Tesla ve Google gibi teknoloji devleri, otonom araçları teknoloji meraklıları arasında en çok konuşulan konu haline getirdi. Dünya çapında çeşitli şirketler, çeşitli araziler için otonom sürüş araçları geliştirmek için çalışıyor.
Bhopal merkezli Swaayatt Robots, bağlantılı otonom sürüş teknolojisini erişilebilir, uygun fiyatlı ve herkes için kullanılabilir hale getirmek için gruba katıldı. Bununla birlikte, şirketin CEO'su olan Autonomous Robotics'teki tüm teknolojiye ilişkin engin bilgi birikimine sahip olan Bay Sanjeev Sharma, birçok teknoloji şirketini yarışta geride bıraktı. 2009'dan beri çok sayıda araştırma yapıyor ve sürücüsüz otomobiller için akıllı çözümler bulmak için matematiksel hesaplamalar yapıyor.
Sayın Sanjeev ile konuşma fırsatı bulduk ve Swaayatt Robots'un üzerinde çalıştığı Otonom Araçlar ve Robotiklerin arkasındaki teknolojiyi ve gelecek planlarını biliyoruz. Onunla yaptığımız tüm konuşmayı okumak için bir atlayış yapın. Alternatif olarak, editörümüz ve Sanjeev'in kendisi arasındaki konuşmayı dinlemek için aşağıdaki videoyu da izleyebilirsiniz.
S. Otonom Sürüş Teknolojisini Herkes için Erişilebilir ve Uygun Maliyetli Hale Getirmek Swaayatt Robots'un ana misyonudur. Yolculuk nasıl başladı?
Son 11 yıldır otonom navigasyon alanında araştırma yapıyorum. 2009'da DARPA Grand Challenges'tan ilham almıştım.ABD'de oldu. Otonom sürüş o yıllarda benim hedefim haline geldi. Uzun yıllar boyunca, özellikle hareket planlama ve belirsizlikler altında karar verme üzerine araştırmaya ve kendi kendime çalıştım. Odak noktası, makine öğrenimi, pekiştirmeli öğrenme ve çeşitli tekniklerden optimum şekilde yararlanmaktı. Swaayatt Robots'a 2014 yılında başladım, ancak bu sadece araştırmayı ve son birkaç yıldır yaptığım çalışmaları uygulamak değildi. Hareket ve karar alma sürecinde bazı fikirleri uygulayarak, algı planlama ve yerelleştirme problemini de çözmem gerekiyordu. Sadece karar verme ve hareket planlama alanında araştırma deneyimim oldu. Ancak algılama ve yerelleştirme alanları benim için oldukça yeniydi. Muazzam matematiksel geçmişim bana çok yardımcı oldu.
2015 yılı civarında otonom sürüşü mümkün kılmak için algoritmik çerçeveler geliştirmeye başladığımda, bunun çok büyük bir şey olabileceğini fark ettim ve otonom sürüş problemini çok stokastik çekişmeli trafik senaryolarında gerçekten çözebiliriz. Ve 2014'ten beri bu girişimde tam zamanlı çalışıyorum. Araştırmam özellikle birkaç branşı kapsıyor, ancak özellikle şirketimizin odak noktasının çoğu, otonom araçların trafik dinamiklerinde çok yüksek seviyelerde stokastisite ile başa çıkmasına izin veren karar verme ve hareket planlama algoritmaları geliştirmektir. Bu, Swaayatt Robots'ta yapılan araştırmanın yaklaşık% 65 ila% 70'ine denk geliyor. Araştırmanın yaklaşık% 25 -% 27'si, bir araç robotik sisteminden sensör verilerini işleyen her türlü algoritmayı kapsayan algılama alanına giriyor,ve etrafındaki dünyanın 3B temsilini oluşturun.
Algılamada, otonom araçların sadece gündüz ve gece çalışan hazır kameralar kullanarak çevreyi algılamasına izin verebilen dünyadaki sayılı şirketlerden biriyiz. Yolculuk kabaca şimdiye kadar böyle oldu.
S. 2014 yılında fikirlerinizi doğrulamaya başladınız ve ardından 2015 yılına kadar yolu tamamen yakaladınız. Peki bu bir yıl içinde ne yapmalıyız? Hindistan'da sürücüsüz sürüşün yapılabileceğini nasıl test ettiniz?
