Технологические гиганты, такие как Tesla и Google, сделали беспилотные автомобили темой, о которой много говорят среди технических энтузиастов. Различные компании по всему миру работают над разработкой беспилотных транспортных средств для различных участков местности.
Чтобы сделать подключенные технологии автономного вождения доступными, доступными и доступными для всех, к победе присоединилась компания Swaayatt Robots из Бхопала. Однако, обладая огромными знаниями обо всех технологиях, используемых в Autonomous Robotics, генеральный директор компании г-н Санджив Шарма опередил многие технологические компании в гонке. С 2009 года он много занимается исследованиями и математическими расчетами, чтобы разработать интеллектуальные решения для беспилотных автомобилей.
У нас была возможность поговорить с г-ном Сандживом и узнать все детали технологии автономных транспортных средств и робототехники, над которыми работает Swaayatt Robots, и их планы на будущее. Сделайте прыжок, чтобы прочитать весь наш с ним разговор. Кроме того, вы также можете посмотреть видео ниже, чтобы услышать разговор между нашим редактором и самим Сандживом.
В. Сделать технологию автономного вождения доступной и доступной для всех - основная миссия Swaayatt Robots. Как началось путешествие?
Я занимаюсь исследованиями в области автономной навигации последние 11 лет. Еще в 2009 году меня вдохновили DARPA Grand Challenges.это произошло в США. В те годы моей целью стало автономное вождение. На протяжении многих лет я продолжал исследования и занимался самообучением, в частности, по планированию движений и принятию решений в условиях неопределенности. Основное внимание уделялось оптимальному использованию машинного обучения, обучения с подкреплением и различных методов. Я начал Swaayatt Robots в 2014 году, но это было не просто применение исследований и исследований, которые я проводил за последние несколько лет. Применяя некоторые идеи в движении и принятии решений, мне также пришлось решить проблему планирования восприятия и локализации. У меня был исследовательский опыт только в области принятия решений и планирования движений. Но области восприятия и локализации были для меня довольно новыми. Мне очень помогли мои огромные математические знания.
Когда я начал разрабатывать алгоритмические рамки для автономного вождения примерно в 2015 году, я понял, что это может быть что-то очень важное, и мы действительно можем решить проблему автономного вождения в очень стохастических сценариях состязательного движения. А с 2014 года работаю над этим стартапом полный рабочий день. Мои исследования, в частности, охватывают несколько отраслей, но, в частности, большая часть внимания нашей компании сосредоточена на разработке алгоритмов принятия решений и планирования движения, которые позволяют автономным транспортным средствам справляться с очень высокими уровнями стохастичности в динамике движения. Это составляет примерно 65–70% исследований, проводимых в Swaayatt Robots. Около 25% - 27% исследований приходится на область восприятия, которая включает в себя всевозможные алгоритмы, обрабатывающие данные датчиков от автомобильной роботизированной системы,и построить трехмерное представление окружающего мира.
В восприятии мы являемся одной из очень немногих компаний в мире, которые могут позволить автономным транспортным средствам воспринимать окружающую среду только с помощью стандартных камер, которые работают и днем, и ночью. Примерно так было до сих пор.
В. Вы начали в 2014 году, чтобы проверить свои идеи, а затем к 2015 году вы полностью встали на путь. Итак, что мы должны сделать в этом году? Как вы проверили, что в Индии можно управлять автомобилем?
Автономное вождение - это смесь трех алгоритмических конвейеров, а именно. восприятие, планирование и локализация. Алгоритмы берут сенсорные данные, обрабатывают их и создают трехмерное представление транспортного средства. Мы называем их алгоритмами восприятия. Алгоритмы локализации пытаются глобально точно определить положение автомобиля на дороге. Так роботы работали в академических условиях. В 2009 году эта модель автономного вождения была впервые предложена компанией Google. Перед тем, как автономное транспортное средство перемещается по определенной дороге, вся дорога должна быть очень подробно отображена в 3D. Мы называем эти карты картами высокой точности. Эти высокоточные карты хранят важную информацию об окружающей среде. Обычно они хранят в среде различные типы разделителей.
Перед тем как автономное транспортное средство перемещается в окружающей среде, вся окружающая среда отображается очень точно. Все маркеры полос, границы дорог и любые ограничители в окружающей среде фактически хранятся на таких картах с высокой точностью воспроизведения.
