İnsan benzeri kararlar alabilen sürücüsüz arabalar yaratmak Waymo, GM Cruise, Uber ve diğerleri gibi şirketlerin uzun süredir devam eden hedefi olmuştur. Intel Mobileye, şirketin "sağduyulu" bir yaklaşım olarak tanımladığı ve otopilotun diğer arabalara geçiş hakkı vermek gibi "iyi" bir şekilde davranması için programlanmasıyla karakterize edilen bir Sorumluluğa Duyarlı Güvenlik (RSS) matematiksel modeli sunuyor. . Öte yandan NVIDIA, araç sensörlerinden gelen verileri gerçek zamanlı olarak analiz ederek çevredeki yol kullanıcılarının güvenli olmayan eylemlerini izleyen sistem tabanlı bir karar verme teknolojisi olan Safety Force Field'ı aktif olarak geliştiriyor. Şimdi Massachusetts Teknoloji Enstitüsü'nden (MIT) bir grup bilim insanı bu araştırmaya katıldı ve otopilotun bilinmeyen yönlerde yön verebilmesi için GPS benzeri haritaların ve araca kurulan kameralardan elde edilen görsel verilerin kullanımına dayanan yeni bir yaklaşım önerdi. insana benzeyen yollar.
İnsanlar daha önce hiç gitmedikleri yollarda araba kullanma konusunda son derece iyidirler. Nerede olduğumuzu ve nereye gitmemiz gerektiğini belirlemek için etrafımızda gördüklerimizi GPS cihazlarımızda gördüklerimizle karşılaştırırız. Öte yandan sürücüsüz otomobiller yolun bilinmeyen kısımlarında gezinmeyi son derece zor buluyor. Her yeni konum için, otopilotun yeni rotayı dikkatli bir şekilde analiz etmesi gerekir ve otomatik kontrol sistemleri çoğu zaman tedarikçilerin kendileri için önceden hazırladığı karmaşık 3 boyutlu haritalara dayanır.
Bu hafta Uluslararası Robotik ve Otomasyon Konferansı'nda sunulan bir makalede MIT araştırmacıları, küçük bir şehir bölgesindeki yollarda yalnızca verileri kullanarak gezinirken bir insan sürücünün karar verme modellerini "öğrenen" ve hatırlayan otonom bir sürüş sistemini tanımlıyor. kameralar ve GPS benzeri basit bir harita. Eğitimli otopilot daha sonra sürücüsüz aracı tamamen yeni bir konumda sürerek insan sürüşünü simüle edebilir.
Tıpkı bir insan gibi, otopilot da haritası ile yol özellikleri arasındaki tutarsızlıkları tespit eder. Bu, sistemin yoldaki, sensörlerdeki veya haritadaki konumunun yanlış olup olmadığını belirlemesine yardımcı olarak aracın rotasını düzeltebilir.
Başlangıçta sistemi eğitmek için bir insan operatör, çeşitli yol yapıları ve engeller de dahil olmak üzere yerel banliyö sokaklarından veri toplamak amacıyla birden fazla kamera ve temel bir GPS navigasyon sistemi ile donatılmış otomatik bir Toyota Prius'u sürdü. Sistem daha sonra aracı, otonom araçların test edilmesi amaçlanan başka bir ormanlık alanda önceden planlanmış bir rota boyunca başarıyla sürdü.
MIT yüksek lisans öğrencisi, çalışma yazarı Alexander Amini, "Sistemimiz sayesinde her yolda önceden antrenman yapmanıza gerek yok" diyor. "Arabanızın daha önce hiç görmediği yollarda gezinmesi için yeni bir harita indirebilirsiniz."
Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı (CSAIL) direktörü ortak yazar Daniela Rus, "Hedefimiz, yeni ortamlarda sürüşe dayanıklı otonom navigasyon oluşturmaktır" diye ekliyor. "Örneğin, eğer otonom bir aracı Cambridge sokakları gibi kentsel bir ortamda sürüş yapması için eğitiyorsak, sistem daha önce böyle bir ortam görmemiş olsa bile ormanda da sorunsuz bir şekilde sürüş yapabilmelidir."
