محققان MIT با هدف ایجاد استدلال بیشتر شبیه به انسان در وسایل نقلیه خودمختار ، سیستمی را ایجاد کرده اند که فقط از نقشه های ساده و داده های بصری استفاده می کند تا اتومبیل های بدون راننده بتوانند از مسیرها در محیط های جدید و پیچیده حرکت کنند.
رانندگان انسانی با استفاده از ابزارهای مشاهده و ابزارهای ساده ، در پیمایش جاده هایی که قبلاً رانندگی نکرده اند ، بسیار خوب هستند. ما به سادگی با آنچه در اطراف خود می بینیم مطابق آنچه در دستگاههای GPS می بینیم ، تعیین می کنیم که کجا هستیم و کجا باید برویم. خودروهای بدون راننده اما با این استدلال اساسی مبارزه می کنند. در هر منطقه جدید ، ابتدا اتومبیل ها باید تمام جاده های جدید را نقشه برداری و تجزیه و تحلیل کنند که بسیار زمان بر است. این سیستم ها همچنین به نقشه های پیچیده وابسته هستند - که معمولاً توسط اسکن های 3 بعدی ساخته می شوند - که برای تولید و پردازش در پرواز از نظر محاسباتی فشرده هستند.
محققان MIT در مقاله ای که در کنفرانس بین المللی رباتیک و اتوماسیون این هفته ارائه شده است ، یک سیستم کنترل مستقل را توصیف می کنند که الگوهای فرمان رانندگان انسانی را هنگام یادگیری جاده ها در یک منطقه کوچک ، "فقط" می آموزد. نقشه ساده GPS مانند. سپس ، سیستم آموزش دیده می تواند با تقلید از راننده انسانی ، یک اتومبیل بدون راننده را در طول مسیر برنامه ریزی شده در یک منطقه کاملاً جدید کنترل کند.
به طور مشابه با رانندگان انسانی ، این سیستم همچنین هرگونه عدم تطابق بین نقشه آن و ویژگی های جاده را تشخیص می دهد . این به سیستم کمک می کند تا وضعیت ، سنسورها یا نقشه برداری آن را نادرست تشخیص دهد تا مسیر اتومبیل را اصلاح کند.
برای آموزش سیستم در ابتدا ، یک اپراتور انسانی یک تویوتا پریوس بدون راننده را مجهز به چندین دوربین و یک سیستم ناوبری اصلی GPS کنترل می کرد - جمع آوری داده ها از خیابان های حومه محلی از جمله ساختارهای مختلف جاده و موانع. با استقرار خودمختار ، سیستم با موفقیت در اتومبیل مسیری را از پیش برنامه ریزی شده در یک منطقه جنگلی متفاوت ، که برای آزمایش های وسایل نقلیه خودمختار تعیین شده بود ، پیمایش کرد.
الکساندر امینی ، نویسنده اول ، دانشجوی فارغ التحصیل MIT می گوید: "با سیستم ما ، شما نیازی به آموزش در همه جاده ها از قبل ندارید." "شما می توانید نقشه جدیدی را برای اتومبیل بارگیری کنید تا از طریق جاده هایی که قبلاً ندیده اید ، حرکت کند."
دانیلا روس ، مدیر آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) و اندرو و ارنا ویتربی استاد مهندسی برق و علوم کامپیوتر اضافه می کنند: "هدف ما دستیابی به ناوبری مستقل است که برای رانندگی در محیط های جدید قوی باشد." . "به عنوان مثال ، اگر ما وسیله نقلیه خودمختاری را برای رانندگی در محیط شهری مانند خیابان های کمبریج آموزش دهیم ، سیستم همچنین باید بتواند به راحتی در جنگل رانندگی کند ، حتی اگر این محیطی باشد که قبلاً ندیده است."
گای روزمن ، محقق در موسسه تحقیقات تویوتا و سرتاک کارامان ، استادیار هوانوردی و فضانوردی در MIT ، به روی کاغذ می پیوندند.
ناوبری نقطه به نقطه
سیستم های ناوبری سنتی داده ها را از سنسورها از طریق چندین ماژول سفارشی شده برای کارهایی مانند محلی سازی ، نقشه برداری ، تشخیص اشیاء ، برنامه ریزی حرکت و کنترل فرمان پردازش می کنند. سالهاست که گروه Rus سیستم های ناوبری "پایان به پایان" را تولید می کند ، که داده های حسی ورودی و فرمان های خروجی را پردازش می کند ، بدون نیاز به هر ماژول تخصصی.
