Technologickí giganti ako Tesla a Google urobili z samoriadiacich vozidiel medzi technologickými nadšencami toľko diskutovanú tému. Rôzne spoločnosti po celom svete pracujú na vývoji vozidiel s autonómnym riadením pre rôzne terény.
Aby bola technológia pripojeného autonómneho riadenia prístupná, cenovo dostupná a dostupná pre všetkých, do rozbehnutého vlaku sa zapojili roboti Swaayatt Robots z Bhópálu. Avšak s nesmiernymi znalosťami všetkých technológií zapojených do spoločnosti Autonomous Robotics, generálneho riaditeľa spoločnosti, pán Sanjeev Sharma nechal v závode mnoho technologických spoločností. Od roku 2009 veľa skúma a podrobuje sa matematickým výpočtom spojeným s navrhovaním inteligentných riešení pre samoriadiace autá.
Dostali sme príležitosť porozprávať sa s pánom Sanjeevom a poznať všetky technológie, ktoré stoja za autonómnymi vozidlami a robotikou, na ktorých Swaayatt Robots pracuje, a ich budúce plány. Stlačením výskoku si prečítajte celý rozhovor, ktorý sme s ním viedli. Môžete si tiež pozrieť video nižšie a vypočuť si rozhovor medzi našim redaktorom a samotným Sanjeevom
Otázka: Hlavným poslaním robotov Swaayatt je sprístupnenie a dostupnosť technológie autonómneho riadenia pre všetkých. Ako sa cesta začala?
Výskumu v oblasti autonómnej navigácie sa venujem posledných 11 rokov. Už v roku 2009 som sa inšpiroval veľkými výzvami DARPAto sa stalo v USA. Autonómna jazda sa počas tých rokov stala mojim cieľom. Po mnoho rokov som stále neštandardne skúmal a samostudoval som konkrétne plánovanie pohybu a rozhodovanie. Dôraz bol kladený na optimálne využitie strojového učenia, posilňovacieho učenia a rôznych techník. Spoločnosť Swaayatt Robots som založil v roku 2014, ale nešlo len o uplatnenie výskumu a štúdií, ktoré som urobil za posledných pár rokov. Aplikovaním niektorých myšlienok do pohybu a rozhodovania som musel vyriešiť aj problém plánovania a lokalizácie vnímania. Mal som výskumné skúsenosti iba v oblasti rozhodovania a plánovania pohybu. Ale oblasti vnímania a lokalizácie boli pre mňa celkom nové. Veľmi mi pomohlo moje obrovské matematické pozadie.
Len čo som okolo roku 2015 začal vyvíjať algoritmické rámce umožňujúce autonómne riadenie, uvedomil som si, že to môže byť niečo veľmi obrovské a problém autonómneho riadenia môžeme skutočne vyriešiť vo veľmi stochastických scenároch kontradiktórnej premávky. A od roku 2014 na tomto startupe pracujem na plný úväzok. Môj výskum sa konkrétne týka niekoľkých odvetví, ale predovšetkým sa naša spoločnosť zameriava predovšetkým na vývoj algoritmov rozhodovania a plánovania pohybu, ktoré umožňujú autonómnym vozidlám zvládnuť veľmi vysoké úrovne stochastickej dynamiky dopravy. To predstavuje zhruba 65% až 70% výskumu, ktorý sa deje v spoločnosti Swaayatt Robots. Asi 25% - 27% výskumu smeruje do oblasti vnímania, ktorá zahŕňa najrôznejšie algoritmy, ktoré spracúvajú údaje senzorov z robotického systému vozidla,a vytvoriť 3D reprezentáciu sveta okolo.
Vo vnímaní sme jednou z mála spoločností na svete, ktorá umožňuje autonómnym vozidlám vnímať prostredie iba pomocou bežných kamier, ktoré fungujú aj vo dne i v noci. Približne takto to bolo doteraz.
Otázka: Začali ste v roku 2014 overovať svoje nápady a potom ste sa úplne chytili cesty do roku 2015. Čo by sme teda mali urobiť v tomto roku? Ako ste otestovali, že v Indii sa dá jazdiť samostatne?
