خود سے چلنے والی کاریں بنانا جو انسانوں جیسے فیصلے کر سکیں، Waymo، GM Cruise، Uber اور دیگر جیسی کمپنیوں کا دیرینہ مقصد رہا ہے۔ Intel Mobileye ایک Responsibility-Sensitive Safety (RSS) ریاضیاتی ماڈل پیش کرتا ہے، جسے کمپنی ایک "عام فہم" نقطہ نظر کے طور پر بیان کرتی ہے جس کی خصوصیت آٹو پائلٹ کو "اچھے" طریقے سے برتاؤ کرنے کے لیے پروگرام کرنے سے ہوتی ہے، جیسے کہ دوسری کاروں کو راستے کا حق دینا۔ . دوسری طرف، NVIDIA فعال طور پر Safety Force Field تیار کر رہا ہے، جو کہ نظام پر مبنی فیصلہ سازی کی ٹیکنالوجی ہے جو گاڑیوں کے سینسر کے ڈیٹا کا حقیقی وقت میں تجزیہ کر کے ارد گرد کے سڑک استعمال کرنے والوں کے غیر محفوظ اقدامات پر نظر رکھتی ہے۔ اب میساچوسٹس انسٹی ٹیوٹ آف ٹیکنالوجی (ایم آئی ٹی) کے سائنسدانوں کے ایک گروپ نے اس تحقیق میں شمولیت اختیار کی ہے اور کار پر نصب کیمروں سے حاصل کردہ جی پی ایس جیسے نقشوں اور بصری ڈیٹا کے استعمال پر مبنی ایک نیا طریقہ تجویز کیا ہے تاکہ آٹو پائلٹ نامعلوم افراد پر تشریف لے جا سکے۔ ایک شخص سے ملتی جلتی سڑکیں۔
لوگ ان سڑکوں پر کاریں چلانے میں غیر معمولی طور پر اچھے ہیں جو پہلے کبھی نہیں گئے تھے۔ ہم اپنے اردگرد جو کچھ دیکھتے ہیں اس کا موازنہ اپنے GPS ڈیوائسز پر نظر آنے والی چیزوں سے کرتے ہیں تاکہ یہ معلوم کیا جا سکے کہ ہم کہاں ہیں اور ہمیں کہاں جانا ہے۔ دوسری طرف خود سے چلنے والی کاروں کو سڑک کے نامعلوم حصوں میں جانا انتہائی مشکل لگتا ہے۔ ہر نئی جگہ کے لیے، آٹو پائلٹ کو نئے راستے کا احتیاط سے تجزیہ کرنے کی ضرورت ہوتی ہے، اور اکثر خودکار کنٹرول سسٹم پیچیدہ 3D نقشوں پر انحصار کرتے ہیں جنہیں سپلائرز پہلے سے تیار کرتے ہیں۔
روبوٹکس اور آٹومیشن پر بین الاقوامی کانفرنس میں اس ہفتے پیش کیے گئے ایک مقالے میں، MIT کے محققین نے ایک خود مختار ڈرائیونگ سسٹم کی وضاحت کی ہے جو انسانی ڈرائیور کے فیصلہ سازی کے نمونوں کو "سیکھتا ہے" اور یاد رکھتا ہے جب وہ صرف ڈیٹا کا استعمال کرتے ہوئے چھوٹے شہر کے علاقے میں سڑکوں پر تشریف لے جاتے ہیں۔ کیمرے اور ایک سادہ جی پی ایس جیسا نقشہ۔ تربیت یافتہ آٹو پائلٹ پھر ڈرائیور کے بغیر گاڑی کو مکمل طور پر نئی جگہ پر چلا سکتا ہے، انسانی ڈرائیونگ کی نقالی۔
بالکل ایک انسان کی طرح، آٹو پائلٹ بھی اپنے نقشے اور سڑک کی خصوصیات کے درمیان کسی بھی تضاد کا پتہ لگاتا ہے۔ اس سے سسٹم کو اس بات کا تعین کرنے میں مدد ملتی ہے کہ آیا سڑک پر اس کی پوزیشن، سینسرز یا نقشہ غلط ہے تاکہ یہ گاڑی کا راستہ درست کر سکے۔
