اتوماسیون هوشمند و الگوریتم مناطق حائل در فناوری اتوموبیل های خودران

اتوماسیون هوشمند یا  SMART

استادMIT ، دانیلا روس، اتوماسیون و تحرک را برای ایجاد جهانی هوشمندانه ترکیب می کند.
 
دانیلا روس سنگاپور را دوست دارد. همان طور که استاد MIT در دفتر خود که دارای طراحی فرانک گری است در کمبریج، ماساچوست می نشیند تا در باره تحقیقات خود در سنگاپور صحبت کند، صورت او با لبخند بزرگی شروع به شل شدن می کند.
 هر سازنده اتومبیل میلیون ها دلار برای پیشبرد رانندگی خود گردان سرمایه گذاری می کند.داستان او با سنگاپور از تابستان 2010 آغاز شد، زمانی که وی اولین بازدید خود را از یکی از آینده نگرترین و پیش بین ترین شهرهای جهان انجام داد. استاد مهندسی برق و علوم کامپیوتر و مدیر آزمایشگاه علوم رایانه ای و هوش مصنوعی MIT (CSAIL) می گوید: "این عشق در نگاه اول بود." تابستان آن سال، او به سنگاپور آمد تا به عنوان اولین محقق اصلی در برنامه تحقیق آینده تحرک شهری، به اتحادیه تحقیقات و فناوری سنگاپور MIT (SMART) بپیوندد.
 
"در سال 2010، هیچ کس در مورد رانندگی خود گردان صحبت نمی کرد. ما پیشگامان توسعه و استقرار اولین تحرک بر حسب تقاضا برای افراد دارای گلف باگی های خود ران بودیم. " "و ببینید امروز کجا ایستاده ایم! هر سازنده اتومبیل میلیون ها دلار برای پیشبرد رانندگی خود گردان سرمایه گذاری می کند. سنگاپور دریغ نکرد که در مراحل اولیه، تمام منابع مالی، لجستیکی و حمل و نقل را برای تسهیل کار ما در اختیارمان بگذارد. "
 با استفاده از گزینه استاتیک، مناطق بافر قبلاً محاسبه شده، فقط امکان رانندگی محافظه کارانه را فراهم می آورند، در حالی که الگوریتم پویای ما طیف گسترده تری از سبک های رانندگی را امکان پذیر می نماید.از زمان اولین بازدید خود، روس هر ساله برای پی گیری تحقیقات بر می گردد و در پیشبرد پروژه های انقلابی برای آینده تحرک شهری مشارکت داشته است. او می گوید: "تیم ما فوق العاده سخت روی فناوری های خود ران کار کرد و ما در حال حاضر طیف گسترده ای از دستگاه های مختلف را ارائه می دهیم که امکان تحرک خود گردان و ایمن را فراهم می کند." "هدف امروز ما این است که گرفتن یک ماشین بدون راننده برای گردش، به آسانیِ برنامه نویسی یک تلفن هوشمند باشد. یک تعامل ساده بین انسان و ماشین، یک خدمتکار حمل و نقل را فراهم خواهد کرد. "
 
اولین دستگاه های حرکتی که تیم او روی آنها کار کرد، گلف باگی های خود ران بودند. چند سال پیش، این باگی ها تا جایی پیش رفتند که گروه تصمیم گرفتند آنها را در آزمایشی که یک هفته در باغ های چینی ادامه داشت، بر روی عموم مردم باز کنند، ایده ای که توسط آژانس حمل و نقل سنگاپور (LTA) تسهیل شد. در طول یک هفته، بیش از 500 نفر به راحتی از خانه های خود اقدام به رزرو کردند و در زمان و مکان تعیین شده به باغ های چینی آمدند تا تحرک سفارشی با روبات ها را تجربه کنند.
 
