Технически гиганти като Tesla и Google са направили автомобилите за самоуправление най-обсъжданата тема сред технологичните ентусиасти. Различни компании по света работят за разработване на автономни превозни средства за различни терени.
За да направят свързаната технология за автономно шофиране достъпна, достъпна и достъпна за всички, базираната в Bhopal Swaayatt Robots се присъедини към бандата. С огромни познания за всички технологии, участващи в автономната роботика, изпълнителният директор на компанията, г-н Санджеев Шарма остави много технологични компании в състезанието. От 2009 г. той изследва много и се подлага на математически изчисления, участващи в измислянето на интелигентни решения за самоуправляващи се автомобили.
Получихме възможността да разговаряме с г-н Санджеев и да познаем всяка част от технологията, стояща зад автономните превозни средства и роботиката, по която работи Swaayatt Robots, и техните бъдещи планове. Натиснете скок, за да прочетете целия разговор, който проведохме с него. Освен това можете да гледате видеото по-долу, за да чуете разговора между нашия редактор и самия Санджеев
В. Да направим технологията за автономно шофиране достъпна и достъпна за всички е основната мисия на роботите Swaayatt. Как започна пътуването?
Изследвах в областта на автономната навигация през последните 11 години. Още през 2009 г. бях вдъхновен от големите предизвикателства на DARPAтова се случи в САЩ. Автономното шофиране стана целта на моята през тези години. В продължение на много години продължих да проучвам и правех самообучения специално за планиране на движението и вземане на решения при несигурност. Фокусът беше върху оптималното използване на машинното обучение, засилването на обучението и различни техники. Стартирах Swaayatt Robots през 2014 г., но не просто прилагах изследванията и проучванията, които бях направил през последните няколко години. Прилагайки някои идеи в движение и вземане на решения, трябваше да реша и проблема с планирането на възприятията и локализацията. Имах изследователски опит само в областта на вземането на решения и планирането на движението. Но областите на възприятие и локализация бяха доста нови за мен. Огромният ми математически опит ми помогна много.
След като започнах да разработвам алгоритмичните рамки за разрешаване на автономно шофиране около 2015 г., разбрах, че това може да е нещо много огромно и наистина можем да решим проблема с автономното шофиране в много стохастични сценарии на състезателен трафик. И от 2014 г. работя на пълен работен ден по това стартиране. По-конкретно моите изследвания обхващат няколко клона, но по-специално фокусът на нашата компания е да разработи алгоритми за вземане на решения и планиране на движение, които позволяват на автономните превозни средства да се справят с много високи нива на стохастичност в динамиката на трафика. Това възлиза на около 65% до 70% от изследванията, които се провеждат в Swaayatt Robots. Около 25% - 27% от изследването отива в областта на възприятието, което обхваща всякакви алгоритми, които обработват данните от сензора от автомобилна роботизирана система,и изградете 3D представяне на света около него.
По възприятие ние сме една от малкото компании в света, които могат да позволят на автономните превозни средства да възприемат околната среда, използвайки само готови камери, които работят и през деня, и през нощта. Приблизително така беше пътуването досега.
В. Започнахте през 2014 г., за да потвърдите идеите си и след това напълно уловихте пътя до 2015 г. И така, какво трябва да направим през тази една година? Как проверихте, че самоуправлението може да се прави в Индия?
Автономното шофиране е комбинация от три алгоритмични тръбопровода, а именно. възприятие, планиране и локализация. Алгоритмите вземат сензорните данни, обработват ги и изграждат 3D представяне около превозно средство. Ние ги наричаме алгоритми за възприятие. Алгоритмите за локализация се опитват да определят точно глобално позицията на превозното средство на пътя. Ето как роботите са работили в академични условия. През 2009 г. този модел на автономно шофиране беше пионер на Google. Преди автономно превозно средство да се придвижва по определен път, целият път трябва да бъде картографиран с много високи детайли в 3d. Ние ги наричаме карти с висока степен на вярност. Тези карти с висока точност съхраняват много ключова информация за околната среда. Те обикновено съхраняват всички различни видове разделители в околната среда.
Преди автономното превозно средство да се придвижва в среда, цялата среда се картографира по много прецизен начин. Всички маркери на лентата, пътните граници и всякакъв вид разделител в околната среда всъщност се съхраняват в тези видове карти с висока точност.
