Az olyan technikai óriások, mint a Tesla és a Google, az önvezető járműveket a tech-rajongók körében sokat emlegetett témává tették. Világszerte számos vállalat dolgozik azon, hogy önállóan működő járműveket fejlesszen ki különböző terepeken.
Annak érdekében, hogy a csatlakoztatott autonóm vezetési technológia mindenki számára elérhető, megfizethető és mindenki számára elérhető legyen, a bhopali székhelyű Swaayatt Robots csatlakozott a sávhoz. Azonban az Autonomous Robotics technológiájának, a vállalat vezérigazgatójának hatalmas ismerete, Sanjeev Sharma úr sok technológiai vállalatot hagyott maga után a versenyen. 2009 óta sokat kutat és matematikai számításokat hajt végre, amelyek intelligens megoldásokkal állnak elő az önvezető autók számára.
Lehetőséget kaptunk arra, hogy beszéljünk Szanjejev úrral, és megismerjük az autonóm járművek és a robotika mögött rejlő technológiák minden részletét, valamint a jövőbeli terveiket. Üssön egy ugrást, hogy elolvassa a vele folytatott beszélgetést. Alternatív megoldásként megnézheti az alábbi videót is, hogy meghallgassa szerkesztőnk és maga Szanjevev beszélgetését
K. Az, hogy az autonóm vezetéstechnikát mindenki számára elérhetővé és megfizethetővé tegye, a Swaayatt robotok fő küldetése. Hogyan kezdődött az út?
Az elmúlt 11 évben az autonóm navigáció területén kutattam. Még 2009-ben a DARPA nagy kihívásai ihlettekami az USA-ban történt. Ezekben az években az autonóm vezetés lett a célom. Sok éven át folytattam kutatást és önálló tanulmányokat folytattam kifejezetten a mozgás tervezésével és a bizonytalanságok alatt történő döntéshozatalsal kapcsolatban. A hangsúly a gépi tanulás, az erősítő tanulás és a különböző technikák optimális kihasználására irányult. 2014-ben indítottam el a Swaayatt Robotst, de nem egyszerűen az elmúlt években végzett kutatásokat és tanulmányokat alkalmaztam. Néhány ötletet mozgásban és döntéshozatalban meg kellett oldanom az észlelés-tervezés és a lokalizáció problémáját is. Csak a döntéshozatal és a mozgástervezés területén volt kutatási tapasztalatom. De az észlelés és a lokalizáció területe meglehetősen új volt számomra. Óriási matematikai hátterem sokat segített.
Miután elkezdtem fejleszteni az algoritmikus keretrendszereket az autonóm vezetés lehetővé tétele érdekében 2015 körül, rájöttem, hogy ez valami nagyon hatalmas lehet, és nagyon sztochasztikus kontradiktórius forgalmi forgatókönyvekben valóban megoldhatjuk az autonóm vezetés problémáját. 2014 óta pedig teljes munkaidőben dolgozom ezen a startupon. Kutatásom főleg több ágra terjed ki, de vállalatunk elsősorban a döntéshozatali és mozgástervezési algoritmusok fejlesztésére irányul, amelyek lehetővé teszik az autonóm járművek számára a forgalom dinamikájának nagyon magas szintű sztochasztikusságát. Ez a Swaayatt Robots kutatásainak nagyjából 65-70% -át teszi ki. A kutatás körülbelül 25–27% -a az észlelés területére megy, amely mindenféle algoritmust felölel, amely egy jármű robotrendszeréből származó szenzor adatait dolgozza fel,és felépíteni a körülötte lévő világ 3D-s ábrázolását.
A felfogás szerint a világ azon kevés cégei közé tartozunk, amelyek megengedhetik, hogy az autonóm járművek csak a nappali és az éjszakai időben is üzemelő kamerák használatával érzékeljék a környezetet. Nagyjából így alakult eddig az út.
K. 2014-ben kezdte el érvényesíteni elképzeléseit, majd 2015-ig teljesen bejárta az utat. Tehát mit tegyünk ebben az egy évben? Hogyan tesztelted, hogy Indiában meg lehet-e hajtani az önvezetést?