Otonom sürüş, üç algoritmik boru hattının bir araya getirilmesidir. algılama, planlama ve yerelleştirme. Algoritmalar duyusal verileri alır, işler ve bir aracın etrafında 3 boyutlu bir temsil oluşturur. Bunlara algı algoritmaları diyoruz. Yerelleştirme algoritmaları, aracın yoldaki konumunu küresel olarak doğru bir şekilde belirlemeye çalışır. Robotlar akademik ortamlarda böyle çalışıyordu. 2009 yılında, bu otonom sürüş modeline Google öncülük etti. Otonom bir araç belirli bir yolda gitmeden önce, tüm yolun 3 boyutlu olarak çok yüksek detaylarla haritalanması gerekir. Bu haritalara, yüksek sadakatli haritalar diyoruz. Bu yüksek kaliteli haritalar, çevre hakkında çok önemli bazı bilgileri depolar. Genellikle ortamdaki tüm farklı sınırlayıcı türlerini depolarlar.
Otonom araç bir ortamda gezinmeden önce, tüm ortam çok hassas bir şekilde haritalanır. Ortamdaki tüm şerit işaretleyicileri, yol sınırları ve her türlü sınırlayıcı aslında bu tür aslına uygunluk haritalarda saklanır.
Araç, halihazırda aslına uygun haritalara sahip olduğunuz bir ortamda gezinirken, araçtaki çeşitli sensörlerden verileri tekrar yakalarsınız ve verileri oluşturduğunuz bir referans haritayla eşleştirmeye çalışırsınız. Bu eşleştirme işlemi, size aracın dünya gezegeninde nerede olduğunu ve aracın konfigürasyonunun ne olduğunu söyleyen bir poz vektörü verir. Aracın yoldaki konumunu ve konfigürasyonunu öğrendikten sonra, aslına uygunluk haritalarda sakladığınız tüm bilgiler aracın mevcut konfigürasyonunun üstüne yansıtılır. Bu bilgileri yol işaretleri, şerit işaretleyicileri ve her türlü yol sınırlayıcı veya çevre sınırlayıcı gibi yansıttığınızda; otonom araç, belirli bir sınırlayıcıya göre veya belirli bir şerit işaretleyiciye göre şimdi nerede olduğunu bilir. Yani,yerelleştirme algoritmalarının yaptığı budur.
Otonom sürüşün son alanı planlama ve karar vermedir. Sahip olduğunuz planlama ve karar alma algoritmaları ne kadar sofistike ve daha iyi olursa, otonom aracınız o kadar yetenekli olacaktır. Örneğin, planlama ve karar alma algoritmaları, şirketleri ikinci düzey, üçüncü düzey, dördüncü düzey ve beşinci düzey özerklik olmaktan ayıracaktır. Aracın hareketini ve davranışını karar vermek veya planlamaktan sorumlu olan herhangi bir algoritma, bir planlama algoritmasıdır.
Planlama algoritmalarında ne kadar karmaşık olursanız, aracınız o kadar iyi olacaktır. Çeşitli hareket planlayıcılar ve karar vericiler, aracın ve çevrenin güvenliğini, navigasyon hızınızı, aracın çevresini ve çevrenizden hesaplayabileceğiniz tüm parametreleri değerlendirmeye yardımcı olur. Planlama algoritmaları bunu yapar.
Planlama alanında araştırma yapıyorum. Hindistan'daki trafik dinamiklerindeki stokastiklikle başa çıkabilecek türden algoritmalarınız varsa. Bununla başa çıkabilirseniz ve algoritmalarınız varsa, sadece bir algılama ve yerelleştirme yığını oluşturabilirseniz, tam teşekküllü bir otonom sürüş teknolojisine sahip olduğunuzu kanıtlamış olursunuz.
Neyin en iyi çalıştığını doğrulamak için tüm farklı algoritmaları geliştirmenize gerek yoktur. Otonom sürüşteki temel sorunu çözeceğini bildiğiniz üç veya dört farklı algoritma oluşturmanız yeterlidir. Yolda ticari otonom araçları görmemenizin temel sorunu güvenliktir. Maliyet ve diğer tüm konular ikincildir. Başlangıç aşamasının tamamını, otonom sürüşün yerelleştirme ve haritalama yönü gibi yalnızca bir veya iki algoritma üzerine inşa edebilirdim. Ancak amacım, burada ve orada bir veya iki algoritma değil, tam teşekküllü otonom bir araç geliştirmekti. Planlama ve karar verme alanındaki kilit noktayı kanıtlamış olmak, bana tüm otonom sürüş sorununu genel olarak çözme güveni verdi.
