Giganci technologiczni, tacy jak Tesla i Google, sprawili, że samochody autonomiczne są tematem, o którym często rozmawiają entuzjaści technologii. Różne firmy na całym świecie pracują nad stworzeniem autonomicznych pojazdów do jazdy w różnych terenach.
Aby technologia połączonej autonomicznej jazdy była dostępna, przystępna cenowo i dostępna dla wszystkich, firma Swaayatt Robots z siedzibą w Bhopalu dołączyła do modą. Jednak dzięki ogromnej wiedzy na temat całej technologii związanej z Autonomous Robotics, dyrektor generalny firmy, pan Sanjeev Sharma, zostawił wiele firm technologicznych w tyle w wyścigu. Od 2009 roku dużo szuka i przechodzi obliczenia matematyczne związane z tworzeniem inteligentnych rozwiązań dla samochodów autonomicznych.
Mieliśmy okazję porozmawiać z panem Sanjeevem i poznać wszystkie szczegóły technologii autonomicznych pojazdów i robotyki, nad którymi pracują Swaayatt Robots, oraz ich plany na przyszłość. Wykonaj skok, aby przeczytać całą rozmowę, którą z nim odbyliśmy. Możesz też obejrzeć poniższe wideo, aby posłuchać rozmowy naszego redaktora z samym Sanjeevem
P.: Uczynienie technologii autonomicznej jazdy dostępną i przystępną cenowo dla każdego jest główną misją Swaayatt Robots. Jak rozpoczęła się podróż?
Od 11 lat prowadzę badania w dziedzinie autonomicznej nawigacji. W 2009 roku zainspirowały mnie Wielkie Wyzwania DARPAto się stało w Stanach Zjednoczonych. Autonomiczna jazda stała się moim celem w tamtych latach. Przez wiele lat prowadziłem badania i samokształcenie dotyczące planowania ruchu i podejmowania decyzji w warunkach niepewności. Skoncentrowano się na optymalnym wykorzystaniu uczenia maszynowego, uczenia ze wzmocnieniem i różnych technik. Zacząłem Swaayatt Robots w 2014 roku, ale nie chodziło to tylko o zastosowanie badań i badań, które przeprowadziłem w ciągu ostatnich kilku lat. Stosując pewne pomysły w ruchu i przy podejmowaniu decyzji, musiałem również rozwiązać problem planowania percepcji i lokalizacji. Miałem doświadczenie badawcze tylko w zakresie podejmowania decyzji i planowania ruchu. Ale obszary percepcji i lokalizacji były dla mnie dość nowe. Bardzo pomogło mi moje ogromne wykształcenie matematyczne.
Kiedy zacząłem opracowywać algorytmiczne ramy umożliwiające autonomiczną jazdę około roku 2015, zdałem sobie sprawę, że może to być coś bardzo dużego i naprawdę możemy rozwiązać problem autonomicznej jazdy w bardzo stochastycznych scenariuszach ruchu przeciwnego. A od 2014 roku pracuję nad tym startupem na pełny etat. W szczególności moje badania obejmują kilka branż, ale przede wszystkim koncentrujemy się głównie na opracowywaniu algorytmów podejmowania decyzji i planowania ruchu, które pozwalają pojazdom autonomicznym radzić sobie z bardzo wysokimi poziomami stochastyczności w dynamice ruchu. Odpowiada to około 65% do 70% badań prowadzonych w Swaayatt Robots. Około 25% - 27% badań dotyczy obszaru percepcji, który obejmuje różnego rodzaju algorytmy przetwarzające dane z czujników z robota samochodowego,i zbuduj trójwymiarową reprezentację otaczającego go świata.
W naszym odczuciu jesteśmy jedną z nielicznych firm na świecie, które mogą pozwolić autonomicznym pojazdom na postrzeganie otoczenia przy użyciu wyłącznie gotowych kamer, które działają również w dzień i w nocy. Z grubsza tak przebiegała ta podróż.
P. Zacząłeś w 2014 r., Aby zweryfikować swoje pomysły, a następnie całkowicie trafiłeś na ścieżkę do 2015 r. Co więc powinniśmy zrobić w tym roku? Jak przetestowałeś, że w Indiach można samodzielnie prowadzić samochód?
