Technologičtí giganti, jako je Tesla a Google, učinili ze samořídících vozidel mezi technologickými nadšenci tolik diskutované téma. Různé společnosti po celém světě pracují na vývoji vozidel s autonomním řízením pro různé terény.
Aby byla technologie připojeného autonomního řízení přístupná, cenově dostupná a dostupná pro každého, připojil se k vlaku Swaayatt Robots se sídlem v Bhópálu. S obrovskými znalostmi všech technologií zapojených do společnosti Autonomous Robotics, generálního ředitele společnosti, pan Sanjeev Sharma nechal v závodě mnoho technologických společností. Od roku 2009 se hodně věnuje výzkumu a podstupuje matematické výpočty spojené s vymýšlením chytrých řešení pro samojízdné automobily.
Dostali jsme příležitost promluvit si s panem Sanjeevem a znát každý kousek technologie stojící za Autonomous Vehicles and Robotics, na které Swaayatt Robots pracuje, a jejich plány do budoucna. Klepnutím na skok si přečtěte celý rozhovor, který jsme s ním vedli. Případně můžete také sledovat video níže a slyšet rozhovor mezi naším editorem a samotným Sanjeevem
Otázka: Hlavním posláním robotů Swaayatt je zajistit dostupnost a dostupnost technologie autonomního řízení. Jak začala cesta?
Posledních 11 let zkoumám oblast autonomní navigace. V roce 2009 jsem se nechal inspirovat velkými výzvami DARPAto se stalo v USA. Autonomní řízení se během těch let stalo mým cílem. Po mnoho let jsem zkoumal a samostudiem konkrétně o plánování pohybu a rozhodování za nejistoty. Důraz byl kladen na optimální využití strojového učení, učení výztuže a různých technik. Swaayatt Robots jsem založil v roce 2014, ale nešlo jen o aplikaci výzkumu a studií, které jsem za posledních několik let provedl. Aplikoval jsem některé myšlenky do pohybu a rozhodování a musel jsem také vyřešit problém plánování a lokalizace vnímání. Měl jsem zkušenosti s výzkumem pouze v oblasti rozhodování a plánování pohybu. Ale oblasti vnímání a lokalizace byly pro mě docela nové. Mé obrovské matematické základy mi velmi pomohly.
Jakmile jsem začal vyvíjet algoritmické rámce umožňující autonomní řízení kolem roku 2015, uvědomil jsem si, že to může být něco velmi velkého a že můžeme skutečně vyřešit problém autonomního řízení ve velmi stochastických scénářích nepřátelského provozu. A od roku 2014 na tomto startupu pracuji na plný úvazek. Můj výzkum konkrétně pokrývá několik odvětví, ale zejména se většina naší společnosti zaměřuje na vývoj algoritmů rozhodování a plánování pohybu, které umožňují autonomním vozidlům vypořádat se s velmi vysokou úrovní stochasticity v dynamice provozu. To představuje zhruba 65% až 70% výzkumu, který probíhá ve společnosti Swaayatt Robots. Přibližně 25% - 27% výzkumu jde do oblasti vnímání, která zahrnuje všechny druhy algoritmů, které zpracovávají data snímače z robotického robotického systému,a vytvořit 3D reprezentaci světa kolem něj.
Ve vnímání jsme jednou z mála společností na světě, která může umožnit autonomním vozidlům vnímat prostředí pouze pomocí běžných kamer, které fungují i ve dne i v noci. Zhruba takhle to bylo doposud.
Otázka: Začali jste v roce 2014 ověřovat své nápady a pak jste se úplně chytili cesty do roku 2015. Co bychom tedy měli udělat v tomto jednom roce? Jak jste otestovali, že v Indii je možné řídit auto?