Когато превозното средство се придвижва през среда, за която вече имате карти с висока точност, тогава отново улавяте данните от различни сензори на превозното средство и се опитвате да съпоставите данните с референтна карта, която сте изградили. Този процес на съвпадение ви дава вектор на поза, който ви казва къде е превозното средство на планетата Земя и каква е конфигурацията на превозното средство. След като разберете позицията и конфигурацията на автомобила на пътя, цялата информация, която сте съхранили в картите с висока точност, се проектира върху текущата конфигурация на автомобила. Когато проектирате тази информация като пътни маркери, маркери за ленти и всякакъв вид ограничител на пътя или ограничител на околната среда; автономното превозно средство знае къде се намира сега по отношение на определен разделител или от определен маркер на лентата. Така,това правят алгоритмите за локализация.
Последната област на автономното шофиране е планирането и вземането на решения. Колкото по-усъвършенствани и по-добри алгоритми за планиране и вземане на решения имате, толкова по-способен е вашият автономен автомобил. Например алгоритмите за планиране и вземане на решения ще разграничат компаниите от автономността на ниво второ, ниво трето, ниво четири и ниво пет. Всеки алгоритъм, отговорен за вземането на решения или планирането на движението и поведението на превозното средство, е алгоритъм за планиране.
Колкото по-усъвършенствани сте в алгоритмите за планиране, толкова по-добре ще бъде вашето превозно средство. Няколко планиращи движения и вземащи решения помагат при оценката на безопасността на превозното средство и околната среда, скоростта, с която се движите, заобикалящата среда на превозното средство и всички параметри, които можете да изчислите от вашата среда. Това правят алгоритмите за планиране.
Изследвал съм в областта на планирането. Ако имате такъв тип алгоритми, които могат да се справят със стохастичността в динамиката на трафика в Индия. Ако можете да се справите с това и ако имате алгоритми, тогава сте доказали, че ако можете просто да изградите стек за възприемане и локализация, имате пълноценна технология за автономно шофиране.
Не е необходимо да разработвате всички различни алгоритми, за да проверите кое работи най-добре. Просто трябва да изградите три или четири различни алгоритми, които знаете, че ще решат ключовия проблем в автономното шофиране. Безопасността е основният въпрос, поради който не виждате търговски автономни превозни средства на пътя. Разходите и всички останали въпроси са второстепенни. Можех да изградя цялото стартиране само на един или два алгоритма като аспекта на локализация и картографиране на автономното шофиране. Но целта ми беше да разработя пълноценно автономно превозно средство, а не един или два алгоритма тук и там. След като доказах ключовия аспект в областта на планирането и вземането на решения, ми дадох увереността да се спра с целия проблем на автономното шофиране като цяло.
Въпрос: На какво ниво на автономно шофиране работи Swaayatt Robots? И какво ниво според вас е възможно в Индия?
Нашата цел е да постигнем автономност от ниво 5 и да гарантираме, че технологията е безопасна в този вид среда. Ние сме някъде между ниво трето и ниво четири. Някои от алгоритмичните изследвания, които правим, са в планирането на движението и вземането на решения, насочени към ниво пет.
Ние също така работим върху предоставянето на възможност на автономни превозни средства да могат да пресичат кръстовището в пикови часове на трафика без светофари. Ние се стремим да постигнем автономност на ниво пет, като даваме възможност на автономни превозни средства да се справят с ограничено пространство със силно стохастичен трафик. Правили сме автономно шофиране в много тясна обстановка, когато превозно средство или велосипед идват и от противоположния край. На ниво POC постигнахме между три и четири нива. Вече обърнахме POC за автономност от ниво четири чрез провеждане на експерименти в силно стохастичен трафик с тесни пространства. Нашата настояща цел е да постигнем 101 километра в час автономно шофиране по индийски пътища.
След като сте доказали безопасността на превозното средство в този вид среда, можете да вземете вашата технология и да я приложите навсякъде другаде, като в Северна Америка и Европа, където трафикът е много по-структуриран, където средата е и много по-строга в сравнение с индийската среди. И така, Индия към момента е полигон за нас, за да докажем, че имаме нещо, което никой друг не е правил в момента.
Въпрос: Доколко Swaayatt Robots напредва в разработването на решение за автономно шофиране? На какво ниво на шофиране работите в момента?