Autonomiczna jazda to połączenie trzech algorytmicznych potoków połączonych razem, a mianowicie. percepcja, planowanie i lokalizacja. Algorytmy pobierają dane sensoryczne, przetwarzają je i tworzą trójwymiarową reprezentację pojazdu. Nazywamy je algorytmami percepcji. Algorytmy lokalizacyjne starają się globalnie dokładnie określić położenie pojazdu na drodze. Tak kiedyś pracowały roboty w środowisku akademickim. W 2009 roku ten model autonomicznej jazdy został zapoczątkowany przez Google. Zanim autonomiczny pojazd zacznie poruszać się po określonej drodze, całą drogę należy odwzorować bardzo szczegółowo w 3D. Nazywamy te mapy mapami o wysokiej wierności. Te mapy o wysokiej wierności przechowują kilka bardzo kluczowych informacji o środowisku. Zazwyczaj przechowują w środowisku różne rodzaje ograniczników.
Zanim autonomiczny pojazd zacznie poruszać się w środowisku, całe otoczenie jest mapowane w bardzo precyzyjny sposób. Wszystkie znaczniki pasów, granice dróg i wszelkiego rodzaju separatory w środowisku są w rzeczywistości przechowywane na tego rodzaju mapach o wysokiej wierności.
Kiedy pojazd porusza się po środowisku, dla którego masz już mapy o wysokiej wierności, ponownie przechwytujesz dane z różnych czujników w pojeździe i próbujesz dopasować dane do utworzonej mapy odniesienia. Ten proces dopasowywania daje wektor pozy, który informuje, gdzie znajduje się pojazd na planecie Ziemia i jaka jest konfiguracja pojazdu. Gdy już znasz pozycję i konfigurację pojazdu na drodze, wszystkie informacje, które zapisałeś na mapach o wysokiej wierności, są wyświetlane na bieżącej konfiguracji pojazdu. Podczas projekcji tych informacji, takich jak znaczniki dróg, pasów ruchu i wszelkiego rodzaju separatory dróg lub ograniczniki środowiska; pojazd autonomiczny wie, gdzie się teraz znajduje w odniesieniu do określonego ogranicznika lub z określonego znacznika pasa ruchu. Więc,to właśnie robią algorytmy lokalizacji.
Ostatnim obszarem autonomicznej jazdy jest planowanie i podejmowanie decyzji. Im bardziej wyrafinowane i lepsze algorytmy planowania i podejmowania decyzji, tym bardziej wydajny będzie Twój pojazd autonomiczny. Na przykład algorytmy planowania i podejmowania decyzji odróżnią firmy od autonomii na poziomie drugim, trzecim, czwartym i piątym. Każdy algorytm odpowiedzialny za podejmowanie decyzji lub planowanie ruchu i zachowania pojazdu jest algorytmem planowania.
Im bardziej zaawansowane algorytmy planowania, tym lepszy będzie Twój pojazd. Kilku planistów ruchu i decydentów pomaga w ocenie bezpieczeństwa pojazdu i środowiska, prędkości, z jaką się poruszasz, otoczenia pojazdu oraz wszystkich parametrów, które możesz obliczyć na podstawie swojego otoczenia. To właśnie robią algorytmy planowania.
Szukałem w dziedzinie planowania. Jeśli masz takie algorytmy, które mogą poradzić sobie ze stochastycznością w dynamice ruchu w Indiach. Jeśli sobie z tym poradzisz i dysponujesz algorytmami, to udowodniłeś, że jeśli potrafisz po prostu zbudować stos percepcji i lokalizacji, dysponujesz pełnoprawną technologią autonomicznej jazdy.
Nie musisz opracowywać wszystkich różnych algorytmów, aby sprawdzić, co działa najlepiej. Musisz tylko zbudować trzy lub cztery różne algorytmy, o których wiesz, że rozwiążą kluczowy problem autonomicznej jazdy. Bezpieczeństwo jest głównym problemem, dlaczego nie widzisz komercyjnych autonomicznych pojazdów na drogach. Koszt i wszystkie inne kwestie są drugorzędne. Mógłbym zbudować cały startup na jednym lub dwóch algorytmach, takich jak aspekt lokalizacji i mapowania autonomicznej jazdy. Ale moim celem było opracowanie pełnoprawnego autonomicznego pojazdu, a nie jednego czy dwóch algorytmów tu i ówdzie. Udowodnienie kluczowego aspektu w obszarze planowania i podejmowania decyzji dało mi pewność, że mogę zająć się całym problemem autonomicznej jazdy w ogóle.
P: Na jakim poziomie autonomicznej jazdy pracują roboty Swaayatt? Jak myślisz, jaki poziom jest możliwy w Indiach?