Az autonóm vezetés három algoritmikus csővezeték keveréke, nevezetesen. észlelés, tervezés és lokalizáció. Az algoritmusok szenzoros adatokat vesznek fel, feldolgozzák és 3D-s ábrázolást építenek a jármű köré. Érzékelési algoritmusoknak hívjuk őket. A lokalizációs algoritmusok megpróbálják globálisan pontosan meghatározni a jármű helyzetét az úton. A robotok így működtek régebben tudományos környezetben. 2009-ben a Google úttörő szerepet játszott az autonóm vezetés ezen modelljében. Mielőtt egy autonóm jármű egy adott úton haladna, az egész utat nagyon részletesen kell feltérképezni 3d-ben. Ezeket a térképeket nagy pontosságú térképeknek hívjuk. Ezek a nagy pontosságú térképek nagyon fontos információkat tárolnak a környezetről. Általában az összes különféle elválasztót tárolják a környezetben.
Mielőtt az autonóm jármű egy környezetben navigálna, a teljes környezetet nagyon pontosan feltérképezik. Valamennyi sávjelzőt, úthatárot és bármilyen körülhatárolót a környezetben tárolnak az efféle nagy hűségű térképeken.
Amikor a jármű olyan környezetben navigál, amelyre már van nagy pontosságú térképe, akkor újra rögzíti a jármű különböző érzékelőinek adatait, és megpróbálja összehangolni az adatokat egy saját referencia térképével. Ez az illesztési folyamat olyan pózvektort ad, amely megmondja, hol van a jármű a Föld bolygón, és mi a jármű konfigurációja. Ha ismeri a jármű helyzetét és konfigurációját az úton, akkor a nagy felbontású térképeken tárolt összes információ a jármű jelenlegi konfigurációjára vetül. Amikor ezt az információt kivetíti, például útjelzőket, sávjelzőket és bármilyen út- vagy környezeti határolót; az autonóm jármű tudja, hogy hol van egy adott határolóval vagy egy adott sávjelzővel szemben. Így,ezt teszik a lokalizációs algoritmusok.
Az autonóm vezetés végső területe a tervezés és a döntéshozatal. Minél kifinomultabb és jobb tervezési és döntéshozatali algoritmusok vannak, annál jobban képes lesz önálló járműve. Például a tervezési és a döntéshozatali algoritmusok megkülönböztetik a vállalatokat a második, a harmadik, a negyedik és az ötödik szintű autonómiától. Bármely algoritmus, amely felelős a döntéshozatalért vagy a jármű mozgásának és viselkedésének tervezéséért, tervezési algoritmus.
Minél kifinomultabb a tervezés algoritmusaiban, annál jobb lesz a járműve. Számos mozgástervező és döntéshozó segít felmérni a jármű és a környezet biztonságát, a sebességet, amellyel navigál, a jármű környezetét, valamint az összes paramétert, amelyet kiszámíthat a környezetéből. A tervezési algoritmusok ezt teszik.
Kutattam a tervezés területén. Ha van olyan algoritmusa, amely képes kezelni az indiai forgalmi dinamika sztochaszticitását. Ha tudsz ezzel foglalkozni, és ha vannak algoritmusaid, akkor bebizonyítottad, hogy ha csak felfogási és lokalizációs halmot tudsz építeni, akkor teljes értékű autonóm vezetési technológiával rendelkezel.
Nem kell minden különféle algoritmust kifejlesztenie annak ellenőrzéséhez, hogy mi működik a legjobban. Csak három vagy négy különböző algoritmust kell felépítenie, amelyekről tudja, hogy megoldják az autonóm vezetés legfontosabb problémáját. A biztonság az elsődleges kérdés, miért nem látja a közúti önálló kereskedelmi járműveket. A költségek és az összes többi kérdés másodlagos. Felépíthettem volna a teljes indítást egy vagy két algoritmusra, például az autonóm vezetés lokalizációs és leképezési aspektusára. De a célom egy teljes értékű autonóm jármű kifejlesztése volt, nem pedig egy-két algoritmus ide-oda. Miután bebizonyítottam a kulcsfontosságú szempontot a tervezés és a döntéshozatal területén, bizalmat kaptam az autonóm vezetés egész problémájának kezelésére.