ابتدائی طور پر اس نظام کو تربیت دینے کے لیے، ایک انسانی آپریٹر نے متعدد کیمروں سے لیس ایک خودکار ٹویوٹا پرائیس اور ایک بنیادی GPS نیویگیشن سسٹم چلایا جس میں مختلف سڑکوں کے ڈھانچے اور رکاوٹوں سمیت مقامی مضافاتی گلیوں سے ڈیٹا اکٹھا کیا گیا۔ اس کے بعد سسٹم نے کار کو پہلے سے طے شدہ راستے کے ساتھ دوسرے جنگلاتی علاقے میں کامیابی کے ساتھ چلایا جس کا مقصد خود مختار گاڑیوں کی جانچ کرنا تھا۔
"ہمارے نظام کے ساتھ، آپ کو ہر سڑک پر پہلے سے تربیت دینے کی ضرورت نہیں ہے،" مطالعہ کے مصنف الیگزینڈر امینی کہتے ہیں، جو MIT کے گریجویٹ طالب علم ہیں۔ "آپ اپنی کار کے لیے ایک نیا نقشہ ڈاؤن لوڈ کر سکتے ہیں تاکہ وہ سڑکوں پر نیویگیٹ کر سکیں جو اس نے پہلے کبھی نہیں دیکھا تھا۔"
"ہمارا مقصد خود مختار نیویگیشن بنانا ہے جو نئے ماحول میں ڈرائیونگ کے لیے لچکدار ہو،" کمپیوٹر سائنس اینڈ آرٹیفیشل انٹیلی جنس لیبارٹری (CSAIL) کی ڈائریکٹر ڈینیلا روس نے مزید کہا۔ "مثال کے طور پر، اگر ہم ایک خود مختار گاڑی کو شہری ماحول جیسے کیمبرج کی گلیوں میں چلانے کی تربیت دیتے ہیں، تو نظام کو جنگل میں بھی آسانی سے گاڑی چلانے کے قابل ہونا چاہیے، چاہے اس نے ایسا ماحول پہلے کبھی نہیں دیکھا ہو۔"
روایتی نیویگیشن سسٹم متعدد ماڈیولز کے ذریعے سینسر ڈیٹا پر کارروائی کرتے ہیں جیسے کہ لوکلائزیشن، میپنگ، آبجیکٹ کا پتہ لگانا، موشن پلاننگ اور اسٹیئرنگ۔ سالوں سے، ڈینیلا کا گروپ اینڈ ٹو اینڈ نیویگیشن سسٹم تیار کر رہا ہے جو سینسر ڈیٹا پر کارروائی کرتا ہے اور کار کو بغیر کسی خصوصی ماڈیول کی ضرورت کے کنٹرول کرتا ہے۔ تاہم اب تک ان ماڈلز کو بغیر کسی حقیقی مقصد کے سڑک پر محفوظ سفر کے لیے سختی سے استعمال کیا جاتا رہا ہے۔ نئے کام میں، محققین نے پہلے سے نامعلوم ماحول میں مقصد سے منزل کی نقل و حرکت کے لیے اپنے اختتام سے آخر تک کے نظام کو بہتر کیا۔ ایسا کرنے کے لیے، سائنسدانوں نے اپنے آٹو پائلٹ کو تربیت دی کہ وہ ڈرائیونگ کے دوران کسی بھی وقت تمام ممکنہ کنٹرول کمانڈز کے لیے مکمل امکانی تقسیم کی پیشین گوئی کرے۔
یہ نظام ایک مشین لرننگ ماڈل کا استعمال کرتا ہے جسے Convolutional Neural Network (CNN) کہا جاتا ہے، جسے عام طور پر تصویر کی شناخت کے لیے استعمال کیا جاتا ہے۔ تربیت کے دوران، نظام انسانی ڈرائیور کے ڈرائیونگ رویے کا مشاہدہ کرتا ہے۔ CNN اسٹیئرنگ وہیل کے موڑ کو سڑک کے گھماؤ کے ساتھ جوڑتا ہے، جسے وہ کیمروں کے ذریعے اور اپنے چھوٹے نقشے پر دیکھتا ہے۔ نتیجے کے طور پر، نظام ڈرائیونگ کے مختلف حالات، جیسے سیدھی سڑکیں، چار طرفہ چوراہوں یا ٹی جنکشن، کانٹے اور موڑ کے لیے ممکنہ طور پر اسٹیئرنگ کمانڈ سیکھتا ہے۔