Autonomní jízda je směsicí tří algoritmických kanálů dohromady viz. vnímání, plánování a lokalizace. Algoritmy vezmou senzorická data, zpracují je a vytvoří 3D reprezentaci kolem vozidla. Říkáme jim vnímací algoritmy. Lokalizační algoritmy se snaží globálně přesně určit polohu vozidla na silnici. Takto pracovali roboti v akademickém prostředí. V roce 2009 byl tento model autonomního řízení průkopníkem společnosti Google. Předtím, než se autonomní vozidlo bude pohybovat po určité silnici, musí být celá silnice velmi podrobně zmapována ve 3D. Říkáme jim tyto mapy, vysoce věrné mapy. Tyto věrné mapy ukládají některé velmi důležité informace o prostředí. Obvykle ukládají všechny různé druhy oddělovačů v prostředí.
Předtím, než se autonomní vozidlo bude pohybovat v prostředí, je velmi přesně zmapováno celé prostředí. Všechny značky jízdních pruhů, hranice silnic a jakýkoli druh oddělovače v prostředí jsou ve skutečnosti uloženy v těchto druzích vysoce věrných map.
Když vozidlo projde prostředím, pro které již máte mapy s vysokou věrností, znovu zachytíte data z různých senzorů ve vozidle a pokusíte se porovnat data s referenční mapou, kterou jste vytvořili. Tento proces shody vám dá vektor pózu, který vám řekne, kde je vozidlo na planetě Zemi a jaká je konfigurace vozidla. Jakmile znáte polohu a konfiguraci vozidla na silnici, promítnou se všechny informace, které jste uložili do vysoce věrných map, na aktuální konfiguraci vozidla. Při promítání těchto informací, jako jsou silniční značky, značky jízdních pruhů a jakýkoli druh oddělovače silnic nebo oddělovače prostředí; autonomní vozidlo ví, kde se nyní nachází s ohledem na konkrétní oddělovač nebo z určité značky jízdního pruhu. Tak,to je to, co dělají lokalizační algoritmy.
Poslední oblastí autonomního řízení je plánování a rozhodování. Čím propracovanější a lepší algoritmy plánování a rozhodování máte, tím schopnější bude vaše autonomní vozidlo. Například algoritmy plánování a rozhodování budou odlišovat společnosti od toho, aby byly na autonomní úrovni dva, tři, čtyři a pět. Jakýkoli algoritmus odpovědný za rozhodování nebo plánování pohybu a chování vozidla je plánovací algoritmus.
Čím sofistikovanější máte plánovací algoritmy, tím lepší bude vaše vozidlo. Několik plánovačů pohybu a osob s rozhodovací pravomocí pomáhá při hodnocení bezpečnosti vozidla a prostředí, rychlosti, kterou procházíte, okolí vozidla a všech parametrů, které můžete z vašeho prostředí vypočítat. To je to, co plánovací algoritmy dělají.
Bádal jsem v oblasti plánování. Pokud máte takové algoritmy, které dokážou vypořádat se stochastickou dynamikou provozu v Indii. Pokud se s tím dokážete vypořádat a pokud máte algoritmy, pak jste prokázali, že pokud dokážete vytvořit pouze soubor vnímání a lokalizace, máte plnohodnotnou technologii autonomního řízení.
K ověření toho, co funguje nejlépe, nemusíte vyvíjet všechny různé algoritmy. Musíte pouze vytvořit tři nebo čtyři různé algoritmy, o kterých víte, že vyřeší klíčový problém v autonomním řízení. Bezpečnost je hlavním problémem, proč na silnici nevidíte komerční autonomní vozidla. Náklady a všechny ostatní problémy jsou druhořadé. Mohl jsem postavit celé spuštění pouze na jednom nebo dvou algoritmech, jako je lokalizační a mapovací aspekt autonomního řízení. Ale mým cílem bylo vyvinout plnohodnotné autonomní vozidlo a ne jeden nebo dva algoritmy sem a tam. Když jsem prokázal klíčový aspekt v oblasti plánování a rozhodování, dalo mi to sebevědomí řešit celý problém autonomního řízení jako celku.
Otázka: Na jaké úrovni autonomního řízení Swaayatt Robots pracuje? A jaká úroveň je podle vás v Indii možná?