S. Swaayatt Robots hangi seviyede otonom sürüş üzerinde çalışıyor? Ve Hindistan'da hangi seviyenin mümkün olduğunu düşünüyorsunuz?
Amacımız, 5. seviye özerkliğe ulaşmak ve teknolojinin bu tür ortamlarda güvenli olmasını sağlamaktır. Seviye 3 ile seviye 4 arasında bir yerdeyiz. Yaptığımız algoritmik araştırmalardan bazıları, 5. seviyeyi hedefleyen hareket planlama ve karar verme üzerinedir.
Ayrıca otonom araçların kavşağı en yoğun trafik saatlerinde trafik ışıkları olmadan geçebilmesini sağlamak için çalışıyoruz. Otonom araçların yüksek stokastik trafiğe sahip dar alanlarla başa çıkmasını sağlayarak beşinci seviye otonomiye ulaşmayı hedefliyoruz. Karşı taraftan bir araç veya bisiklet geldiğinde çok dar bir ortamda otonom sürüş yaptık. POC düzeyinde, üç ila dört düzey arasında bir başarı elde ettik. Dar alanlara sahip yüksek stokastik trafikte deneyler yaparak, POC'leri dördüncü seviye özerkliğe dönüştürdük. Mevcut hedefimiz, Hindistan yollarında saatte 101 kilometre otonom sürüşe ulaşmaktır.
Bu tür ortamlarda aracın güvenliğini kanıtladıktan sonra, teknolojinizi alıp, trafiğin çok daha yapılandırılmış olduğu, ortamların da Hindistan'a göre çok daha katı olduğu Kuzey Amerika ve Avrupa gibi başka herhangi bir yere uygulayabilirsiniz. ortamlar. Dolayısıyla, şu an itibariyle Hindistan, şu anda hiç kimsenin yapmadığı bir şeye sahip olduğumuzu kanıtlamamız için bir test alanı.
S. Swaayatt Robots bir Otonom Sürüş çözümü geliştirmede ne kadar ilerleme kaydetti? Şu anda hangi sürüş seviyesi üzerinde çalışıyorsunuz?
Şu anda, 500 mikrosaniyede otonom bir araç için optimal zaman parametreli yörüngeleri planlayabilen dünyanın en hızlı hareket planlama algoritmasına sahibiz. Yani algoritma kabaca 2000 hertz'de çalışıyor. Hindistan otoyollarında saatte 80 kilometreye kadar otonom sürüşü mümkün kılacak teknolojiye sahibiz. Hindistan otoyollarında bu tür bir hıza ulaşmak çok zordur. Tipik olarak, eğer bunu yapabiliyorsanız, başka bir yere de götürebilirsiniz. Bunu yabancı trafikte uygulayabilirsiniz ve temelde dördüncü seviyeye çok yakınsınız. Size bir fikir vermek için, çok temsilcili niyet analizi ve müzakere dediğimiz şey üzerinde çalışıyoruz. Bu çerçeve, aracımızın sadece yoldaki diğer araçların veya aracıların niyetlerinin olasılığını hesaplamasına izin vermez.Ortamdaki diğer ajanların veya araçların veya engellerin yapamadığı tüm yol setlerinin olasılıklarını hesaplayabilir. Ancak bu yetenek tek başına yeterli değildir. Örneğin, gelecekteki hareket yörüngelerini tahmin edebilen ve belki de farklı araçların tüm yol setlerinin olasılıklarını hesaplayabilen çok hesaplama gerektiren bir sistem kurabilirsiniz. Bu, yani hesaplama gereksinimine de odaklanmanız gereken yerdir. Eğer herhangi bir araştırma yapmadıysanız, matematiği düzgün kullanmadıysanız veya bunları düzgün bir şekilde tasarlamadıysanız, bu çok-etmenli niyet analizi ve görüşmeler problemindeki hesaplama talebi katlanarak artacaktır. Özellikle topolojik teori alanında, uygulamalı matematikten bazı kavramları araştırıyorum. Homotopi haritaları gibi bazı kavramları kullanıyorum,teknolojimizin hesaplamaları ölçeklendirmesine olanak tanıyor. Algoritmaların arkasındaki matematiği düzgün bir şekilde çözmemiş olsaydınız karşılaşacağınız üstel patlamanın aksine, en azından şu an için, aracıların sayısı açısından süper doğrusaldır.