K. Milyen szintű autonóm vezetéssel dolgozik a Swaayatt Robots? És szerinted milyen szint lehetséges Indiában?
Célunk az 5. szintű autonómia elérése és annak biztosítása, hogy a technológia biztonságos legyen az ilyen környezetekben. Valahol a harmadik és a negyedik szint között vagyunk. Néhány algoritmikus kutatás, amelyet végzünk, az ötödik szintre irányított mozgástervezés és döntéshozatal.
Dolgozunk azon is, hogy az autonóm járművek a csúcsforgalmi órákban keresztezhessék a kereszteződést a lámpák nélkül. Célunk az ötödik szintű autonómia elérése azáltal, hogy lehetővé teszik az autonóm járművek számára a szűk hely és a rendkívül sztochasztikus forgalom kezelését. Autonóm vezetést végeztünk nagyon szűk környezetben, amikor egy jármű vagy egy kerékpár is a másik oldalról érkezett. POC szinten három és négy szint között értünk el. A POC-kat már a negyedik szintű autonómia felé fordítottuk azáltal, hogy kísérleteket folytattunk sztöchasztikus forgalomban, szűk helyeken. Jelenlegi célunk 101 kilométer per órás autonóm vezetés elérése indiai utakon.
Miután bebizonyította a jármű biztonságát ilyen jellegű környezetekben, használhatja a technológiáját, és bárhol másutt alkalmazhatja, például Észak-Amerikában és Európában, ahol a forgalom sokkal strukturáltabb, ahol a környezet is sokkal szigorúbb, mint az indiai környezetek. Tehát India mostanában tesztelőhely számunkra annak bizonyítására, hogy van valami, amit jelenleg senki más nem tett meg.
K. Mennyit fejlődött a Swaayatt Robots az autonóm vezetési megoldás kifejlesztésében? Milyen vezetési szinten dolgozik jelenleg?
Jelenleg a világ leggyorsabb mozgástervezési algoritmusával rendelkezünk, amely 500 mikroszekundum alatt képes megtervezni az optimális időparaméteres pályákat egy autonóm jármű számára. Tehát az algoritmus nagyjából 2000 hertz sebességgel működik. Rendelkezünk olyan technológiával, amely akár 80 kilométer per órás autonóm vezetést tesz lehetővé az indiai autópályákon. Ilyen sebesség elérése az indiai autópályákon nagyon nehéz. Jellemzően, ha ezt megteheti, akkor máshová is viheti. Alkalmazhatja külföldi forgalomban, és alapvetően nagyon közel áll a negyedik szinthez. Hogy ötletet adjon nekünk, azon dolgoztunk, amelyet multi-agent szándék elemzésnek és tárgyalásnak nevezünk. Ez a keret lehetővé teszi járművünk számára, hogy ne csak kiszámítsa más járművek vagy ügynökök szándékainak valószínűségét az úton.Kiszámíthatja annak a teljes útvonalnak a valószínűségét, amelyet más ügynökök, járművek vagy akadályok a környezetben nem tudnak. Ez a képesség önmagában azonban nem elegendő. Például felépíthet egy nagyon számításigényes rendszert, amely képes megjósolni a jövőbeli mozgási pályákat, és esetleg kiszámíthatja a különböző járművek összes útvonalkészletének valószínűségét. Itt kell összpontosítania, azaz a számítási követelményekre is. A multi-agent szándékelemzés és tárgyalások problémájának számítási igénye exponenciálisan növekszik, ha még nem végzett kutatást, nem megfelelően használta a matematikát, vagy ha nem megfelelően tervezte meg őket. Az alkalmazott matematika néhány fogalmát kutatom, kifejezetten a topológiai elmélet területén. Néhány olyan fogalmat használok, mint a homotópia térképek,amelyek lehetővé teszik technológiánkkal a számítások méretezését. Legalábbis jelenleg az ügynökök számát tekintve szuperlineáris, szemben az exponenciális felrobbantással, amellyel akkor találkozna, ha nem dolgozta ki megfelelően az algoritmusok mögötti matematikát.