Когда транспортное средство перемещается в среде, для которой у вас уже есть точные карты, вы снова собираете данные с различных датчиков на транспортном средстве и пытаетесь сопоставить данные со справочной картой, которую вы создали. Этот процесс сопоставления дает вам вектор позы, который сообщает вам, где находится транспортное средство на планете Земля и какова его конфигурация. Как только вы узнаете положение и конфигурацию транспортного средства на дороге, вся информация, которую вы сохранили в картах высокого разрешения, проецируется поверх текущей конфигурации транспортного средства. Когда вы проецируете такую информацию, как дорожные маркеры, маркеры полос и любой вид ограничителя дорог или ограничителей среды; автономное транспортное средство знает, где он сейчас находится относительно определенного ограничителя или от определенного маркера полосы движения. Так,это то, что делают алгоритмы локализации.
Последняя область автономного вождения - это планирование и принятие решений. Чем сложнее и лучше у вас будут алгоритмы планирования и принятия решений, тем более способным будет ваше автономное транспортное средство. Например, алгоритмы планирования и принятия решений будут отличать компании от автономии на втором, третьем, четвертом и пятом уровнях. Любой алгоритм, отвечающий за принятие решений или планирование движения и поведения транспортного средства, является алгоритмом планирования.
Чем сложнее вы будете использовать алгоритмы планирования, тем лучше будет ваш автомобиль. Несколько планировщиков движения и лиц, принимающих решения, помогают в оценке безопасности транспортного средства и окружающей среды, скорости, с которой вы путешествуете, окружения транспортного средства и всех параметров, которые вы можете вычислить из своего окружения. Это то, что делают алгоритмы планирования.
Я занимался исследованиями в области планирования. Если у вас есть такие алгоритмы, которые могут справиться со стохастичностью динамики трафика в Индии. Если вы можете справиться с этим и если у вас есть алгоритмы, то вы доказали, что если вы можете просто создать стек восприятия и локализации, у вас есть полноценная технология автономного вождения.
Вам не нужно разрабатывать различные алгоритмы, чтобы проверить, какой из них работает лучше всего. Вам просто нужно создать три или четыре разных алгоритма, которые, как вы знаете, решат ключевую проблему автономного вождения. Безопасность - это основная проблема, по которой вы не видите коммерческих автономных транспортных средств на дорогах. Стоимость и все остальные вопросы второстепенны. Я мог бы построить весь стартап всего на одном или двух алгоритмах, таких как аспекты локализации и картирования автономного вождения. Но моей целью было разработать полноценное автономное транспортное средство, а не один или два алгоритма здесь и там. Доказательство ключевого аспекта в области планирования и принятия решений вселило в меня уверенность, что я смогу решить всю проблему автономного вождения в целом.
В. Над каким уровнем автономного вождения работают роботы Swaayatt? Как вы думаете, какой уровень возможен в Индии?
Наша цель - достичь пятого уровня автономии и гарантировать безопасность технологии в таких средах. Мы где-то между третьим и четвертым уровнями. Некоторые из проводимых нами алгоритмических исследований касаются планирования движения и принятия решений, направленных на достижение пятого уровня.
Мы также работаем над тем, чтобы автономные транспортные средства могли пересекать перекресток в часы пик без светофоров. Мы нацелены на достижение пятого уровня автономии, позволяя автономным транспортным средствам работать в ограниченном пространстве с сильно стохастическим движением. Мы использовали автономное вождение в очень стесненных условиях, когда автомобиль или байк также двигались с противоположной стороны. На уровне POC мы достигли от трех до четырех уровней. Мы уже превратили POC в автономию четвертого уровня, проведя эксперименты с высокостохастическим трафиком с ограниченным пространством. Наша текущая цель - достичь 101 километра в час автономного вождения по индийским дорогам.
После того, как вы доказали безопасность автомобиля в таких средах, вы можете взять свою технологию и применить ее в любом другом месте, например, в Северной Америке и Европе, где движение намного более структурировано, где условия также намного строже, чем в Индии. среды. Итак, Индия на данный момент является для нас испытательным полигоном, чтобы доказать, что у нас есть то, чего на данный момент никто не делал.
В. Насколько сильно Swaayatt Robots продвинулась в разработке решения для автономного вождения? На каком уровне вождения вы сейчас работаете?