Çok temsilcili amaç analizi müzakere çerçevesi ayrıca şu anda üzerinde çalıştığımız iki farklı dala bölünmüştür. Biri TSN (Tight Space Negotiator Framework) ve diğeri sollama modelidir. TSN, otonom araçların hem düşük hem de yüksek hızlarda hem dar ortamları hem de stokastik trafiği aşmasını sağlar. Bu nedenle, yüksek hız, karayolu dağınıklığı olan stokastik trafik senaryoları için çok yararlı olacaktır ve araç, trafikte çok fazla trafik ve gürültü olan en dar caddelerle sık sık karşılaştığınız şehir senaryosunda seyrederken düşük hız çok yararlı olacaktır. trafik dinamiklerinde çok fazla belirsizlik var.
Son iki buçuk yıldır bunun üzerinde çalışıyoruz ve bunu zaten POC şeklinde geliştirdik. Bu çerçevelerin bahsettiğim bazı parçaları ve parçaları, Hindistan yollarında saatte 101 kilometre çalışmayı hedefleyen bir sonraki deneyimizde demoda gösterilebilir.
Ayrıca, AI'nın farklı dallarında da araştırmalar yapıyoruz. Çıraklık öğrenimini, ters pekiştirmeli öğrenmeyi yoğun bir şekilde kullanıyoruz. Bu nedenle, şu anda Hintli sürücülerin yaptığı gibi otonom araçların tipik iki şeritli yollarda geçmesini sağlamak için çalışıyoruz. Sınırlı finansmanla hem simülasyonda hem de gerçek dünyada mümkün olan en üst düzeyde kanıtlıyoruz. Bunlar, halihazırda sahada kanıtladığımız araştırma alanlarından bazıları ve bazıları önümüzdeki birkaç ay içinde kanıtlanacak.
Bunun dışında, yüksek doğrulukta haritaların olmadığı tamamen bilinmeyen ve görünmeyen ortamlarda otonom sürüşü mümkün kılan dünyadaki yegane şirketlerden biriyiz. Aslına uygun haritalar kullanmadan otonom sürüşü etkinleştirebiliriz. Aslına uygunluğu yüksek haritalara olan ihtiyacı tamamen ortadan kaldırma işindeyiz ve bu yok etme, temel teknolojilerimizden ikisi tarafından sağlanıyor. TSN çerçevemiz yeni bir düzenleyici karşılaştırma ölçütü belirlemek için yapılmıştır.
S. Donanım mimarisinden bahsetmişken, hesaplama amacınız için ne tür donanım kullanıyorsunuz? Ayrıca, otonom araçlarınızda gerçek dünyayı haritalamak için ne tür sensörler ve kameralar kullanıyorsunuz?
Şu an itibariyle sadece hazır kameralar kullanıyoruz. Otonom bir araç için demomuzu görürseniz, 3000 Rs kameradan başka bir şey kullanmadığımızı fark edeceksiniz. Bu konuda otonom şirketler veya robotik şirketlerle dünyanın her yerinde gerçekleşen algı araştırmalarına bakarsanız, kameralar, LiDAR'lar ve radarlar gibi üç farklı sensörü de kullanıyorlar. Şu anda, tüm otonom sürüş deneylerimiz sadece kameralar kullanılarak gerçekleştirildi. Şirketi kurduğumda, sadece planlama konusunda uzmanlığım vardı ama 2016'dan beri, dünyanın her yerindeki laboratuvarlar ne olursa olsun en son teknolojiye sahip araştırma kağıtlarının çalıştığını fark ettim; sadece gerçek dünyada çalışmıyor. Çalışırlarsa, hesaplama açısından çok yoğundurlar ve çalışmazlar. Yani,Algıyı da birincil araştırma alanım olarak aldım ve zamanımın yaklaşık% 25 -% 27'sini algı araştırması yapmaya ayırdım. Artık firmamızın araştırma hedefi, otonom araçların LiDAR ve radarlara ihtiyaç duymadan sadece kameraları kullanarak algılayabilmesini sağlamaktır. Bu, başarmak istediğimiz bir araştırma hedefidir. Bunu başarırken, herhangi bir ortak görev için dünyanın en hızlı algoritmasına sahip olmamızı da sağladık.
Algılamada iki amacımız var. Birincisi, algoritma otonom araçların hem gündüz hem de gece yalnızca kamera kullanarak algılamasını sağlayacak kadar yetenekli olmalıdır. Bu algı yeteneğimizi sadece gündüz değil, gece de aracın farından başka bir şey kullanmadan ve normal hazır RGB ve NIR kameraları kullanarak, 3000 Rs'ye satın alabileceğiniz türden kameralar kullanarak genişlettik. Market.
Odaklanırız