روس کا کہنا ہے کہ "ابتدائی طور پر، ایک ٹی چوراہے پر، گاڑی مختلف سمتوں سے مڑ سکتی ہے۔" "ماڈل ان تمام سمتوں کے بارے میں سوچ کر شروع ہوتا ہے، اور جیسا کہ CNN کو اس بارے میں زیادہ سے زیادہ ڈیٹا ملتا ہے کہ لوگ سڑک پر بعض حالات میں کیا کر رہے ہیں، یہ دیکھے گا کہ کچھ ڈرائیور بائیں مڑتے ہیں اور دوسرے دائیں مڑتے ہیں، لیکن کوئی بھی براہ راست نہیں جاتا ہے۔ . سیدھا آگے کو ممکنہ سمت کے طور پر مسترد کر دیا گیا ہے، اور ماڈل نے یہ نتیجہ اخذ کیا ہے کہ T-جنکشن پر یہ صرف بائیں یا دائیں حرکت کر سکتا ہے۔
ڈرائیونگ کے دوران، CNN کیمروں سے سڑک کی بصری خصوصیات بھی نکالتا ہے، جس سے یہ راستے کی ممکنہ تبدیلیوں کا اندازہ لگا سکتا ہے۔ مثال کے طور پر، یہ سرخ سٹاپ کے نشان یا سڑک کے کنارے ٹوٹی ہوئی لائن کو آنے والے چوراہے کی نشانیوں کے طور پر شناخت کرتا ہے۔ ہر لمحے، یہ سب سے درست کمانڈ کو منتخب کرنے کے لیے کنٹرول کمانڈز کی پیش گوئی شدہ امکانی تقسیم کا استعمال کرتا ہے۔
یہ نوٹ کرنا ضروری ہے کہ، محققین کے مطابق، ان کا آٹو پائلٹ ایسے نقشے استعمال کرتا ہے جو ذخیرہ کرنے اور عمل کرنے میں انتہائی آسان ہیں۔ خود مختار کنٹرول سسٹم عام طور پر lidar نقشے استعمال کرتے ہیں، جو صرف سان فرانسسکو شہر کو ذخیرہ کرنے کے لیے تقریباً 4000 GB ڈیٹا لیتے ہیں۔ ہر نئی منزل کے لیے، کار کو نئے نقشے استعمال کرنا اور بنانا چاہیے، جس کے لیے بہت زیادہ میموری کی ضرورت ہوتی ہے۔ دوسری طرف، نئے آٹو پائلٹ کے ذریعے استعمال کیا گیا نقشہ پوری دنیا کا احاطہ کرتا ہے جبکہ صرف 40 گیگا بائٹس ڈیٹا پر قبضہ کرتا ہے۔
خود مختار ڈرائیونگ کے دوران، نظام مسلسل اپنے بصری ڈیٹا کا نقشہ کے ڈیٹا سے موازنہ کرتا ہے اور کسی بھی تضاد کو جھنڈا دیتا ہے۔ اس سے خود مختار گاڑی کو بہتر طریقے سے یہ طے کرنے میں مدد ملتی ہے کہ وہ سڑک پر کہاں ہے۔ اور یہ اس بات کو یقینی بناتا ہے کہ کار محفوظ ترین راستے پر رہے، چاہے اسے متضاد ان پٹ معلومات موصول ہوں: اگر، یوں کہئے، گاڑی بغیر موڑ کے سیدھی سڑک پر سفر کر رہی ہے، اور GPS اشارہ کرتا ہے کہ کار کو دائیں مڑنا چاہیے، تو کار سیدھے جانا یا رکنا جانتے ہیں۔
"حقیقی دنیا میں، سینسر ناکام ہو جاتے ہیں،" امینی کہتے ہیں۔ "ہم اس بات کو یقینی بنانا چاہتے ہیں کہ ہمارا آٹو پائلٹ ایک ایسا نظام بنا کر مختلف سینسر کی ناکامیوں کے لیے لچکدار ہے جو کوئی بھی شور سگنل وصول کر سکے اور پھر بھی سڑک پر صحیح طریقے سے تشریف لے جا سکے۔"
ماخذ: 3dnews.ru