Technikos gigantai, tokie kaip „Tesla“ ir „Google“, pavertė savaeigėmis transporto priemonėmis populiarias technologijų entuziastų temas. Įvairios kompanijos visame pasaulyje siekia sukurti autonomines vairavimo transporto priemones įvairioms vietovėms.
Kad sujungta autonominė vairavimo technologija būtų prieinama, prieinama ir prieinama visiems, Bhopale įsikūrę „Swaayatt Robots“ prisijungė prie grupės. Tačiau žinodamas apie visas technologijas, susijusias su autonomine robotika, bendrovės generaliniu direktoriumi, ponas Sanjeevas Sharma paliko daugybę technologijų kompanijų lenktynėse. Nuo 2009 m. Jis daug tyrinėjo ir atliko matematinius skaičiavimus, susijusius su išmaniųjų sprendimų savarankiškiems automobiliams kūrimu.
Gavome galimybę pasikalbėti su ponu Sanjejevu ir žinoti visas technologijas, slypinčias autonominėse transporto priemonėse ir robotikoje, prie kurių dirba „Swaayatt Robots“, ir jų ateities planus. Paspauskite šuolį, kad perskaitytumėte visą pokalbį, kurį turėjome su juo. Arba galite žiūrėti toliau pateiktą vaizdo įrašą, kad išgirstumėte mūsų redaktoriaus ir paties Sanjeevo pokalbį
Q. Padaryti autonominę vairavimo technologiją prieinamą ir prieinamą visiems yra pagrindinė „Swaayatt Robots“ misija. Kaip prasidėjo kelionė?
Pastaruosius 11 metų tyrinėjau autonominės navigacijos srityje. Dar 2009 m. Mane įkvėpė „ DARPA Grand Challenges“kad nutiko JAV. Per tuos metus mano tikslas tapo autonominis vairavimas. Per daugelį metų aš tyrinėjau ir atlikau savarankiškas studijas, konkrečiai apie judesio planavimą ir sprendimų priėmimą, esant neaiškumams. Pagrindinis dėmesys buvo skiriamas optimaliam mašininio mokymosi, mokymosi sustiprinti ir įvairių metodų panaudojimui. „Swaayatt Robots“ įkūriau 2014 m., Tačiau tai nebuvo vien tik pastarųjų kelerių metų atliktų tyrimų ir tyrimų taikymas. Pritaikius kai kurias idėjas judant ir priimant sprendimus, turėjau išspręsti ir suvokimo planavimo bei lokalizavimo problemą. Tyrimų patirties turėjau tik sprendimų priėmimo ir judesio planavimo srityse. Tačiau suvokimo ir lokalizacijos sritys man buvo gana naujos. Mano nepaprastas matematinis pagrindas man labai padėjo.
Kai pradėjau kurti algoritmines sistemas, leidžiančias autonomiškai važiuoti maždaug 2015 m., Supratau, kad tai gali būti kažkas labai didžiulio, ir mes tikrai galime išspręsti autonominio vairavimo problemą pagal labai stochastiškus rungimosi eismo scenarijus. Nuo 2014 m. Visą laiką dirbu šiame startuolyje. Mano tyrimai visų pirma apima keletą sričių, tačiau visų pirma mūsų kompanija daugiausia dėmesio skiria sprendimų priėmimo ir judesio planavimo algoritmų sukūrimui, kurie leidžia autonominėms transporto priemonėms susidoroti su labai dideliu eismo dinamikos stochastiškumu. Tai sudaro maždaug 65–70% „Swaayatt Robots“ atliktų tyrimų. Maždaug 25–27% tyrimų eina į suvokimo sritį, apimančią įvairiausius algoritmus, kurie apdoroja jutiklių duomenis iš transporto priemonės robotų sistemos,ir susikurkite 3D vaizdą apie jį supantį pasaulį.
Vertinant, mes esame viena iš nedaugelio kompanijų pasaulyje, galinčių leisti autonominėms transporto priemonėms suvokti aplinką naudojant tik parduotuvėje esančias kameras, kurios veikia ir dieną, ir naktį. Maždaug taip kelionė vyko iki šiol.
K. Pradėjote 2014 m., Kad patvirtintumėte savo idėjas, o iki 2015 m. Visiškai pasivijote kelią. Taigi ką turėtume padaryti per vienerius metus? Kaip išbandėte, kad Indijoje galima vairuoti savarankiškai?