با این حال ، تاکنون ، این مدل ها به شدت طراحی شده اند تا با خیال راحت جاده را رعایت کنند ، بدون اینکه هیچ مقصدی واقعی را در ذهن داشته باشند. در مقاله جدید ، محققان سیستم انتهای خود را برای هدایت از هدف به مقصد ، در محیطی که قبلاً دیده نشده بود ، پیش بردند. برای انجام این کار ، محققان سیستم خود را آموزش دادند تا توزیع احتمالی کامل را در تمام فرمانهای فرمان ممکن در هر لحظه در حین رانندگی پیش بینی کنند.
این سیستم از یک مدل یادگیری ماشینی به نام شبکه عصبی حلقوی (CNN) استفاده می کند ، که معمولاً برای تشخیص تصویر استفاده می شود. در حین آموزش ، سیستم نحوه هدایت از راننده انسانی را تماشا و یاد می گیرد. CNN چرخش فرمان را با انحنای جاده ای که از طریق دوربین ها و نقشه ورودی مشاهده می کند ، مرتبط می کند. سرانجام ، این احتمال فرمان را برای موقعیت های مختلف رانندگی ، مانند جاده های مستقیم ، تقاطع های چهار طرفه یا T شکل ، چنگال ها و چرخش ها می آموزد.
روس می گوید: "در ابتدا ، در یک تقاطع T شکل ، جهت های مختلفی وجود دارد که ماشین می تواند چرخش کند." "مدل با تفکر در مورد همه آن جهت ها شروع می شود ، اما با توجه به اینکه اطلاعات بیشتری درمورد آنچه مردم انجام می دهند ، مشاهده می کند که برخی از افراد به چپ می چرخند و برخی به سمت راست می چرخند ، اما هیچ کس به راست نمی رود. مستقیم پیش رو به عنوان ممکن رد می شود. جهت ، و مدل می آموزد که ، در تقاطعات T شکل ، فقط می تواند به چپ یا راست حرکت کند. "
نقشه چه می گوید؟
در آزمایش پمپ وکیوم ، محققان سیستم را با نقشه با مسیری تصادفی انتخاب شده وارد سیستم می كنند. هنگام رانندگی ، سیستم ویژگی های تصویری را از دوربین استخراج می کند ، که این امکان را برای پیش بینی ساختارهای جاده فراهم می آورد. به عنوان مثال ، یک علامت توقف فاصله یا شکست خط در کنار جاده را به عنوان نشانه هایی از تقاطع آینده مشخص می کند. در هر لحظه ، از توزیع احتمالی پیش بینی شده دستورات فرمان استفاده می کند تا به احتمال زیاد یکی را دنبال کند تا مسیر خود را انتخاب کند.
نکته مهم ، محققان می گویند ، این سیستم از نقشه هایی استفاده می کند که به راحتی ذخیره و پردازش می شوند. سیستم های کنترل خودکار به طور معمول از اسکن های LIDAR برای ایجاد نقشه های گسترده و پیچیده استفاده می کنند که تقریباً 4000 گیگابایت (4 ترابایت) از داده ها را برای ذخیره فقط در شهر سان فرانسیسکو به دست می آورند. برای هر مقصد جدید ، ماشین باید نقشه های جدیدی ایجاد کند ، که به مقدار پردازش داده ها بالغ می شود. نقشه های مورد استفاده سیستم محققان ، با استفاده از فقط 40 گیگابایت داده ، کل دنیا را ضبط می کند.
در حین رانندگی خودمختار ، سیستم همچنین به طور مداوم داده های بصری خود را با داده های نقشه مطابقت می دهد و هرگونه عدم همخوانی را یادداشت می کند. انجام این کار به وسیله نقلیه خودمختار کمک می کند تا در مکانی که در جاده قرار دارد ، بهتر تعیین کند. و این اطمینان را می دهد که اگر از اطلاعات ورودی متناقض تغذیه شود ، اتومبیل در امن ترین مسیر باقی می ماند: اگر مثلاً ماشین در حال عبور از جاده مستقیم و بدون چرخش باشد ، و GPS نشان می دهد که ماشین باید به سمت راست بپیچد ، ماشین می داند که را نگه دارد. مستقیم رانندگی کنید یا متوقف شوید
محققان MIT با هدف ایجاد استدلال بیشتر شبیه به انسان در وسایل نقلیه خودمختار ، سیستمی را ایجاد کرده اند که فقط از نقشه های ساده و داده های بصری استفاده می کند تا اتومبیل های بدون راننده بتوانند از مسیرها در محیط های جدید و پیچیده حرکت کنند.