Naším cílem je dosáhnout autonomie úrovně 5 a zajistit bezpečnost technologie v těchto druzích prostředí. Jsme někde mezi úrovní tři a úrovní čtyři. Některé z algoritmických výzkumů, které provádíme, spočívají v plánování pohybu a rozhodování, které je zaměřeno na úroveň pět.
Pracujeme také na tom, abychom umožnili autonomním vozidlům projet křižovatkou ve špičkových provozních hodinách bez semaforů. Zaměřujeme se na dosažení autonomie úrovně pět tím, že umožníme autonomním vozidlům vypořádat se s těsným prostorem s vysoce stochastickým provozem. Udělali jsme autonomní jízdu ve velmi těsném prostředí, když vozidlo nebo kolo přicházelo také z opačného konce. Na úrovni POC jsme dosáhli mezi tří a čtyřmi úrovněmi. Již jsme obrátili POC na autonomii čtvrté úrovně prováděním experimentů ve vysoce stochastickém provozu s těsnými prostory. Naším současným cílem je dosáhnout 101 km za hodinu autonomní jízdy na indických silnicích.
Jakmile jste prokázali bezpečnost vozidla v těchto druzích prostředí, můžete svoji technologii použít a použít ji kdekoli jinde, jako v Severní Americe a Evropě, kde je provoz mnohem strukturovanější, kde je prostředí také mnohem přísnější než ve srovnání s indickým prostředí. Indie je tedy pro nás nyní zkušebním prostorem, abychom dokázali, že máme něco, co v tuto chvíli neudělal nikdo jiný.
Otázka: Jak moc společnost Swaayatt Robots pokročila ve vývoji řešení Autonomous Driving? Na jaké úrovni řízení aktuálně pracujete?
V současné době máme nejrychlejší algoritmus plánování pohybu na světě, který dokáže naplánovat téměř optimální časově parametrizované trajektorie pro autonomní vozidlo za 500 mikrosekund. Algoritmus tedy funguje zhruba na 2 000 hertzích. Máme technologii umožňující až 80 km za hodinu autonomní jízdu na indických dálnicích. Dosáhnout takové rychlosti na indických dálnicích je velmi náročné. Typicky, pokud to dokážete, můžete to vzít také jinde. Můžete jej použít v zahraničním provozu a v zásadě jste velmi blízko úrovni čtyři. Abychom vám poskytli představu, pracujeme na tom, čemu říkáme analýza a vyjednávání záměru více agentů. Tento rámec umožňuje našemu vozidlu nejen vypočítat pravděpodobnost záměrů jiných vozidel nebo agentů na silnici.Může vypočítat pravděpodobnosti celé sady cest, které ostatní agenti nebo vozidla nebo překážky v prostředí nemohou. Tato schopnost sama o sobě však není dostatečná. Můžete například vytvořit velmi výpočetně náročný systém, který dokáže předvídat budoucí trajektorie pohybu a možná vypočítat pravděpodobnosti všech sad cest různých vozidel. Zde se musíte zaměřit, tj. Také na výpočetní požadavek. Výpočetní poptávka v tomto problému multiagentní analýzy záměru a vyjednávání exponenciálně poroste, pokud jste neprovedli žádný výzkum, nepoužili jste správně matematiku nebo jste je správně nenavrhli. Zkoumám některé pojmy z aplikované matematiky, konkrétně z oblasti topologické teorie. Používám některé z konceptů, jako jsou homotopy mapy,které umožňují naší technologii škálovat výpočty. Přinejmenším od nynějška je to superlineární, pokud jde o počet agentů, na rozdíl od exponenciálního nárazu, s nímž byste se setkali, pokud byste matematiku za algoritmy nepracovali správně.
