Jak autonomiczne samochody uczą się utorować sobie drogę?

Samodzielny publiczny może stosować się do ogólnych zasad dróg, rozpoznając znaki drogowe i jezdni, zwracając uwagę na przejścia dla pieszych i inne dobrze znane funkcje regulacji ruchu drogowego. Ale co robić poza dobrze oznakowanych dróg, изъезженных wzdłuż i wszerz? Na wielu drogach poza granicami miast поистерлась farba, znaki sadzonek bluszczem i drzewa, pojawiły się nietypowe skrzyżowania, nie oznaczone na mapach.

Co musi zrobić następny zasad autonomiczny samochód, gdy zasady są jasne lub brakuje? Co należy zrobić jego pasażerowie, kiedy odkrywają, że ich samochód nie może dostarczyć je tam, dokąd idą?

Uwaga ukrytego

Większość problemów w rozwoju zaawansowanych technologii obejmują przetwarzanie rzadkie lub nietypowe sytuacje lub zdarzenia, które wymagają wydajności, wykraczającej poza ramy standardowych możliwości systemu. To na pewno działa i w przypadku z autonomicznymi samochodami. Niektóre drogowe przykłady mogą obejmować nawigację przez remontowe strefy, spotkanie konia lub buggy, czy też spotkanie z graffiti, przypominającym światło stop. Poza drogi funkcje obejmują absolutnie wszystkie przejawy naturalnego świata, takich jak drzewa, перегородивших drogę, потопов i dużych kałuż — lub nawet zwierząt, blokujących drogę.

W Centrum zaawansowanych systemów samochodowych przy Uniwersytecie stanowym Missisipi naukowcy wzięli na siebie zadanie uczenia algorytmów reagowania na okoliczności, które prawie nigdy nie występują, które trudno przewidzieć i trudno odtworzyć. Próbowali umieścić autonomiczne samochody w najbardziej skomplikowany scenariusz: wozili samochód w obszar, który przedtem nie widział i nie wiedział, bez żadnej niezawodnej infrastruktury jak drogi farby i znaków drogowych, w nieznanym środowisku, gdzie z równym prawdopodobieństwem można spotkać kaktus i białego niedźwiedzia.

W procesie połączyli technologii wirtualnego i realnego świata. Tworzyli zaawansowanych symulacji realistycznych scen na wolnym powietrzu, za pomocą których trenowali algorytmy sztucznej inteligencji odczytać strumień z kamery i klasyfikowania widzieć: drzewa, niebo, otwarte drogi, ewentualne przeszkody. Następnie tłumaczyli te algorytmy na specjalnie utworzony próbny napęd na wszystkie koła samochód i wysyłano go na specjalnie dedykowanej badawczej zabaw, gdzie następnie sprawdzali działanie algorytmów, zbierających dane.

Zacznijmy od wirtualnego

Inżynierowie opracowali symulator, w stanie tworzyć szeroki zakres realistycznych scen zewnętrznych, przez które mógł przejść transport. System generuje różne krajobrazy z różnych климатами, lasy i pustynie, pokazuje, jak rośliny, krzewy i drzewa rosną z upływem czasu. Może także symulować zmiany pogody, słoneczne i światło księżyca, a także dokładne położenie 9000 gwiazd.

Ponadto, system symuluje stan czujników, powszechnie używanych w autonomicznych pojazdach, takich jak лидары i kamery. Te wirtualne czujniki zbierają dane, które następnie скармливаются нейросети jak cenne dane dla nauki.

Zbudujemy tor testowy

Symulacji są dobre na tyle, na ile dobrze odzwierciedlają rzeczywisty świat. Uniwersytet stanowy w Mississippi nabył 50 hektarów ziemi, na których naukowcy opracowują tor testowy dla autonomicznych samochodów terenowych. Działka idealnie nadaje się na nim znajdują się stoki pod kątem 60 stopni i bardzo dużo różnych roślin.

Inżynierowie wyodrębnili pewne naturalne cechy tej ziemi, z którymi, jak oczekują, będzie szczególnie trudno poradzić sobie samorządową samochodów, i odtworzyć je dokładnie na symulatorze. To pozwoliło im bezpośrednio porównać wyniki symulacji z rzeczywistymi próbami nawigacji na prawdziwej ziemi. W końcu oni stworzą podobne prawdziwe i wirtualne pary innych typów krajobrazów, aby poprawić możliwości samochodów.

Zbieranie dodatkowych danych

Również został stworzony próbny transport — Halo Project — z silnikiem elektrycznym i czujnikami z komputerami, które mogą poruszać się w różnych внедорожным środy. Samochód Halo Project wyposażony w dodatkowe czujniki do zbierania szczegółowych danych o jego rzeczywistym otoczeniu; pomagają budować wirtualne środowisko do uruchamiania nowych testów.

Dwa лидарных czujnika, np. podpięcie się pod krzyż kątami w przedniej części samochodu, tak, że ich promienie skanują zbliża się do ziemi. Razem mogą one dostarczyć informacji o tym, jak szorstka lub gładka powierzchnia, a także odczytać dane o trawie i innych roślinach i przedmiotach na drodze.

W ogóle, badania naukowców przyniosły kilka ciekawych wyników. Na przykład, wykazały obiecujące wskazówki na to, że algorytmy uczenia maszynowego, które trenują w symulowanych środowiskach, mogą być pomocne w świecie rzeczywistym. Jak w przypadku większości badań na temat samodzielnego transportu, przed nami jeszcze długa droga. Może wspólnie pomogą zrobić autonomiczne pojazdy nie tylko bardziej funkcjonalne na współczesnych drogach, ale i bardziej popularne i powszechne metodą ruchu.

Też czekacie? Powiedz w naszej