Створення автомобілів з автопілотом, здатним до прийняття рішень подібно до людини, є давнім завданням таких компаній, як Waymo, GM Cruise, Uber та інших. Intel Mobileye пропонує математичну модель Responsibility-Sensitive Safety (RSS), вона описується компанією як підхід, заснований на «здоровому розумінні», який характеризується на програмуванні автопілота на «хорошу» поведінку, наприклад, надання іншим автомобілям права проїзду. З іншого боку, NVIDIA активно розробляє Safety Force Field, технологію ухвалення рішень на базі системи, яка відстежує небезпечні дії оточуючих учасників руху, аналізуючи дані з датчиків автомобіля в режимі реального часу. Тепер до цих досліджень підключилася група вчених з Массачусетського технологічного інституту (MIT), які запропонували новий підхід, заснований на використанні GPS-подібних карт і візуальних даних, що отримуються з камер, встановлених на автомобілі, щоб автопілот міг орієнтуватися на невідомих йому дорогах схожим на людину чином.
Люди винятково гарні в керуванні автомобілями на дорогах, на яких раніше ніколи не бували. Ми просто зіставляємо те, що бачимо довкола нас, з тим, що бачимо на наших навігаторах, щоб визначити, де ми знаходимося і куди нам треба їхати. Автомобілям з автопілотом, з іншого боку, дуже складно орієнтуватися на невідомих ділянках дороги. Для кожної нової локації автопілот потрібно ретельно проаналізувати новий маршрут, при цьому часто автоматичні системи управління покладаються в цьому питанні на складні 3D-карти, які заздалегідь готують для них постачальники.
У доповіді, представленій цього тижня на Міжнародній конференції з робототехніки та автоматизації, дослідники Массачусетського технологічного інституту описують автономну систему управління, яка «вивчає» та запам'ятовує модель прийняття рішень водієм-людиною під час руху дорогами в невеликому районі міста, використовуючи для цього лише дані з відеокамер та просту GPS-подібну карту. Потім навчений автопілот може керувати автомобілем без водія у зовсім новій локації, імітуючи керування людиною.
Як і людина, автопілот також виявляє будь-які невідповідності між своєю картою та особливостями дороги. Це допомагає системі визначити, чи її положення на дорозі, робота датчиків або карта неправильними, щоб скоригувати курс автомобіля.
Для початкового навчання системи оператор-людина керував автоматизованою Toyota Prius, оснащеною кількома камерами та базовою системою GPS-навігації, для збору даних із місцевих приміських вулиць, включаючи різні дорожні конструкції та перешкоди. Потім система успішно керувала автомобілем на заздалегідь спланованому маршруті в іншій лісовій зоні, що призначена для випробувань автономних транспортних засобів.
"З нашою системою вам не потрібно заздалегідь тренуватися на кожній дорозі", - каже автор дослідження Олександр Аміні (Alexander Amini), аспірант MIT. «Ви можете завантажити нову карту для автомобіля, щоб пересуватися дорогами, які він ніколи не бачив раніше».
"Наша мета - створити автономну навігацію, стійку до водіння в нових умовах", - додає співавтор наукової роботи Данієла Рус (Daniela Rus), директор Лабораторії комп'ютерних наук та штучного інтелекту (CSAIL). «Наприклад, якщо ми навчаємо автономного транспортного засобу водінню в міських умовах, таких як вулиці Кембриджа, система також повинна мати можливість плавного руху в лісі, навіть якщо такого оточення вона ще ніколи не бачила».
Традиційні навігаційні системи обробляють дані від датчиків через кілька модулів, налаштованих для таких завдань, як локалізація, картографування, виявлення об'єктів, планування руху та керування кермом. Протягом багатьох років група Данієли розробляла «наскрізні» навігаційні системи, які обробляють сенсорні дані та керують автомобілем без необхідності використання спеціалізованих модулів. До цих пір ці моделі використовувалися суворо для безпечного проходження по дорозі, без будь-якого реального призначення. У новій роботі дослідники удосконалили свою наскрізну систему для руху від мети до місця призначення у раніше невідомому середовищі. Для цього вчені навчили свій автопілот прогнозувати повний розподіл ймовірностей з усіх можливих команд управління будь-якої миті під час водіння.
Система використовує модель машинного навчання, звану згортковою нейронною мережею (convolutional neural network - CNN), яка зазвичай використовується для розпізнавання зображень. Під час навчання система спостерігає за водінням водія-людини. CNN корелює повороти кермового колеса з кривизною дороги, яку вона спостерігає через камери та на своїй невеликій карті. У результаті система запам'ятовує найімовірніші команди рульового управління для різних дорожніх ситуацій, таких як пряма дорога, перехрестя з чотиристороннім рухом або Т-подібні перехрестя, розвилки та повороти.
"Спочатку на Т-подібному перехресті є багато різних напрямків, куди автомобіль може повернути", - каже Рус. «Модель починає з роздумів про всі ці напрями, оскільки CNN отримує все більше і більше даних про те, що роблять у тих чи інших ситуаціях на дорозі люди, вона побачить, що деякі водії повертають ліворуч, а інші повертають праворуч, але ніхто не їде прямо. Прямий рух виключено як можливий напрямок, і модель робить висновок, що на Т-подібних перехрестях вона може рухатися лише вліво або вправо».
Під час керування CNN також витягує з камер візуальні особливості дороги, що дозволяє прогнозувати можливі зміни маршруту. Наприклад, вона ідентифікує червоний дорожній покажчик Stop або розрив лінії на узбіччі дороги як ознаки майбутнього перехрестя. У кожний момент вона використовує прогнозований розподіл ймовірностей команд управління, щоб вибрати найбільш правильну команду.
Важливо відзначити, що, за словами дослідників, їхній автопілот використовує карти, які вкрай легко зберігати та обробляти. Автономні системи управління зазвичай використовують карти, створені за допомогою лідарів, які займають приблизно 4000 Гбайт даних для зберігання тільки міста Сан-Франциско. Для кожного нового пункту призначення автомобіль повинен використовувати та створювати нові карти, що потребує величезної кількості пам'яті. З іншого боку, карта, що використовується новим автопілотом, охоплює весь світ, займаючи лише 40 гігабайт даних.
Під час автономного водіння система також постійно зіставляє свої візуальні дані з даними карти та зазначає будь-які невідповідності. Це допомагає автономному транспортному засобу краще визначити, де він знаходиться на дорозі. І це гарантує, що автомобіль залишається на безпечному шляху, навіть якщо він отримує суперечливу вхідну інформацію: якщо, скажімо, автомобіль рухається прямою дорогою без поворотів, а GPS вказує, що автомобіль повинен повернути праворуч, автомобіль знатиме, що потрібно їхати прямо чи зупинитися.
"У реальному світі датчики виходять з ладу", - говорить Аміні. Ми хочемо переконатися, що наш автопілот стійкий до різних відмов датчиків, створивши систему, яка може приймати будь-які шумові сигнали і при цьому правильно орієнтуватися на дорозі.
Джерело: 3dnews.ru