Autonómna jazda je zmesou troch algoritmických potrubí zostavených, tj. vnímanie, plánovanie a lokalizácia. Algoritmy vezmú senzorické údaje, spracujú ich a vytvoria 3D reprezentáciu okolo vozidla. Hovoríme im vnímacie algoritmy. Lokalizačné algoritmy sa snažia globálne presne určiť polohu vozidla na ceste. Takto roboty pracovali v akademickom prostredí. V roku 2009 bol tento model autonómneho riadenia priekopníkom v spoločnosti Google. Predtým, ako sa autonómne vozidlo bude pohybovať po určitej ceste, musí byť celá cesta veľmi podrobne zmapovaná v 3d. Tieto mapy nazývame verné mapy. Tieto mapy vysokej kvality obsahujú niektoré veľmi dôležité informácie o životnom prostredí. Spravidla ukladajú všetky rôzne druhy oddeľovačov v prostredí.
Pred navigáciou autonómneho vozidla v prostredí je veľmi presne zmapované celé prostredie. Všetky značky jazdných pruhov, hranice ciest a akýkoľvek druh oddeľovača v prostredí sú skutočne uložené v týchto druhoch vysoko verných máp.
Keď sa vozidlo pohybuje v prostredí, pre ktoré už máte mapy s vysokou vernosťou, potom znova zachytíte údaje z rôznych senzorov vo vozidle a pokúsite sa priradiť údaje k referenčnej mape, ktorú ste vytvorili. Tento proces zhody vám poskytne vektor pózu, ktorý vám povie, kde je vozidlo na planéte Zem a aká je konfigurácia vozidla. Keď poznáte polohu a konfiguráciu vozidla na ceste, všetky informácie, ktoré ste uložili do verných máp, sa premietnu navrch aktuálnej konfigurácie vozidla. Keď premietate tieto informácie, ako sú dopravné značky, značky jazdných pruhov a akékoľvek oddeľovače ciest alebo oddeľovače prostredia; autonómne vozidlo vie, kde sa teraz nachádza v súvislosti s konkrétnym oddeľovačom alebo z konkrétnej značky jazdného pruhu. Takžeto robia lokalizačné algoritmy.
Poslednou oblasťou autonómneho riadenia je plánovanie a rozhodovanie. Čím sofistikovanejšie a kvalitnejšie algoritmy plánovania a rozhodovania budete mať, tým schopnejšie bude vaše autonómne vozidlo. Napríklad algoritmy plánovania a rozhodovania odlíšia spoločnosti od autonómie na úrovni dva, tri, štyri a päť. Akýkoľvek algoritmus zodpovedný za rozhodovanie alebo plánovanie pohybu a správania vozidla je plánovací algoritmus.
Čím zložitejšie budete mať plánovacie algoritmy, tým lepšie bude vaše vozidlo. Niekoľko plánovačov pohybu a osôb s rozhodovacími právomocami pomáha pri hodnotení bezpečnosti vozidla a životného prostredia, rýchlosti, ktorú navigujete, okolia vozidla a všetkých parametrov, ktoré môžete z vášho prostredia vypočítať. To robia plánovacie algoritmy.
Skúmal som v oblasti plánovania. Ak máte druh algoritmov, ktoré dokážu zvládnuť stochastickosť v dynamike dopravy v Indii. Ak sa s tým dokážete vyrovnať a ak máte algoritmy, preukázali ste, že ak si dokážete zostaviť iba skupinu vnímania a lokalizácie, máte plnohodnotnú technológiu autonómneho riadenia.
Na overenie toho, čo funguje najlepšie, nemusíte vyvíjať všetky rôzne algoritmy. Musíte len vytvoriť tri alebo štyri rôzne algoritmy, o ktorých viete, že vyriešia kľúčový problém v autonómnom riadení. Bezpečnosť je hlavným problémom, prečo na ceste nevidíte komerčné autonómne vozidlá. Náklady a všetky ďalšie problémy sú druhoradé. Celé spustenie som mohol postaviť iba na jednom alebo dvoch algoritmoch, ako je aspekt lokalizácie a mapovania autonómneho riadenia. Ale mojím cieľom bolo vyvinúť plnohodnotné autonómne vozidlo a sem-tam nie jeden alebo dva algoritmy. Po preukázaní kľúčového aspektu v oblasti plánovania a rozhodovania mi dalo dôveru vyriešiť celý problém autonómneho riadenia ako celku.