این آزمایش در اطراف مسیرهای پر پیچ و خم پر ترافیک از عابران پیاده، و دو چرخه سواران و بعضاً بزمجه ها انجام می شد. این آزمایشات همچنین یک سیستم رزرو آنلاین را مورد آزمایش قرار داده است که بازدید کنندگان را قادر می سازد تا وانت ها و وسایل حمل و نقل را در اطراف باغ برنامه ریزی کنند، و به طور خود کار وسایل نقلیه را مسیر یابی و مجدداً مستقر نمایند تا تمام درخواست ها را تأمین کرده باشند. پاسخ عموم مردم خوشحال و مثبت بود و این باعث ایجاد شور و شوق مجدد در این تیم برای رسیدن به سطح بالاتری از کار شد.
 
از زمان آزمایش عمومی باغ های چینی، گروه اتومبیل های خود گردان، چند وسیله نقلیه خود ران دیگر را معرفی کرده اند: یک اتومبیل خود ران شهری و دو روبات تحرک شخصی، یک اسکوتر خود ران و یک صندلی چرخ دار خود ران. هر یک از این وسایل نقلیه در سه فاز ایجاد شده اند: در فاز اول، وسیله نقلیه به کنترل با سیمِ رانندگی تبدیل می شود، که به کامپیوتر امکان کنترل شتاب، ترمز و فرمان خود رو را می دهد. در مرحله دوم، وسیله نقلیه در محیط کار خود بر روی هر یک از مسیرها حرکت می کند و با استفاده از ویژگی های شناسایی شده توسط سنسورها نقشه می سازد. در مرحله سوم، وسیله نقلیه با استفاده از نقشه، مسیری را از نقطه سوار کردن مشتری تا نقطه عزیمت او محاسبه می کند و با رانندگی در طول مسیر، بومی سازی مداوم و اجتناب از هر اتومبیل، افراد و موانع غیر منتظره دیگر، ادامه می یابد. این دستگاه ها همچنین از داده های ترافیکی LTA برای مدل سازی الگوهای ترافیک و بررسی مزایای سیستم های اشتراکی سواری استفاده کردند.
 
سپس، این تیم آزمایش جدیدی را با مردم در MIT انجام داد. این بار آنها یک اسکوتر خود ران مستقر کردند که به کاربران امکان می داد از همان سیستم خود گردان هم در محوطه های سرپوشیده و هم در محوطه های باز استفاده کنند. این آزمایش، اتومبیل رانی های خود گردان در راهروهای بی انتهایMIT  را نیز شامل می شد. یک چالش قابل توجه در این نوع فضا، محلی سازی یا دانستن دقیق موقعیت روبات در یک راهرو طولانی و ساده است که ویژگی های متمایز زیادی ندارد. ثابت شد که این سیستم در این نوع از محیط ها بسیار خوب کار می کند و این، آزمایشِ نشان دادن یک سیستم تحرک خود گردان جامع و کامل را به اتمام رساند.
 یک روش استاندارد برای وسایل نقلیه خود گردان برای جلوگیری از برخورد ، محاسبه مناطق حائل یا بافر در اطراف سایر وسایل نقلیه موجود در محیط است.روس می گوید: "به راحتی می توان سودمندی چنین سیستمی را بین اتومبیل های خود ران شهری، باگ های گلف و اسکوترها مشاهده کرد." "یک کاربر کم تحرک می تواند به عنوان مثال، با استفاده از یک اسکوتر خود ران از سالن و از لابی یک ساختمان آپارتمانی پایین بیاید، یک باگ گلف خود ران را از پارکینگ ساختمان عبور دهد و یک ماشین خود ران را در جاده های عمومی برای رفتن به یک پارک تفریحی یا مرکز خرید با تجهیزات مشابه تحویل بگیرد. "
 
دانیلا روس، عضو همکار MacArthur 2002 و عضو آکادمی ملی مهندسی ایالات متحده، می داند که هر مرحله موفقیت آمیز در تحرک شهری مشارکتی مثبت از هوش مصنوعی برای عموم را به ارمغان می آورد. طبق اعلام سازمان بهداشت جهانی، هر روز 3400 نفر در جهان بر اثر حوادث رانندگی جان خود را از دست می دهند. وی متقاعد شد که خود گردانی بخشی از راه حل حمل و نقل ایمن است و می گوید: "این یک مسابقه فضایی جدید است." دانیلا روس به دیدار از سنگاپور محبوب خود ادامه می دهد، جایی که او به ویژه از غذا، گل های زیبا، مهربانی مردم آن و هوشمندی جوانی لذت می برد. وی نتیجه گیری می کند: "سنگاپور قطعاً در بسیاری از زمینه ها الگو است. "
 

الگوریتم مناطق بافر

الگوریتم، "مناطق حائل (یا بافر)" را در اطراف وسایل نقلیه خودگردان محاسبه می کند و آنها را در پرواز، ارزیابی مجدد می کند.
   