Autonominis važiavimas yra trijų algoritminių vamzdynų, sujungtų kartu, mišinys. suvokimas, planavimas ir lokalizavimas. Algoritmai ima jutiminius duomenis, juos apdoroja ir sukuria 3D vaizdą aplink transporto priemonę. Mes juos vadiname suvokimo algoritmais. Lokalizavimo algoritmai bando globaliai tiksliai nustatyti transporto priemonės padėtį kelyje. Taip anksčiau robotai dirbo akademinėje aplinkoje. 2009 m. Šį autonominio vairavimo modelį sukūrė „Google“. Prieš autonominei transporto priemonei važiuojant tam tikru keliu, visas kelias turi būti labai detaliai atvaizduotas 3d. Šiuos žemėlapius mes vadiname aukšto tikslumo žemėlapiais. Šiuose aukšto lygio žemėlapiuose saugoma labai svarbi informacija apie aplinką. Paprastai aplinkoje jie saugo visus skirtingus skiriklius.
Prieš autonominei transporto priemonei naršant aplinkoje, visa aplinka yra tiksliai apibrėžta. Visi eismo juostų žymekliai, kelio ribos ir bet koks aplinkos ribotuvas iš tikrųjų yra saugomi tokio tipo aukštos kokybės žemėlapiuose.
Kai transporto priemonė naršo aplinkoje, kurioje jau turite aukštos kokybės žemėlapius, tada vėl užfiksuojate įvairių transporto priemonės jutiklių duomenis ir bandote suderinti duomenis su jūsų sukurtu etaloniniu žemėlapiu. Šis atitikimo procesas suteikia jums pozos vektorių, kuris nurodo, kur transporto priemonė yra Žemės planetoje ir kokia yra transporto priemonės konfigūracija. Kai žinosite transporto priemonės padėtį ir konfigūraciją kelyje, visa informacija, kurią išsaugojote aukštos kokybės žemėlapiuose, bus suprojektuota ant dabartinės transporto priemonės konfigūracijos. Kai projektuojate šią informaciją, pvz., Kelio ženklus, eismo juostų žymenis ir bet kokio kelio ar aplinkos ribotuvus; autonominė transporto priemonė žino, kur ji yra, atsižvelgiant į tam tikrą ribotuvą arba iš konkretaus juostos žymeklio. Taigi,tai daro lokalizacijos algoritmai.
Galutinė autonominio vairavimo sritis yra planavimas ir sprendimų priėmimas. Kuo sudėtingesni ir geresni planavimo ir sprendimų priėmimo algoritmai, tuo pajėgesnė bus jūsų autonominė transporto priemonė. Pavyzdžiui, planavimo ir sprendimų priėmimo algoritmai skirs įmones nuo antrojo, trečiojo, ketvirtojo ir penktojo lygio autonomijos. Bet koks algoritmas, atsakingas už sprendimo priėmimą arba transporto priemonės judėjimo ir elgesio planavimą, yra planavimo algoritmas.
Kuo daugiau išmanote planavimo algoritmus, tuo geresnė bus jūsų transporto priemonė. Keli judesio planuotojai ir sprendimus priimantys asmenys padeda įvertinti transporto priemonės ir aplinkos saugumą, greitį, kuriuo važiuojate, transporto priemonės aplinką ir visus parametrus, kuriuos galite apskaičiuoti iš savo aplinkos. Tai daro planavimo algoritmai.
Aš tyrinėjau planavimo srityje. Jei turite tokių algoritmų, kurie galėtų spręsti eismo dinamikos Indijoje stochastiką. Jei sugebate su tuo susidoroti ir turite algoritmų, įrodėte, kad jei galite tiesiog susikurti suvokimo ir lokalizacijos šūsnį, turite visavertę autonominio vairavimo technologiją.
Jums nereikia kurti visų skirtingų algoritmų, kad patikrintumėte, kas veikia geriausiai. Jums tiesiog reikia sukurti tris ar keturis skirtingus algoritmus, kuriuos žinote, kad išspręsite pagrindinę autonominio vairavimo problemą. Saugumas yra pagrindinis klausimas, kodėl nematote komercinių autonominių transporto priemonių kelyje. Kaina ir visi kiti klausimai yra antraeiliai. Aš galėjau sukurti visą paleidimą tik pagal vieną ar du algoritmus, pvz., Autonominio vairavimo lokalizavimo ir atvaizdavimo aspektą. Bet mano tikslas buvo sukurti visavertę autonominę transporto priemonę, o ne vieną ar du algoritmus čia ir ten. Įrodžius pagrindinį aspektą planavimo ir sprendimų priėmimo srityje, man suteikė pasitikėjimo išspręsti visą autonominio vairavimo problemą apskritai.