Rámec vyjednávání analýzy záměru s více agenty je dále rozdělen na dvě různé větve, na kterých aktuálně pracujeme. Jedním z nich je TSN (Tight Space Negotiator Framework) a druhým je model předjíždění. TSN umožňuje autonomním vozidlům vyjednávat jak v těsném prostředí, tak v náhodném provozu, a to při nízké i vysoké rychlosti. Takže vysoká rychlost by byla velmi užitečná pro stochastické dopravní scénáře přeplněné dálnicí a nízká rychlost by byla velmi užitečná, když se vozidlo pohybuje v městském scénáři, kde se často setkáváte s nejužšími ulicemi s příliš velkým provozem a hlukem v provozu, což znamená, že je příliš velká nejistota v dynamice provozu.
Na tom jsme již pracovali poslední dva a půl roku a již jsme to vyvinuli ve formě POC. Některé kousky těchto rámců, o kterých mluvím, by mohly být ukázány v ukázce v našem dalším experimentu, který bude zaměřen na dosažení rychlosti 101 kilometrů za hodinu na indických silnicích.
Dále jsme také zkoumali v různých odvětvích AI. Silně využíváme učení učňovské, inverzní posilovací učení. V současné době tedy pracujeme na tom, abychom umožnili předjíždění autonomních vozidel na typických dvouproudých silnicích stejně jako indičtí řidiči. Prokazujeme jak v simulaci, tak v reálném světě v maximální možné míře s omezeným financováním. Toto jsou některé z oblastí výzkumu, které jsme již prokázali v praxi, a některé z nich budou ověřeny v příštích několika měsících.
Kromě toho jsme jednou z mála společností na světě, která umožňuje autonomní řízení ve zcela neznámém a neviditelném prostředí, pro které neexistují vůbec žádné věrné mapy. Můžeme povolit autonomní řízení bez použití vysoce věrných map. Podnikáme v oblasti úplného vymýcení potřeby vysoce věrných map a tuto eradikaci umožňují dvě naše klíčové technologie. Náš rámec TSN je nastaven tak, aby stanovil nové regulační měřítko.
Otázka: Když už mluvíme o hardwarové architektuře, jaký druh hardwaru používáte pro své výpočetní účely. Jaké senzory a kamery také používáte k mapování skutečného světa na vašich autonomních vozidlech?
Od této chvíle používáme pouze běžné fotoaparáty. Pokud uvidíte naši ukázku pro autonomní vozidlo, všimnete si, že jsme nepoužili nic jiného než kameru 3000 Rs. Pokud se podíváte na výzkum vnímání, který se děje po celém světě s autonomními společnostmi nebo společnostmi v oblasti robotiky, používají všechny tři různé senzory, jako jsou kamery, LiDAR a radary. V současné době všechny naše experimenty s autonomním řízením probíhaly pouze pomocí kamer. Když jsem založil společnost, měl jsem pouze zkušenosti s plánováním, ale od roku 2016 jsem si uvědomil, že nejnovější výzkumné práce bez ohledu na to, na čem laboratoře po celém světě pracují; ve skutečném světě to prostě nefunguje. Pokud fungují, jsou výpočetně příliš náročné a prostě nefungují. Tak,Rovněž jsem vnímal vnímání jako svoji primární oblast výzkumu a věnoval jsem se asi 25% - 27% svého času výzkumu vnímání. Nyní je výzkumným cílem naší společnosti umožnit autonomním vozidlům vnímat pouze kamery bez nutnosti použití LiDAR a radarů. To je výzkumná ambice, které chceme dosáhnout. Při dosažení toho jsme také zajistili, že máme nejrychlejší algoritmus na světě pro jakýkoli běžný úkol.
Máme dva cíle ve vnímání. Jeden, algoritmus by měl být natolik schopný, aby umožňoval autonomním vozidlům vnímat pouze ve dne i v noci pomocí kamer. Tuto schopnost vnímání jsme rozšířili nejen pro denní dobu, ale i v noci, a to pouze pomocí světlometů vozidla a běžných běžných RGB a NIR kamer, což je druh kamer, které si můžete koupit za 3000 R v trh.
Zaměřujeme se