В момента разполагаме с най-бързия алгоритъм за планиране на движение в света, който може да планира почти оптимални параметризирани по време траектории за автономно превозно средство за 500 микросекунди. Така че алгоритъмът работи приблизително при 2000 херца. Разполагаме с технологията, позволяваща автономно шофиране до 80 километра в час по индийските магистрали. Постигането на такава скорост по индийските магистрали е много предизвикателно. Обикновено, ако можете да направите това, можете да го вземете и на друго място. Можете да го приложите в чужд трафик и като цяло сте много близо до ниво четири. За да ви дадем представа, ние работихме по това, което наричаме анализ на намеренията на много агенти и договаряне. Тази рамка позволява на нашето превозно средство не само да изчисли вероятността от намеренията на други превозни средства или агенти на пътя.Той може да изчисли вероятностите за целия набор от пътища, които други агенти или превозни средства или препятствия в околната среда не могат. Само тази възможност обаче не е достатъчна. Например можете да изградите много изчислително изискваща система, която може да предсказва бъдещите траектории на движение и може би да изчисли вероятностите на всички набори от пътеки на различни превозни средства. Тук трябва да се съсредоточите, т.е. и върху изчислителните изисквания. Търсенето на изчисления в този проблем на многоагентния анализ на намеренията и преговорите ще нараства експоненциално, ако не сте направили никакви изследвания, не сте използвали математиката правилно или ако не сте ги проектирали правилно. Изследвам някои от понятията от приложната математика, по-специално в областта на топологичната теория. Използвам някои от понятията като хомотопични карти,които позволяват на нашата технология да мащабира изчисленията. Поне към момента тя е суперлинейна по отношение на броя на агентите, за разлика от експоненциалното раздуване, което бихте срещнали, ако не сте разработили правилно математиката зад алгоритмите.
Рамката за преговори за анализ на намеренията за много агенти е допълнително разделена на два различни клона, по които работим в момента. Единият е TSN (Tight Space Negotiator Framework), а другият е изпреварващият модел. TSN позволява на автономните превозни средства да преговарят както в тесни условия, така и в стохастичен трафик, както на ниска, така и на висока скорост. Така че високата скорост би била много полезна за затрупани от магистрали сценарии за стохастичен трафик, а ниската скорост би била много полезна, когато превозното средство се движи в градски сценарий, където често срещате най-тесните улици с твърде много трафик и шум в трафика, което означава, че там е твърде голяма несигурност в динамиката на трафика.
Вече работихме по това през последните две години и половина и вече го разработихме под формата на POC. Някои от парчетата от тези рамки, за които говоря, могат да бъдат показани в демонстрацията в следващия ни експеримент, който ще бъде насочен към постигане на 101 километра в час, функциониращ по индийските пътища.
Освен това изследвахме и в различни клонове на ИИ. Ние използваме интензивно обучение за чиракуване, обучение за обратно усилване. И така, в момента работим върху възможността автономните превозни средства да изпреварват по типични двулентови пътища, точно както правят индийските шофьори. Ние се доказваме както в симулация, така и в реалния свят в максимално възможна степен с ограничено финансиране. Това са някои от изследователските области, които вече доказахме на място, а някои от тях ще бъдат доказани през следващите няколко месеца.
Освен това, ние сме една от единствените компании в света, които могат да дадат възможност за автономно шофиране в напълно непозната и невидима среда, за която изобщо няма карти с висока точност. Можем да дадем възможност за автономно шофиране без използването на карти с висока точност. Ние се занимаваме с изцяло изкореняване на необходимостта от карти с висока точност и това изкореняване е активирано от две от нашите ключови технологии. Нашата TSN рамка е създадена, за да постави нова регулаторна база.
В. Говорейки за хардуерната архитектура, какъв вид хардуер използвате за вашата изчислителна цел. Също така, какви сензори и камери използвате за картографиране на реалния свят на вашите автономни превозни средства?
Към момента ние просто използваме готови камери. Ако видите нашата демонстрация за автономно превозно средство, ще забележите, че не сме използвали нищо повече от 3000 Rs камера. Ако погледнете изследванията на възприятията, които се случват по целия свят с автономните компании или компаниите по роботика, те използват и трите различни сензора като камери, LiDAR и радари. Понастоящем всички наши експерименти с автономно шофиране се случват само с помощта на камери. Когато стартирах компанията, имах опит само в планирането, но от 2016 г. осъзнах, че най-съвременните научни статии, по които работят лабораториите по целия свят; просто не работи в реалния свят. Ако работят, те са твърде изчислително интензивни и просто не работят. Така,Взех възприятието също като своя основна област на изследване и отделих около 25% - 27% от времето си в изследване на възприятията. Сега изследователската цел на нашата компания е да даде възможност на автономните превозни средства да могат да възприемат, използвайки само камерите, без да са необходими LiDAR и радари. Това е изследователска амбиция, която искаме да постигнем. Постигайки това, ние също така гарантираме, че разполагаме с най-бързия алгоритъм в света за всяка обща задача.
Имаме две цели във възприятието. Първо, алгоритъмът трябва да бъде толкова способен, че да позволява на автономните превозни средства да възприемат, използвайки само камери както през деня, така и през нощта. Разширихме тази способност за възприемане не само през деня, но и през нощта, като не използвахме нищо друго освен фаровете на автомобила и обикновените RGB и NIR камери, които могат да бъдат закупени за 3000 Rs в пазар.
Ние се фокусираме