A több ügynököt megcélzó elemzési tárgyalási keretrendszer két további ágra oszlik, amelyeken jelenleg dolgozunk. Az egyik a TSN (Tight Space Negotiator Framework), a másik az előzési modell. A TSN lehetővé teszi az autonóm járművek számára, hogy tárgyaljanak mind a szűk környezetben, mind a sztochasztikus forgalomban, alacsony és nagy sebességgel egyaránt. Tehát a nagy sebesség nagyon hasznos lenne az autópálya-zűrzavaros sztochasztikus forgalmi forgatókönyvek esetében, az alacsony sebesség pedig nagyon hasznos lenne, ha a jármű városi forgatókönyv szerint közlekedik, ahol gyakran találkozik a legszorosabb utcákkal, ahol túl nagy a forgalom és a zaj a forgalomban van, ami azt jelenti, hogy ott túl sok bizonytalanság a forgalom dinamikájában.
Az elmúlt két és fél évben már dolgoztunk ezen, és POC formájában már kidolgoztuk. E keretek néhány aprósága, amelyekről beszélek, a következő kísérletünk demójában mutathatók be, amelynek célja az indiai utakon működő 101 kilométer / órás sebesség elérése lesz.
Továbbá az AI különböző ágaiban is kutattunk. Sokat alkalmazzuk a gyakornoki tanulást, az inverz megerősítő tanulást. Tehát jelenleg azon dolgozunk, hogy lehetővé tegyük az autonóm járművek előzését tipikus kétsávos utakon, csakúgy, mint az indiai sofőrök. A szimulációban és a valós életben is a lehető legnagyobb mértékben bizonyítunk korlátozott finanszírozással. Ez néhány olyan kutatási terület, amelyet már a helyszínen is bizonyítottunk, és néhányuk a következő néhány hónapban be fog bizonyulni.
Ettől eltekintve mi vagyunk az egyetlen vállalatok a világon, amelyek lehetővé teszik az autonóm vezetést teljesen ismeretlen és nem látott környezetekben, amelyekhez egyáltalán nincsenek nagy hűségű térképek. Nagysebességű térképek használata nélkül engedélyezhetjük az autonóm vezetést. A nagy pontosságú térképek iránti igény teljes felszámolásában vagyunk, és ezt a felszámolást két kulcsfontosságú technológiánk teszi lehetővé. A TSN keretrendszerünk új szabályozási referenciaérték meghatározására készült.
K. A hardver architektúrájáról szólva, milyen hardvert használ a számítási célra. Ezenkívül milyen érzékelőket és kamerákat használ a valós világ feltérképezéséhez autonóm járművein?
Mostantól csak polc nélküli kamerákat használunk. Ha látja egy autonóm jármű bemutatónkat, akkor észreveszi, hogy mi nem használtunk mást, mint egy 3000 Rs kamerát. Ha megnézzük a világszerte zajló észlelési kutatásokat az autonóm vállalatokkal vagy a robotikai társaságokkal kapcsolatban, akkor mindhárom különböző érzékelőt használják, például kamerákat, LiDAR-okat és radarokat. Jelenleg minden önálló vezetési kísérletünk csak kamerák segítségével történt. Amikor megalapítottam a vállalatot, csak a tervezés terén volt szakértelem, de 2016 óta rájöttem, hogy a legmodernebb kutatási cikkek, bárhol is dolgoznak a laboratóriumok a világ minden tájáról; egyszerűen nem működik a való világban. Ha dolgoznak, akkor túl számítási intenzívek, és egyszerűen nem működnek. Így,Az észlelést is elsődleges kutatási területemnek tekintettem, és időm körülbelül 25–27% -át fordítottam percepciós kutatásra. Cégünk kutatási célja most az, hogy az autonóm járművek csak a kamerák használatával képesek érzékelni LiDAR-ok és radarok nélkül. Ez egy kutatási ambíció, amelyet el akarunk érni. Ennek elérése során azt is biztosítottuk, hogy a világ leggyorsabb algoritmusa legyen minden közös feladatra.
Két célunk van az érzékelésben. Az egyik, az algoritmusnak annyira képesnek kell lennie, hogy lehetővé tegye az autonóm járművek számára, hogy nappal és éjszaka is csak kamerák segítségével érzékeljenek. Kiterjesztettük ezt az érzékelési képességet nemcsak a nappali időre, hanem az éjszakára is, csak a jármű fényszóróján és a szokásos polcos RGB és NIR kamerákon, olyan kamerákon, amelyeket 3000 R-ért vásárolhat a piac.
Összpontosítunk