رانندگان انسانی با استفاده از ابزارهای مشاهده و ابزارهای ساده ، در پیمایش جاده هایی که قبلاً رانندگی نکرده اند ، بسیار خوب هستند. ما به سادگی با آنچه در اطراف خود می بینیم مطابق آنچه در دستگاههای GPS می بینیم ، تعیین می کنیم که کجا هستیم و کجا باید برویم. خودروهای بدون راننده اما با این استدلال اساسی مبارزه می کنند. در هر منطقه جدید ، ابتدا اتومبیل ها باید تمام جاده های جدید را نقشه برداری و تجزیه و تحلیل کنند که بسیار زمان بر است. این سیستم ها همچنین به نقشه های پیچیده وابسته هستند - که معمولاً توسط اسکن های 3 بعدی ساخته می شوند - که برای تولید و پردازش در پرواز از نظر محاسباتی فشرده هستند.
محققان MIT در مقاله ای که در کنفرانس بین المللی رباتیک و اتوماسیون این هفته ارائه شده است ، یک سیستم کنترل مستقل را توصیف می کنند که الگوهای فرمان رانندگان انسانی را هنگام یادگیری جاده ها در یک منطقه کوچک ، "فقط" می آموزد. نقشه ساده GPS مانند. سپس ، سیستم آموزش دیده می تواند با تقلید از راننده انسانی ، یک اتومبیل بدون راننده را در طول مسیر برنامه ریزی شده در یک منطقه کاملاً جدید کنترل کند.
به طور مشابه با رانندگان انسانی ، این سیستم همچنین هرگونه عدم تطابق بین نقشه آن و ویژگی های جاده را تشخیص می دهد . این به سیستم کمک می کند تا وضعیت ، سنسورها یا نقشه برداری آن را نادرست تشخیص دهد تا مسیر اتومبیل را اصلاح کند.
برای آموزش سیستم در ابتدا ، یک اپراتور انسانی یک تویوتا پریوس بدون راننده را مجهز به چندین دوربین و یک سیستم ناوبری اصلی GPS کنترل می کرد - جمع آوری داده ها از خیابان های حومه محلی از جمله ساختارهای مختلف جاده و موانع. با استقرار خودمختار ، سیستم با موفقیت در اتومبیل مسیری را از پیش برنامه ریزی شده در یک منطقه جنگلی متفاوت ، که برای آزمایش های وسایل نقلیه خودمختار تعیین شده بود ، پیمایش کرد.
الکساندر امینی ، نویسنده اول ، دانشجوی فارغ التحصیل MIT می گوید: "با سیستم ما ، شما نیازی به آموزش در همه جاده ها از قبل ندارید." "شما می توانید نقشه جدیدی را برای اتومبیل بارگیری کنید تا از طریق جاده هایی که قبلاً ندیده اید ، حرکت کند."
دانیلا روس ، مدیر آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) و اندرو و ارنا ویتربی استاد مهندسی برق و علوم کامپیوتر اضافه می کنند: "هدف ما دستیابی به ناوبری مستقل است که برای رانندگی در محیط های جدید قوی باشد." . "به عنوان مثال ، اگر ما وسیله نقلیه خودمختاری را برای رانندگی در محیط شهری مانند خیابان های کمبریج آموزش دهیم ، سیستم همچنین باید بتواند به راحتی در جنگل رانندگی کند ، حتی اگر این محیطی باشد که قبلاً ندیده است."
گای روزمن ، محقق در موسسه تحقیقات تویوتا و سرتاک کارامان ، استادیار هوانوردی و فضانوردی در MIT ، به روی کاغذ می پیوندند.
ناوبری نقطه به نقطه
سیستم های ناوبری سنتی داده ها را از سنسورها از طریق چندین ماژول سفارشی شده برای کارهایی مانند محلی سازی ، نقشه برداری ، تشخیص اشیاء ، برنامه ریزی حرکت و کنترل فرمان پردازش می کنند. سالهاست که گروه Rus سیستم های ناوبری "پایان به پایان" را تولید می کند ، که داده های حسی ورودی و فرمان های خروجی را پردازش می کند ، بدون نیاز به هر ماژول تخصصی.