Naszym celem jest osiągnięcie autonomii na poziomie 5 i zapewnienie, że technologia jest bezpieczna w tego typu środowiskach. Jesteśmy gdzieś pomiędzy poziomem trzecim a czwartym. Niektóre z badań algorytmicznych, które prowadzimy, dotyczą planowania ruchu i podejmowania decyzji ukierunkowanych na poziom piąty.
Pracujemy również nad umożliwieniem autonomicznym pojazdom przejeżdżania przez skrzyżowanie w godzinach szczytu bez sygnalizacji świetlnej. Naszym celem jest osiągnięcie piątego poziomu autonomii, umożliwiając autonomicznym pojazdom radzenie sobie w ciasnych przestrzeniach z wysoce stochastycznym ruchem. Prowadziliśmy autonomiczną jazdę w bardzo ciasnym otoczeniu, gdy pojazd lub rower nadjeżdżał również z przeciwnej strony. Na poziomie POC osiągnęliśmy od trzech do czterech poziomów. Zmieniliśmy już POC-y na autonomię czwartego poziomu, przeprowadzając eksperymenty w wysoce stochastycznym ruchu ulicznym z ciasnymi przestrzeniami. Naszym obecnym celem jest osiągnięcie 101 kilometrów na godzinę autonomicznej jazdy po drogach Indii.
Kiedy już udowodnisz bezpieczeństwo pojazdu w tego typu środowiskach, możesz wziąć swoją technologię i zastosować ją gdziekolwiek indziej, np. W Ameryce Północnej i Europie, gdzie ruch jest znacznie bardziej ustrukturyzowany, gdzie środowiska są również znacznie bardziej restrykcyjne niż w Indiach. środowiskach. Tak więc Indie są teraz poligonem doświadczalnym dla nas, aby udowodnić, że mamy coś, czego nikt inny nie zrobił w tej chwili.
P. Jak bardzo firma Swaayatt Robots poczyniła postępy w opracowywaniu rozwiązania do autonomicznej jazdy? Na jakim poziomie jazdy aktualnie pracujesz?
Obecnie mamy najszybszy na świecie algorytm planowania ruchu, który może zaplanować niemal optymalne trajektorie parametryzowane w czasie dla pojazdu autonomicznego w ciągu 500 mikrosekund. Więc algorytm działa mniej więcej przy 2000 Hz. Dysponujemy technologią umożliwiającą autonomiczną jazdę z prędkością do 80 kilometrów na godzinę po indyjskich autostradach. Osiągnięcie takiej prędkości na indyjskich autostradach jest bardzo trudne. Zazwyczaj, jeśli możesz to zrobić, możesz też zabrać to gdzie indziej. Możesz go zastosować w ruchu zagranicznym i zasadniczo jesteś bardzo blisko czwartego poziomu. Aby dać Ci pomysł, pracowaliśmy nad tym, co nazywamy analizą intencji wielu agentów i negocjacjami. Ta struktura pozwala naszemu pojazdowi nie tylko obliczać prawdopodobieństwo zamiarów innych pojazdów lub agentów na drogach.Może obliczyć prawdopodobieństwa całych zestawów ścieżek, których inni agenci, pojazdy lub przeszkody w środowisku nie mogą. Jednak sama ta zdolność nie jest wystarczająca. Na przykład można zbudować bardzo wymagający obliczeniowo system, który może przewidywać przyszłe trajektorie ruchu i być może obliczać prawdopodobieństwa wszystkich zestawów ścieżek różnych pojazdów. W tym miejscu musisz się skupić, tj. Również na wymaganiach obliczeniowych. Zapotrzebowanie na obliczenia w tym problemie wieloagentowej analizy intencji i negocjacji będzie rosło wykładniczo, jeśli nie wykonałeś żadnych badań, nie użyłeś poprawnie matematyki lub jeśli nie zaprojektowałeś ich właściwie. Badam niektóre pojęcia z matematyki stosowanej, szczególnie z zakresu teorii topologii. Używam niektórych pojęć, takich jak mapy homotopii,które pozwalają naszej technologii na skalowanie obliczeń. Przynajmniej na razie jest superliniowa pod względem liczby agentów, w przeciwieństwie do wykładniczego powiększenia, które napotkałbyś, gdybyś nie opracował poprawnie matematyki stojącej za algorytmami.