Otázka: Na akej úrovni autonómneho riadenia pracujú roboti Swaayatt? A aká úroveň je podľa teba možná v Indii?
Naším cieľom je dosiahnuť autonómiu úrovne 5 a zaistiť, aby bola technológia bezpečná v týchto druhoch prostredí. Sme niekde medzi úrovňou tri a úrovňou štyri. Niektoré z algoritmických výskumov, ktoré robíme, sú v pohybovom plánovaní a rozhodovaní zameranom na úroveň päť.
Pracujeme tiež na tom, aby sme autonómnym vozidlám umožnili prejsť cez križovatku v špičkových hodinách premávky bez semaforov. Zameriavame sa na dosiahnutie autonómie úrovne päť umožnením autonómnym vozidlám zvládať úzky priestor s vysoko stochastickou premávkou. Autonómnu jazdu sme absolvovali vo veľmi tesnom prostredí, keď vozidlo alebo bicykel prichádzali tiež z opačného konca. Na úrovni POC sme dosiahli úroveň medzi tromi a štyrmi úrovňami. Už sme zmenili POC na autonómiu štvrtej úrovne uskutočňovaním experimentov vo vysoko stochastickej premávke s obmedzenými priestormi. Naším súčasným cieľom je dosiahnuť autonómnu jazdu po indických cestách 101 kilometrov za hodinu.
Keď preukážete bezpečnosť vozidla v týchto druhoch prostredí, môžete svoju technológiu vziať a použiť kdekoľvek inde, ako napríklad v Severnej Amerike a Európe, kde je premávka oveľa štruktúrovanejšia, kde je prostredie tiež oveľa prísnejšie v porovnaní s indickým prostredím. prostrediach. Takže India je odteraz pre nás skúškou, aby sme dokázali, že máme niečo, čo v tejto chvíli neurobil nikto iný.
Otázka: Ako veľmi pokročila spoločnosť Swaayatt Robots pri vývoji riešenia autonómnej jazdy? Na akej úrovni jazdy momentálne pracujete?
V súčasnosti máme najrýchlejší algoritmus plánovania pohybu na svete, ktorý dokáže naplánovať takmer optimálne časovo parametrizované trajektórie pre autonómne vozidlo za 500 mikrosekúnd. Algoritmus teda pracuje zhruba na 2 000 Hz. Máme technológiu umožňujúcu autonómnu jazdu po indických diaľniciach až 80 kilometrov za hodinu. Dosiahnuť tento druh rýchlosti na indických diaľniciach je veľmi náročné. Spravidla, ak to dokážete, môžete to vziať aj inde. Môžete ho použiť v zahraničnej premávke a v podstate ste veľmi blízko úrovne štyri. Pre predstavu sme pracovali na tom, čo nazývame multiagentná analýza zámerov a vyjednávanie. Tento rámec umožňuje nášmu vozidlu nielen vypočítať pravdepodobnosť zámerov iných vozidiel alebo agentov na ceste.Môže vypočítať pravdepodobnosť celej množiny dráh, ktorú iní agenti alebo vozidlá alebo prekážky v prostredí nemôžu. Samotná táto schopnosť však nie je dostatočná. Môžete napríklad vytvoriť veľmi výpočtovo náročný systém, ktorý dokáže predvídať budúce trajektórie pohybu a možno vypočítať pravdepodobnosti všetkých súborov dráh rôznych vozidiel. Tu sa musíte zamerať, tj. Aj na výpočtovú požiadavku. Výpočetný dopyt v tomto probléme analýz a zámerov multiagentových zámerov exponenciálne porastie, ak ste neurobili žiadny výskum, nepoužívali ste správne matematiku alebo ste ich správne nenavrhli. Skúmam niektoré pojmy z aplikovanej matematiky, konkrétne z oblasti topologickej teórie. Používam niektoré z konceptov ako homotopy mapy,ktoré umožňujú našej technológii škálovať výpočty. Prinajmenšom odteraz je to superlineárne z hľadiska počtu agentov na rozdiel od exponenciálneho nafukovania, s ktorým by ste sa stretli, keby ste matematiku za algoritmami nespracovali správne.