با این حال ، تاکنون ، این مدل ها به شدت طراحی شده اند تا با خیال راحت جاده را رعایت کنند ، بدون اینکه هیچ مقصدی واقعی را در ذهن داشته باشند. در مقاله جدید ، محققان سیستم انتهای خود را برای هدایت از هدف به مقصد ، در محیطی که قبلاً دیده نشده بود ، پیش بردند. برای انجام این کار ، محققان سیستم خود را آموزش دادند تا توزیع احتمالی کامل را در تمام فرمانهای فرمان ممکن در هر لحظه در حین رانندگی پیش بینی کنند.
این سیستم از یک مدل یادگیری ماشینی به نام شبکه عصبی حلقوی (CNN) استفاده می کند ، که معمولاً برای تشخیص تصویر استفاده می شود. در حین آموزش ، سیستم نحوه هدایت از راننده انسانی را تماشا و یاد می گیرد. CNN چرخش فرمان را با انحنای جاده ای که از طریق دوربین ها و نقشه ورودی مشاهده می کند ، مرتبط می کند. سرانجام ، این احتمال فرمان را برای موقعیت های مختلف رانندگی ، مانند جاده های مستقیم ، تقاطع های چهار طرفه یا T شکل ، چنگال ها و چرخش ها می آموزد.
روس می گوید: "در ابتدا ، در یک تقاطع T شکل ، جهت های مختلفی وجود دارد که ماشین می تواند چرخش کند." "مدل با تفکر در مورد همه آن جهت ها شروع می شود ، اما با توجه به اینکه اطلاعات بیشتری درمورد آنچه مردم انجام می دهند ، مشاهده می کند که برخی از افراد به چپ می چرخند و برخی به سمت راست می چرخند ، اما هیچ کس به راست نمی رود. مستقیم پیش رو به عنوان ممکن رد می شود. جهت ، و مدل می آموزد که ، در تقاطعات T شکل ، فقط می تواند به چپ یا راست حرکت کند. "
نقشه چه می گوید؟
در آزمایش پمپ وکیوم ، محققان سیستم را با نقشه با مسیری تصادفی انتخاب شده وارد سیستم می كنند. هنگام رانندگی ، سیستم ویژگی های تصویری را از دوربین استخراج می کند ، که این امکان را برای پیش بینی ساختارهای جاده فراهم می آورد. به عنوان مثال ، یک علامت توقف فاصله یا شکست خط در کنار جاده را به عنوان نشانه هایی از تقاطع آینده مشخص می کند. در هر لحظه ، از توزیع احتمالی پیش بینی شده دستورات فرمان استفاده می کند تا به احتمال زیاد یکی را دنبال کند تا مسیر خود را انتخاب کند.
نکته مهم ، محققان می گویند ، این سیستم از نقشه هایی استفاده می کند که به راحتی ذخیره و پردازش می شوند. سیستم های کنترل خودکار به طور معمول از اسکن های LIDAR برای ایجاد نقشه های گسترده و پیچیده استفاده می کنند که تقریباً 4000 گیگابایت (4 ترابایت) از داده ها را برای ذخیره فقط در شهر سان فرانسیسکو به دست می آورند. برای هر مقصد جدید ، ماشین باید نقشه های جدیدی ایجاد کند ، که به مقدار پردازش داده ها بالغ می شود. نقشه های مورد استفاده سیستم محققان ، با استفاده از فقط 40 گیگابایت داده ، کل دنیا را ضبط می کند.
در حین رانندگی خودمختار ، سیستم همچنین به طور مداوم داده های بصری خود را با داده های نقشه مطابقت می دهد و هرگونه عدم همخوانی را یادداشت می کند. انجام این کار به وسیله نقلیه خودمختار کمک می کند تا در مکانی که در جاده قرار دارد ، بهتر تعیین کند. و این اطمینان را می دهد که اگر از اطلاعات ورودی متناقض تغذیه شود ، اتومبیل در امن ترین مسیر باقی می ماند: اگر مثلاً ماشین در حال عبور از جاده مستقیم و بدون چرخش باشد ، و GPS نشان می دهد که ماشین باید به سمت راست بپیچد ، ماشین می داند که را نگه دارد. مستقیم رانندگی کنید یا متوقف شوید
تعویض توربین های بادی در دانمارک تمرکز خود را به ابررساناها معطوف می کند