تصویر: محققان آزمایشگاه علوم رایانه ای و هوش مصنوعی MIT (CSAIL) الگوریتم جدید تغییر مسیر را در کنفرانس بین المللی روباتیک و اتوماسیون ارائه دادند.
 در زمینه اتومبیل های خود ران، الگوریتم های کنترل تغییر خط موضوع مهمی در مطالعه هستند.در زمینه اتومبیل های خود ران، الگوریتم های کنترل تغییر خط موضوع مهمی در مطالعه هستند. اما بیشتر الگوریتم های موجود تغییر خط یکی از این دو اشکال را دارند: یا به مدل های آماری دقیق محیط رانندگی متکی هستند که جمع آوری آنها دشوار است و تجزیه و تحلیل آنها بسیار پیچیده است. یا آن قدر ساده هستند که می توانند منجر به تصمیماتی غیر عاملانه و محافظه کارانه شوند، مانند این که هرگز و به هیچ وجه تغییر مسیر ندهید.
 
در کنفرانس بین المللی روباتیک و اتوماسیون، محققان آزمایشگاه علوم رایانه ای و هوش مصنوعی MIT (CSAIL) الگوریتم جدید تغییر مسیر را ارائه دادند که تفاوت را تقسیم می کند. این الگوریتم، امکان تغییر خطی تهاجمی تر از مدل های ساده را فراهم می کند اما برای تصمیم گیری فقط به اطلاعات فوری در مورد جهت ها و سرعت سایر وسایل نقلیه متکی است.
 
آلیسا پیرسون، فوق دکترا در CSAIL و اولین نویسنده این مقاله جدید، می گوید: "انگیزه این است که ببینیم با کمترین اطلاعات ممکن چه کاری می توانیم انجام دهیم. " "چگونه می توانیم با یک وسیله نقلیه خود گردان آن چنان رفتار کنیم که ممکن است یک راننده انسانی رفتار کند؟ حداقل اطلاعاتی که ماشین برای ایجاد آن رفتار انسان مانند نیاز دارد چقدر است؟"
 
روس، مدیرCSAIL ، می گوید: "راه حل بهینه سازی، ناوبری را با تغییر خطوط که می تواند طیف وسیعی از سبک های رانندگی، از محافظه کارانه تا پرخاشگرانه، را با تضمین های ایمنی مدل کند، تضمین می نماید. "
 
یک روش استاندارد برای وسایل نقلیه خود گردان برای جلوگیری از برخورد ، محاسبه مناطق حائل یا بافر در اطراف سایر وسایل نقلیه موجود در محیط است. مناطق بافر نه تنها موقعیت های فعلی وسایل نقلیه بلکه موقعیت های احتمالی آنها را در یک بازه زمانی مشخص می کند. آنگاه برنامه ریزی برای تغییر خط دادن ها، صرفاً مسئله ماندن در خارج از مناطق بافر سایر وسایل نقلیه خواهد بود.
 طبق اعلام سازمان بهداشت جهانی، هر روز 3400 نفر در جهان بر اثر حوادث رانندگی جان خود را از دست می دهند.  خود گردانی بخشی از راه حل حمل و نقل ایمن است.برای هر روش داده شده برای محاسبه مناطق بافر، طراحان الگوریتم باید ثابت کنند که آن روش در زمینه مدل ریاضی مورد استفاده برای توصیف الگوهای ترافیکی، جلوگیری از برخورد را تضمین می کند. این اثبات می تواند پیچیده باشد، بنابراین مناطق بافر مطلوب معمولاً از قبل محاسبه می شوند. در حین کار، وسیله نقلیه خود گردان مناطق بافر از قبل محاسبه شده را که با وضعیت خودش مطابقت دارند فراخوانی می کند.
 