В настоящее время у нас есть самый быстрый в мире алгоритм планирования движения, который может планировать почти оптимальные параметризованные по времени траектории для автономного транспортного средства за 500 микросекунд. Таким образом, алгоритм работает примерно на частоте 2000 Гц. У нас есть технологии, обеспечивающие автономное вождение со скоростью до 80 километров в час по индийским шоссе. Достичь такой скорости на индийских шоссе очень сложно. Обычно, если вы можете это сделать, вы можете взять его и в другом месте. Вы можете применить его к иностранному трафику и, по сути, вы очень близки к четвертому уровню. Чтобы дать вам представление, мы работаем над тем, что мы называем многоагентным анализом намерений и переговорами. Эта структура позволяет нашему транспортному средству не просто вычислять вероятность намерений других транспортных средств или агентов на дороге.Он может вычислить вероятности всего набора путей, которые другие агенты, транспортные средства или препятствия в окружающей среде не могут. Однако одной этой возможности недостаточно. Например, вы можете построить очень требовательную к вычислениям систему, которая может предсказывать будущие траектории движения и, возможно, вычислять вероятности всех наборов траекторий различных транспортных средств. Здесь вы должны сосредоточиться, то есть на вычислительных требованиях. Вычислительные потребности в этой проблеме многоагентного анализа намерений и переговоров будут расти экспоненциально, если вы не провели никаких исследований, не использовали математические методы должным образом или если вы не разработали их должным образом. Я исследую некоторые концепции из прикладной математики, особенно в области топологической теории. Я использую некоторые концепции, такие как карты гомотопии,которые позволяют нашей технологии масштабировать вычисления. По крайней мере, на данный момент он суперлинейен с точки зрения количества агентов, в отличие от экспоненциального взрыва, с которым вы столкнулись бы, если бы не разработали математику, лежащую в основе алгоритмов, должным образом.
Структура согласования многоагентного анализа намерений далее подразделяется на две разные ветви, над которыми мы сейчас работаем. Одна из них - TSN (структура переговорного устройства в ограниченном пространстве), а другая - модель обгона. TSN позволяет автономным транспортным средствам преодолевать как стесненные условия, так и стохастический трафик, как на низких, так и на высоких скоростях. Такая высокая скорость была бы очень полезна для сценариев стохастического движения с загромождением шоссе, а низкая скорость была бы очень полезна, когда транспортное средство движется в городском сценарии, где вы часто сталкиваетесь с узкими улицами со слишком большим движением и шумом в движении, что означает слишком большая неопределенность в динамике трафика.
Мы уже работаем над этим последние два с половиной года, и мы уже разработали его в виде POC. Некоторые части этих фреймворков, о которых я говорю, могут быть показаны в демонстрации в нашем следующем эксперименте, который будет нацелен на достижение скорости 101 километр в час на индийских дорогах.
Кроме того, мы также занимаемся исследованиями в различных областях ИИ. Мы активно используем ученичество, обучение с обратным подкреплением. Итак, в настоящее время мы работаем над тем, чтобы автономные транспортные средства могли обгонять типичные двухполосные дороги, как это делают индийские водители. Мы доказываем как в симуляции, так и в реальном мире в максимально возможной степени при ограниченном финансировании. Это некоторые из областей исследований, которые мы уже доказали на практике, и некоторые из них будут проверены в ближайшие несколько месяцев.
Кроме того, мы являемся одной из немногих компаний в мире, которые могут обеспечить автономное вождение в совершенно неизвестных и невидимых условиях, для которых вообще нет высокоточных карт. Мы можем включить автономное вождение без использования высокоточных карт. Мы занимаемся полным устранением необходимости в картах высокой точности, и это устранение обеспечивается двумя нашими ключевыми технологиями. Наша структура TSN создана для того, чтобы установить новые нормативные стандарты.
В. Говоря об аппаратной архитектуре, какое оборудование вы используете для своих вычислительных целей. Кроме того, какие датчики и камеры вы используете, чтобы отображать реальный мир на своих автономных транспортных средствах?
На данный момент мы используем только стандартные камеры. Если вы посмотрите нашу демонстрацию автономного транспортного средства, вы заметите, что мы использовали не более чем камеру за 3000 рупий. Если вы посмотрите на исследования восприятия, которые проводятся во всем мире автономными компаниями или компаниями, занимающимися робототехникой, если на то пошло, они используют все три различных датчика, такие как камеры, LiDAR и радары. В настоящее время все наши эксперименты с автономным вождением проводятся только с использованием камер. Когда я основал компанию, у меня был только опыт планирования, но с 2016 года я понял, что передовые исследовательские работы, над которыми работают лаборатории по всему миру; это просто не работает в реальном мире. Если они работают, они слишком требовательны к вычислениям и просто не работают. Так,Я также взял восприятие в качестве своей основной области исследований и посвятил около 25–27% своего времени изучению восприятия. Теперь исследовательская цель нашей компании состоит в том, чтобы позволить автономным транспортным средствам видеть, используя только камеры, без необходимости использования LiDAR и радаров. Это исследовательская цель, которой мы хотим достичь. Достигнув этого, мы также позаботились о том, чтобы у нас был самый быстрый в мире алгоритм для решения любой общей задачи.
У нас есть две цели в восприятии. Во-первых, алгоритм должен быть настолько способным, чтобы автономные транспортные средства могли воспринимать только камеры днем и ночью. Мы расширили эту способность восприятия не только в дневное время, но и ночью, используя только фару автомобиля и обычные стандартные камеры RGB и NIR, которые вы можете купить за 3000 рупий в рынок.
Мы фокусируемся