Geleneksel navigasyon sistemleri, sensör verilerini yerelleştirme, haritalama, nesne algılama, hareket planlama ve yönlendirme gibi görevler için yapılandırılmış birden fazla modül aracılığıyla işler. Daniela'nın grubu yıllardır herhangi bir özel modüle ihtiyaç duymadan sensör verilerini işleyen ve aracı kontrol eden uçtan uca navigasyon sistemleri geliştiriyor. Ancak şimdiye kadar bu modeller, herhangi bir gerçek amaç olmadan, yalnızca yolda güvenli yolculuk için kullanılıyordu. Yeni çalışmada araştırmacılar, daha önce bilinmeyen bir ortamda hedefe yönelik hareket için uçtan uca sistemlerini geliştirdiler. Bunu yapmak için bilim insanları otopilotlarını, sürüş sırasında herhangi bir zamanda olası tüm kontrol komutları için tam olasılık dağılımını tahmin edecek şekilde eğittiler.
Sistem, genellikle görüntü tanıma için kullanılan, evrişimsel sinir ağı (CNN) adı verilen bir makine öğrenme modelini kullanıyor. Eğitim sırasında sistem, bir insan sürücünün sürüş davranışını gözlemler. CNN, kameralar aracılığıyla ve küçük haritasında gözlemlediği direksiyon dönüşlerini yolun eğimiyle ilişkilendiriyor. Sonuç olarak sistem, düz yollar, dört yönlü kavşaklar veya T kavşakları, çatallar ve dönüşler gibi çeşitli sürüş durumları için en olası direksiyon komutlarını öğrenir.
Rus, "Başlangıçta bir T kavşağında bir arabanın dönebileceği birçok farklı yön vardır" diyor. "Model, tüm bu yönleri düşünerek başlıyor ve CNN, insanların yolda belirli durumlarda ne yaptığına dair giderek daha fazla veri aldıkça, bazı sürücülerin sola, diğerlerinin sağa döndüğünü ancak kimsenin doğrudan gitmediğini görecek. . Düz ileri olası bir yön olarak göz ardı ediliyor ve model, T kavşaklarında yalnızca sola veya sağa hareket edebileceği sonucuna varıyor."
CNN, sürüş sırasında kameralardan görsel yol özelliklerini de çıkararak olası rota değişikliklerini tahmin etmesine olanak tanıyor. Örneğin, yaklaşan bir kavşağın işareti olarak yol kenarındaki kırmızı bir dur işaretini veya kesikli bir çizgiyi tanımlar. Her an, en doğru komutu seçmek için kontrol komutlarının tahmin edilen olasılık dağılımını kullanır.
Araştırmacılara göre otopilotun saklanması ve işlenmesi son derece kolay haritalar kullandığını belirtmek önemli. Otonom kontrol sistemleri genellikle yalnızca San Francisco şehrini depolamak için yaklaşık 4000 GB veri alan Lidar haritalarını kullanır. Her yeni varış noktası için otomobilin yeni haritalar kullanması ve oluşturması gerekir; bu da büyük miktarda bellek gerektirir. Öte yandan yeni Autopilot'un kullandığı harita tüm dünyayı kapsıyor ve yalnızca 40 gigabayt veri kaplıyor.
Otonom sürüş sırasında sistem, görsel verilerini sürekli olarak harita verileriyle karşılaştırıyor ve tüm tutarsızlıkları işaretliyor. Bu, otonom aracın yolda nerede olduğunu daha iyi belirlemesine yardımcı olur. Bu da çelişkili girdi bilgileri alsa bile aracın en güvenli yolda kalmasını sağlar: örneğin araba dönüşleri olmayan düz bir yolda gidiyorsa ve GPS arabanın sağa dönmesi gerektiğini gösteriyorsa araba Düz gitmeyi ya da durmayı bil.
Amini, "Gerçek dünyada sensörler arızalanıyor" diyor. "Her türlü gürültü sinyalini alabilen ve yolda doğru şekilde ilerleyebilen bir sistem oluşturarak, otopilotumuzun çeşitli sensör arızalarına karşı dayanıklı olduğundan emin olmak istiyoruz."
Kaynak: 3dnews.ru