مسئله این است که اگر ترافیک به اندازه کافی سریع و متراکم باشد، مناطق بافر از پیش محاسبه شده ممکن است بیش از حد محدود شوند. یک وسیله نقلیه خود گردان، در حالی که یک راننده انسانی با سرخوشی دورِ جاده را به صورت زیگزاگی می پیماید، به هیچ وجه قادر به تغییر مسیر نیست.
 
با سیستم محققانMIT ، اگر مناطق بافر پیش فرض منجر به عملکردی بسیار بدتر از راننده انسانی شوند، سیستم مناطق بافر جدید را در حین پرواز محاسبه می کند – که کامل بودن با اثبات جلو گیری از برخورد همراه است.
 
این روش به روش کار آمد ریاضی در توصیف مناطق بافر بستگی دارد، بنابراین اثبات جلوگیری از برخورد می تواند به سرعت اجرا شود. و این همان چیزی است که محققان MIT توسعه داده اند.
 یک کاربر کم تحرک می تواند به عنوان مثال، با استفاده از یک اسکوتر خود ران از سالن و از لابی یک ساختمان آپارتمانی پایین بیاید، یک باگ گلف خود ران را از پارکینگ ساختمان عبور دهد و یک ماشین خود ران را در جاده های عمومی برای رفتن به یک پارک تفریحی یا مرکز خرید با تجهیزات مشابه تحویل بگیرد.آنها با توزیع به اصطلاح گاوسی - توزیع احتمال آشنای منحنی زنگ - شروع می شوند. این توزیع نمایانگر موقعیت جاری خودرو است، با در نظر گرفتنِ هم امتداد خودرو و هم عدم اطمینان در تخمین محل خودرو.
 
سپس، بر اساس برآورد جهت و سرعت خودرو، سیستمِ محققان یک عملکرد به اصطلاح لجستیکی را ایجاد می کند. ضرب تابع لجستیک در توزیع گاوسی، توزیع را در جهت حرکت ماشین متمایل می کند، که همراه با افزایش سرعت، این تمایل یا کج شدگی افزایش می یابد.
 
توزیع کج شده، منطقه بافر جدید وسیله نقلیه را تعریف می کند. اما توصیف ریاضی آن بسیار ساده است – و فقط با استفاده از چند متغیر معادله - که سیستم می تواند آن را در حین پرواز ارزیابی کند- امکان آن وجود خواهد داشت.
 
محققان الگوریتم خود را در یک شبیه سازی شامل 16 ماشین خود گردان که در محیطی با چند صد وسیله نقلیه دیگر رانندگی می کردند، آزمایش کردند.
 
پیرسون توضیح می دهد: "وسایل نقلیه خود گردان ارتباط مستقیمی با هم نداشتند اما الگوریتم پیشنهادی را به طور موازی و بدون درگیری و برخورد اجرا می کردند." "هر اتومبیل از آستانه خطر متفاوتی استفاده می کند که سبک رانندگی متفاوتی را ایجاد می کند، و این به ما امکان می دهد رانندگان محافظه کار و تهاجمی را ایجاد کنیم. با استفاده از گزینه استاتیک، مناطق بافر قبلاً محاسبه شده، فقط امکان رانندگی محافظه کارانه را فراهم می آورند، در حالی که الگوریتم پویای ما طیف گسترده تری از سبک های رانندگی را امکان پذیر می نماید. "
 هدف امروز ما این است که گرفتن یک ماشین بدون راننده برای گردش، به آسانیِ برنامه نویسی یک تلفن هوشمند باشد.این پروژه تا حدی توسط مؤسسه تحقیقات تویوتا و دفتر تحقیقات دریایی پشتیبانی شد.
 
منبع: لری هاردستی، کاترین مارگریت، اتحادیه تحقیقات و فناوری سنگاپورMIT، دفتر خبری MIT