang takbo ng sasakyan.
Upang unang sanayin ang system, ang isang operator ng tao ay nagmaneho ng isang automated na Toyota Prius na nilagyan ng maraming mga camera at isang pangunahing GPS navigation system upang mangolekta ng data mula sa mga lokal na kalye sa suburban, kabilang ang iba't ibang mga istruktura ng kalsada at mga hadlang. Matagumpay na naimaneho ng system ang kotse sa isang paunang binalak na ruta sa isa pang kagubatan na lugar na nilayon para sa pagsubok ng mga autonomous na sasakyan.
"Gamit ang aming sistema, hindi mo kailangang magsanay sa bawat kalsada nang maaga," sabi ng may-akda ng pag-aaral na si Alexander Amini, isang mag-aaral na nagtapos sa MIT. "Maaari kang mag-download ng bagong mapa para sa iyong sasakyan upang mag-navigate sa mga kalsadang hindi pa nakikita noon."
"Ang aming layunin ay lumikha ng autonomous navigation na nababanat sa pagmamaneho sa mga bagong kapaligiran," dagdag ng co-author na si Daniela Rus, direktor ng Computer Science at Artificial Intelligence Laboratory (CSAIL). "Halimbawa, kung magsasanay tayo ng isang autonomous na sasakyan upang magmaneho sa isang urban na kapaligiran tulad ng mga kalye ng Cambridge, ang sistema ay dapat ding makapagmaneho ng maayos sa isang kagubatan, kahit na hindi pa ito nakakita ng ganoong kapaligiran dati."
Ang mga tradisyunal na sistema ng nabigasyon ay nagpoproseso ng data ng sensor sa pamamagitan ng maraming module na na-configure para sa mga gawain tulad ng lokalisasyon, pagmamapa, pagtuklas ng bagay, pagpaplano ng paggalaw at pagpipiloto. Sa loob ng maraming taon, ang grupo ni Daniela ay bumubuo ng mga end-to-end navigation system na nagpoproseso ng data ng sensor at kinokontrol ang sasakyan nang hindi nangangailangan ng anumang espesyal na module. Gayunpaman, hanggang ngayon, ang mga modelong ito ay mahigpit na ginagamit para sa ligtas na paglalakbay sa kalsada, nang walang anumang tunay na layunin. Sa bagong gawain, pinino ng mga mananaliksik ang kanilang end-to-end system para sa goal-to-destination na kilusan sa isang dating hindi kilalang kapaligiran. Para magawa ito, sinanay ng mga siyentipiko ang kanilang autopilot upang mahulaan ang buong probability distribution para sa lahat ng posibleng control command anumang oras habang nagmamaneho.
Gumagamit ang system ng machine learning model na tinatawag na convolutional neural network (CNN), na karaniwang ginagamit para sa pagkilala ng imahe. Sa panahon ng pagsasanay, sinusunod ng system ang pag-uugali sa pagmamaneho ng isang driver ng tao. Iniuugnay ng CNN ang pagliko ng manibela sa kurbada ng kalsada, na nakikita nito sa pamamagitan ng mga camera at sa maliit nitong mapa. Bilang resulta, natututuhan ng system ang pinaka-malamang na mga steering command para sa iba't ibang sitwasyon sa pagmamaneho, tulad ng mga tuwid na kalsada, four-way intersection o T-junction, forks at liko.
"Sa una, sa isang T-intersection, maraming iba't ibang direksyon ang maaaring iliko ng kotse," sabi ni Rus. "Nagsisimula ang modelo sa pamamagitan ng pag-iisip tungkol sa lahat ng mga direksyong ito, at habang ang CNN ay nakakakuha ng higit at higit na data tungkol sa kung ano ang ginagawa ng mga tao sa ilang mga sitwasyon sa kalsada, makikita nito na ang ilang mga driver ay kumaliwa at ang iba ay kumanan, ngunit walang direktang pumunta. . Ang tuwid na unahan ay ibinukod bilang isang posibleng direksyon, at ang modelo ay naghihinuha na sa mga T-junction ay maaari lamang itong lumipat pakaliwa o pakanan.
Habang nagmamaneho, kinukuha din ng CNN ang mga visual na feature ng kalsada mula sa mga camera, na nagbibigay-daan dito na mahulaan ang mga posibleng pagbabago sa ruta. Halimbawa, kinikilala nito ang isang pulang stop sign o isang putol na linya sa gilid ng kalsada bilang mga palatandaan ng paparating na intersection. Sa bawat sandali, ginagamit nito ang hinulaang probability distribution ng control commands upang piliin ang pinakatamang command.
Mahalagang tandaan na, ayon sa mga mananaliksik, ang kanilang autopilot ay gumagamit ng mga mapa na napakadaling iimbak at iproseso. Ang mga autonomous control system ay karaniwang gumagamit ng mga lidar na mapa, na kumukuha ng humigit-kumulang 4000 GB ng data upang mag-imbak lamang ng lungsod ng San Francisco. Para sa bawat bagong destinasyon, ang kotse ay dapat gumamit at lumikha ng mga bagong mapa, na nangangailangan ng malaking halaga ng memorya. Sa kabilang banda, ang mapa na ginamit ng bagong Autopilot ay sumasaklaw sa buong mundo habang sumasakop lamang ng 40 gigabytes ng data.
Sa panahon ng autonomous na pagmamaneho, patuloy ding ikinukumpara ng system ang visual na data nito sa data ng mapa at ibina-flag ang anumang mga pagkakaiba. Nakakatulong ito sa autonomous na sasakyan na mas matukoy kung nasaan ito sa kalsada. At tinitiyak nito na ang kotse ay mananatili sa pinakaligtas na landas, kahit na nakakatanggap ito ng magkasalungat na impormasyon sa pag-input: kung, sabihin nating, ang kotse ay naglalakbay sa isang tuwid na kalsada na walang liko, at ang GPS ay nagpapahiwatig na ang kotse ay dapat kumanan, ang sasakyan ay alam kung dumiretso o huminto.
"Sa totoong mundo, nabigo ang mga sensor," sabi ni Amini. "Gusto naming tiyakin na ang aming autopilot ay nababanat sa iba't ibang mga pagkabigo ng sensor sa pamamagitan ng paglikha ng isang sistema na maaaring makatanggap ng anumang mga signal ng ingay at mag-navigate pa rin sa kalsada nang tama."
Pinagmulan: 3dnews.ru