K. Kokio lygio autonominį vairavimą dirba „Swaayatt Robots“? Kaip manote, koks lygis yra įmanomas Indijoje?
Mūsų tikslas yra pasiekti 5 lygio autonomiją ir užtikrinti, kad technologija būtų saugi tokio pobūdžio aplinkose. Mes esame kažkur tarp trečio ir ketvirto lygio. Kai kurie algoritminiai tyrimai, kuriuos atliekame, yra judėjimo planavimas ir sprendimų priėmimas, nukreiptas į penktą lygį.
Mes taip pat dirbame, kad autonominės transporto priemonės galėtų kirsti sankryžą piko valandomis be šviesoforų. Mes siekiame pasiekti penkto lygio autonomiją, suteikdami galimybę autonominėms transporto priemonėms susidoroti su ankšta erdve ir labai stochastišku eismu. Mes savarankiškai vairavome labai siauroje aplinkoje, kai transporto priemonė ar dviratis taip pat važiavo iš priešingo galo. POC lygiu pasiekėme nuo trijų iki keturių lygių. Mes jau kreipėmės į POC, siekdami ketvirtojo lygio autonomijos, atlikdami eksperimentus labai stochastiškame eisme, esant siauroms erdvėms. Dabartinis mūsų tikslas yra pasiekti 101 kilometrų per valandą autonominį važiavimą Indijos keliais.
Įrodę transporto priemonės saugumą tokiose aplinkose, galite pasinaudoti savo technologijomis ir pritaikyti jas bet kur kitur, pavyzdžiui, Šiaurės Amerikoje ir Europoje, kur eismas yra daug labiau struktūrizuotas, kur aplinka taip pat yra daug griežtesnė nei Indijos. aplinkose. Taigi, šiuo metu Indija mums yra bandymų vieta įrodyti, kad turime tai, ko šiuo metu niekas kitas nepadarė.
K. Kiek „Swaayatt“ robotai padarė pažangą kurdami autonominio vairavimo sprendimą? Kokio lygio vairavimą šiuo metu dirbate?
Šiuo metu turime greičiausią pasaulyje judesio planavimo algoritmą, kuris per 500 mikrosekundžių gali suplanuoti beveik optimalias laiko parametruojamas autonominės transporto priemonės trajektorijas. Taigi algoritmas veikia maždaug 2000 hercų dažniu. Mes turime technologiją, leidžiančią autonomiškai važiuoti Indijos greitkeliais iki 80 kilometrų per valandą greičiu. Indijos greitkeliuose pasiekti tokį greitį yra labai sunku. Paprastai, jei galite tai padaryti, galite jį pasiimti ir kitur. Galite jį pritaikyti užsienio srautams ir iš esmės esate labai arti ketvirto lygio. Norėdami pateikti jums idėją, mes dirbome prie to, ką mes vadiname kelių agentų ketinimų analize ir derybomis. Ši sistema leidžia mūsų transporto priemonei ne tik apskaičiuoti kitų transporto priemonių ar agentų ketinimų tikimybę kelyje.Tai gali apskaičiuoti viso kelio rinkinių tikimybę, kurios negali kiti agentai, transporto priemonės ar kliūtys aplinkoje. Tačiau vien šios galimybės nepakanka. Pavyzdžiui, galite sukurti labai skaičiavimo reikalaujančią sistemą, kuri galėtų numatyti būsimas judėjimo trajektorijas ir galbūt apskaičiuoti visų skirtingų transporto priemonių kelio rinkinių tikimybę. Čia taip pat turite sutelkti dėmesį į skaičiavimo reikalavimus. Skaičiavimo paklausa šioje daugelio agentų ketinimų analizės ir derybų problemoje išaugs eksponentiškai, jei neatlikote jokių tyrimų, tinkamai nenaudojote matematikos ar tinkamai jų nesukūrėte. Tyrinėju kai kurias taikomosios matematikos sąvokas, ypač topologinės teorijos srityje. Aš naudoju kai kurias sąvokas, tokias kaip homotopijos žemėlapiai,kurios leidžia mūsų technologijai apskaičiuoti skaičiavimus. Bent jau dabar tai yra tiesinis pagal agentų skaičių, palyginti su eksponentiniu sprogimu, su kuriuo susidursite, jei tinkamai neišdirbsite algoritmų matematikos.