Rámec vyjednávania analýzy zámerov viacerých agentov je ďalej rozdelený na dve rôzne vetvy, na ktorých v súčasnosti pracujeme. Jedným je TSN (Tight Space Negotiator Framework) a druhým je model predbiehania. TSN umožňuje autonómnym vozidlám vyjednávať v nepriaznivom prostredí aj v stochastickej premávke, a to pri nízkej aj vysokej rýchlosti. Takže vysoká rýchlosť by bola veľmi užitočná pre scenáre stochastickej premávky na diaľnici preplnenej diaľnicou a nízka rýchlosť by bola veľmi užitočná, keď sa vozidlo pohybuje v mestskom scenári, kde sa často stretávate s najužšími ulicami s nadmernou premávkou a hlukom, čo znamená je príliš veľká neistota v dynamike dopravy.
Na tomto sme už pracovali posledné dva a pol roka a už sme to vyvinuli vo forme POC. Niektoré z kúskov týchto rámcov, o ktorých hovorím, by sa mohli ukázať v ukážke v našom ďalšom experimente, ktorý bude zameraný na dosiahnutie rýchlosti 101 kilometrov za hodinu na indických cestách.
Ďalej sme tiež skúmali rôzne odvetvia AI. Vo veľkej miere využívame učňovské vzdelávanie, učenie inverzného posilňovania. V súčasnosti teda pracujeme na tom, aby sme autonómnym vozidlám umožnili predbiehať na typických dvojprúdových cestách rovnako, ako to robia indickí vodiči. Dokážeme v maximálnej možnej miere simuláciu aj reálny svet s obmedzeným financovaním. Toto sú niektoré z výskumných oblastí, ktoré sme už v praxi preukázali, a niektoré z nich sa ukážu v najbližších mesiacoch.
Okrem toho sme jednou z mála spoločností na svete, ktorá umožňuje autonómne riadenie v úplne neznámych a nevídaných prostrediach, pre ktoré neexistujú vôbec žiadne mapy vysokej kvality. Autonómnu jazdu môžeme povoliť bez použitia verných máp. Podnikáme v oblasti úplného odstránenia potreby vysoko verných máp a túto likvidáciu umožňujú dve naše kľúčové technológie. Náš rámec TSN je nastavený tak, aby stanovoval nové regulačné štandardy.
Otázka: Keď už hovoríme o hardvérovej architektúre, aký druh hardvéru používate pre výpočtové účely. Aký typ senzorov a kamier používate na mapovanie skutočného sveta na vašich autonómnych vozidlách?
Odteraz používame iba bežné fotoaparáty. Ak uvidíte našu ukážku autonómneho vozidla, všimnete si, že sme nepoužili nič viac ako fotoaparát s rozlíšením 3000 Rs. Ak sa pozriete na výskum vnímania, ktorý sa deje po celom svete s autonómnymi spoločnosťami alebo robotickými spoločnosťami, používajú všetky tri rôzne senzory, ako sú kamery, LiDAR a radary. V súčasnosti sa všetky naše experimenty s autonómnym riadením uskutočňovali iba pomocou kamier. Keď som zakladal spoločnosť, mal som iba skúsenosti s plánovaním, ale od roku 2016 som si uvedomil, že najmodernejšie výskumné práce, bez ohľadu na to, na čom pracujú laboratóriá po celom svete; v skutočnom svete to jednoducho nefunguje. Ak pracujú, sú výpočtovo príliš náročné a jednoducho nepracujú. TakžeVnímanie som vzal tiež ako svoju primárnu oblasť výskumu a venoval som sa okolo 25% - 27% svojho času výskumu vnímania. Teraz je cieľom našej spoločnosti v oblasti výskumu umožniť autonómnym vozidlám vnímať iba kamery bez potreby LiDAR a radarov. Toto je výskumná ambícia, ktorú chceme dosiahnuť. Pri dosahovaní tohto cieľa sme sa tiež ubezpečili, že máme najrýchlejší algoritmus na svete pre všetky bežné úlohy.
Máme dva ciele vo vnímaní. Jeden, algoritmus by mal byť taký schopný, aby umožňoval autonómnym vozidlám vnímať iba cez kamery cez deň aj v noci. Túto schopnosť vnímania sme rozšírili nielen na dennú dobu, ale aj na noc, a to iba pomocou svetlometov vozidla a bežných štandardných kamier RGB a NIR, ktoré si môžete kúpiť za 3000 R v trhu.
Zameriavame sa