Struktura negocjacji analizy intencji z udziałem wielu agentów jest dalej podzielona na dwie różne gałęzie, nad którymi obecnie pracujemy. Jednym z nich jest TSN (Tight Space Negotiator Framework), a drugim model wyprzedzania. TSN umożliwia autonomicznym pojazdom pokonywanie zarówno ciasnych środowisk, jak i ruchu stochastycznego, zarówno przy niskich, jak i dużych prędkościach. Tak duża prędkość byłaby bardzo przydatna w scenariuszach stochastycznego ruchu drogowego zagraconych autostradami, a mała prędkość byłaby bardzo przydatna, gdy pojazd porusza się w warunkach miejskich, gdzie często napotykasz najciaśniejsze ulice o zbyt dużym natężeniu ruchu i hałasie w ruchu, co oznacza, że istnieje jest zbyt duża niepewność w dynamice ruchu.
Pracowaliśmy nad tym już od dwóch i pół roku, a już rozwinęliśmy to w formie POC. Niektóre fragmenty tych ram, o których mówię, mogą zostać pokazane w wersji demonstracyjnej w naszym następnym eksperymencie, który będzie ukierunkowany na osiągnięcie prędkości 101 kilometrów na godzinę na drogach Indii.
Ponadto prowadziliśmy badania w różnych gałęziach sztucznej inteligencji. Intensywnie korzystamy z uczenia się przez praktykę, uczenia się z odwrotnym wzmocnieniem. Dlatego obecnie pracujemy nad umożliwieniem pojazdom autonomicznym wyprzedzania na typowych drogach dwupasmowych, tak jak robią to kierowcy z Indii. Udowadniamy zarówno w symulacji, jak iw świecie rzeczywistym w maksymalnym możliwym zakresie przy ograniczonych finansach. Oto niektóre z obszarów badawczych, które już udowodniliśmy w terenie, a niektóre z nich zostaną sprawdzone w ciągu najbliższych kilku miesięcy.
Poza tym jesteśmy jedną z nielicznych firm na świecie, która może umożliwić autonomiczną jazdę w zupełnie nieznanych i niewidocznych środowiskach, dla których w ogóle nie ma map o wysokiej wierności. Możemy umożliwić autonomiczną jazdę bez korzystania z wysokiej jakości map. Pracujemy nad całkowitym wyeliminowaniem potrzeby tworzenia map o wysokiej wierności, a tę eliminację umożliwiają dwie z naszych kluczowych technologii. Nasza struktura TSN ma na celu wyznaczenie nowego wzorca regulacyjnego.
P. Mówiąc o architekturze sprzętowej, jakiego rodzaju sprzętu używasz do celów obliczeniowych. Jakiego rodzaju czujników i kamer używasz do mapowania świata rzeczywistego w pojazdach autonomicznych?
Na razie używamy tylko gotowych aparatów. Jeśli zobaczysz nasze demo dla pojazdu autonomicznego, zauważysz, że używaliśmy tylko aparatu 3000 Rs. Jeśli spojrzysz na badania percepcji, które są prowadzone na całym świecie przez autonomiczne firmy lub firmy zajmujące się robotyką, używają one wszystkich trzech różnych czujników, takich jak kamery, LiDAR i radary. Obecnie wszystkie nasze eksperymenty z autonomiczną jazdą odbywały się wyłącznie przy użyciu kamer. Kiedy zakładałem firmę, miałem tylko doświadczenie w planowaniu, ale od 2016 r. Zdałem sobie sprawę, że najnowocześniejsze artykuły naukowe, niezależnie od tego, nad czym pracują laboratoria na całym świecie; po prostu nie działa w prawdziwym świecie. Jeśli działają, są zbyt intensywne obliczeniowo i po prostu nie działają. Więc,Jako główny obszar badań uznałem percepcję i poświęciłem około 25% - 27% czasu na badanie percepcji. Obecnie celem badawczym naszej firmy jest umożliwienie autonomicznym pojazdom dostrzegania za pomocą samych kamer, bez konieczności stosowania LiDARów i radarów. To ambicja badawcza, którą chcemy osiągnąć. Osiągając to, zapewniliśmy również, że mamy najszybszy na świecie algorytm do wszelkich typowych zadań.
Mamy dwa cele w percepcji. Po pierwsze, algorytm powinien być na tyle zdolny, aby umożliwiał autonomicznym pojazdom dostrzeganie za pomocą samych kamer zarówno w dzień, jak iw nocy. Rozszerzyliśmy tę zdolność percepcji nie tylko w dzień, ale także w nocy, używając tylko reflektora pojazdu i zwykłych, gotowych kamer RGB i NIR, które można kupić za 3000 Rs w rynek.
Skupiamy się