Daugelio agentų ketinimų analizės derybų sistema yra dar padalyta į dvi skirtingas šakas, prie kurių šiuo metu dirbame. Vienas iš jų yra TSN („Tight Space Negotiator Framework“), o kitas - lenkimo modelis. TSN leidžia autonominėms transporto priemonėms derėtis tiek dėl sunkios aplinkos, tiek dėl stochastinio eismo tiek mažu, tiek dideliu greičiu. Taigi didelis greitis būtų labai naudingas užstatytuose stichastiniuose eismo scenarijuose, o mažas greitis būtų labai naudingas, kai transporto priemonė važiuoja pagal miesto scenarijų, kur dažnai susiduriate su griežčiausiomis gatvėmis, kuriose eismas yra per didelis ir triukšmas eina, vadinasi, ten yra per didelis eismo dinamikos neapibrėžtumas.
Pastaruosius dvejus su puse metų mes jau dirbome su tuo ir jau sukūrėme POC pavidalu. Kai kuriuos šių sistemų fragmentus ir dalis, apie kuriuos kalbu, galima parodyti demonstracijoje kitame mūsų eksperimente, kurio tikslas bus pasiekti 101 kilometrą per valandą veikiantį Indijos keliuose.
Be to, mes taip pat tyrėme įvairias AI šakas. Mes labai naudojame mokymąsi iš pameistrystės, atvirkštinį mokymąsi. Taigi, šiuo metu dirbame, kad autonominės transporto priemonės galėtų apvažiuoti tipiškuose dviejų juostų keliuose, kaip tai daro Indijos vairuotojai. Mes įrodome tiek simuliacijoje, tiek realiame gyvenime, kiek įmanoma, turėdami ribotą finansavimą. Tai yra keletas tyrimų sričių, kurias mes jau įrodėme vietoje, ir kai kurias iš jų ketiname įrodyti per ateinančius kelis mėnesius.
Be to, mes esame viena iš vienintelių kompanijų pasaulyje, galinčių įgalinti autonominį vairavimą visiškai nežinomoje ir nematytoje aplinkoje, kuriai visiškai nėra tikslių žemėlapių. Mes galime įgalinti autonominį vairavimą nenaudodami aukštos kokybės žemėlapių. Mes užsiimame visišku tikslumo žemėlapių poreikio naikinimu, o šį išnaikinimą įgalina dvi pagrindinės mūsų technologijos. Mūsų TSN sistema sukurta siekiant nustatyti naują reguliavimo etaloną.
K. Kalbant apie aparatūros architektūrą, kokią aparatinę įrangą naudojate savo skaičiavimo tikslais. Be to, kokius jutiklius ir kameras naudojate, kad atvaizduotumėte realų pasaulį savo autonominėse transporto priemonėse?
Šiuo metu mes tiesiog naudojame fotoaparatus, kuriuos galima įsigyti. Jei pamatysite mūsų autonominės transporto priemonės demonstracinę versiją, pastebėsite, kad mes nenaudojome daugiau nei 3000 R fotoaparatų. Jei pažvelgsite į visame pasaulyje vykstančius suvokimo tyrimus, susijusius su autonominėmis ar robotikos kompanijomis, jie naudoja visus tris skirtingus jutiklius, tokius kaip fotoaparatai, LiDAR ir radarai. Šiuo metu visi mūsų autonominio vairavimo eksperimentai vyko tik naudojant fotoaparatus. Kai įkūriau įmonę, turėjau tik planavimo patirties, bet nuo 2016 m. Supratau, kad moderniausi tyrimų darbai, kad ir kokie būtų laboratorijos visame pasaulyje; tai tiesiog neveikia realiame pasaulyje. Jei jie dirba, jie yra pernelyg intensyvūs skaičiavimams ir tiesiog neveikia. Taigi,Taip pat suvokiau suvokimą kaip savo pirminę tyrimo sritį ir apie 25–27% savo laiko skyriau suvokimo tyrimams. Dabar mūsų įmonės mokslinių tyrimų tikslas yra sudaryti galimybes autonominėms transporto priemonėms suvokti naudojant tik fotoaparatus, nereikia LiDAR ir radarų. Tai yra mokslinių tyrimų siekis, kurį norime pasiekti. Siekdami to, mes taip pat užtikrinome, kad turime greičiausią pasaulyje algoritmą bet kuriai bendrai užduočiai atlikti.
Mes turime du suvokimo tikslus. Vienas iš jų, algoritmas turėtų būti toks pajėgus, kad autonomines transporto priemones jis galėtų suvokti naudodamas tik fotoaparatus tiek dieną, tiek naktį. Mes išplėtėme šią suvokimo galimybę ne tik dienos metu, bet ir naktį, naudodamiesi tik transporto priemonės priekiniais žibintais ir įprastomis RGB ir NIR kameromis - tokiomis kameromis, kurias galite įsigyti už 3000 Rs. turgus.
Mes sutelkiame dėmesį