![روشی جدید در ناوبری خودروهای بدون راننده روشی جدید در ناوبری خودروهای بدون راننده](https://rasekhoon.net/_files/thumb_images700/article/1---ggggdownload.jpg)
مفهوم خودرو خودران (تصویر آرشیوی)
اعتبار: © scharfsinn86 / Adobe Stock
اعتبار: © scharfsinn86 / Adobe Stock
گزارش کامل
محققان MIT با این هدف که وسایل نقلیه خودران از استدلال هایی بیشتر مشابه با آنچه انسان انجام می دهد برای هدایت خودرو استفاده کنند، سیستم هایی را ایجاد کرده اند که فقط از نقشه های ساده و اطلاعات بصری استفاده می کنند تا اتومبیل های بدون راننده را در مسیرهای جدید و در محیط های پیچیده هدایت کنند.
رانندگان انسانی در مسیرهای جاده ای که پیش از این در آنها رانندگی نکرده اند، با استفاده از مشاهده و ابزارهای ساده، بسیار خوب عمل می کنند. ما به سادگی آنچه که در اطرافمان می بینیم را با آنچه روی دستگاههای GPS مان می بینیم تطبیق می دهیم تا تعیین می کنیم کجا هستیم و کجا نیاز داریم برویم. لکن خودروهای بدون راننده با این استدلال اساسی در کشمکش هستند. در هر منطقه جدید، اتومبیل ها باید ابتدا تمام جاده های جدید را نقشه کشی و تجزیه و تحلیل کنند، که بسیار وقت گیر است. این سیستم ها همچنین بر نقشه های پیچیده متکی هستند - که معمولا توسط اسکن های سه بعدی ایجاد می شوند - که از لحاظ محاسباتی برای ایجاد و پردازش در پرواز انرژیبر هستند.
محققان MIT در یک مقاله که در کنفرانس بین المللی روباتیک و خودرانی ارائه شد، یک سیستم کنترل خودران را تشریح می کنند که الگوهای رانندگی رانندگان انسانی را آنچنانکه آنها در جاده ها در یک ناحیه کوچک می رانند، تنها با استفاده از داده های دوربین ویدئویی و یک نقشه ساده مشابه GPS، "یاد می گیرند". سپس، سیستم آموزش دیده می تواند یک خودرو بدون راننده را در طول یک مسیر طرح ریزی شده در یک منطقهی کاملاً جدید، با تقلید رانندهی انسانی، کنترل کند.
به طور مشابه با رانندگان انسانی، سیستم همچنین هر گونه عدم تطابق بین نقشهاش و ویژگی های جاده را تشخیص می دهد. این به سیستم کمک می کند که تعیین کند که آیا موقعیتاش، سنسورهایش، یا نقشه برداری نادرست است یا نه تا در صورت لزوم مسیر ماشین را تصحیح کند.
برای آموزش سیستم، ابتدائاً یک اپراتور انسانی، Toyota Prius بدون راننده را که مجهز به چندین دوربین و یک سیستم ناوبری اساسی GPS بود، کنترل می کرد – و به جمع آوری داده ها از خیابان های حومه محلی از جمله ساختارها و موانع جاده ای مختلف می پرداخت. هنگامی که به طور خودران مستقر شد، سیستم با موفقیت به ناوبری خودرو در طول یک مسیر از پیش برنامه ریزی شده در یک ناحیهی جنگلی متفاوت، تعیین شده برای آزمایشات خودرو خودران، پرداخت.
اولین نویسنده، الکساندر امینی، دانشجوی کارشناسی ارشد MIT، می گوید: "با استفاده از سیستم ما، شما لازم نیست روی هر جاده ای قبلاً آموزش ببینید." "شما می توانید یک نقشه جدید برای هدایت ماشین از میان جاده هایی که هرگز قبلاً ندیده است دانلود کنید."
دانیلا روس، مؤلف همکار، مدیر آزمایشگاه اطلاعات کامپیوتری و هوش مصنوعی (CSAIL)، و استاد مهندسی برق و علوم کامپیوتری در Andrew and Erna Viterbi گفت: "هدف ما دستیابی به ناوبری خودران است که برای رانندگی در محیط های جدید قوی باشد." "به عنوان مثال، اگر ما یک وسیله نقلیه خودران را برای رانندگی در یک محیط شهری مثل خیابان های کمبریج آموزش دهیم، سیستم همچنین باید بتواند به گونه ای هموار در جنگل براند حتی اگر این محیطی باشد که هرگز قبلاً ندیده است."
رانندگان انسانی در مسیرهای جاده ای که پیش از این در آنها رانندگی نکرده اند، با استفاده از مشاهده و ابزارهای ساده، بسیار خوب عمل می کنند. ما به سادگی آنچه که در اطرافمان می بینیم را با آنچه روی دستگاههای GPS مان می بینیم تطبیق می دهیم تا تعیین می کنیم کجا هستیم و کجا نیاز داریم برویم. لکن خودروهای بدون راننده با این استدلال اساسی در کشمکش هستند. در هر منطقه جدید، اتومبیل ها باید ابتدا تمام جاده های جدید را نقشه کشی و تجزیه و تحلیل کنند، که بسیار وقت گیر است. این سیستم ها همچنین بر نقشه های پیچیده متکی هستند - که معمولا توسط اسکن های سه بعدی ایجاد می شوند - که از لحاظ محاسباتی برای ایجاد و پردازش در پرواز انرژیبر هستند.
محققان MIT در یک مقاله که در کنفرانس بین المللی روباتیک و خودرانی ارائه شد، یک سیستم کنترل خودران را تشریح می کنند که الگوهای رانندگی رانندگان انسانی را آنچنانکه آنها در جاده ها در یک ناحیه کوچک می رانند، تنها با استفاده از داده های دوربین ویدئویی و یک نقشه ساده مشابه GPS، "یاد می گیرند". سپس، سیستم آموزش دیده می تواند یک خودرو بدون راننده را در طول یک مسیر طرح ریزی شده در یک منطقهی کاملاً جدید، با تقلید رانندهی انسانی، کنترل کند.
به طور مشابه با رانندگان انسانی، سیستم همچنین هر گونه عدم تطابق بین نقشهاش و ویژگی های جاده را تشخیص می دهد. این به سیستم کمک می کند که تعیین کند که آیا موقعیتاش، سنسورهایش، یا نقشه برداری نادرست است یا نه تا در صورت لزوم مسیر ماشین را تصحیح کند.
برای آموزش سیستم، ابتدائاً یک اپراتور انسانی، Toyota Prius بدون راننده را که مجهز به چندین دوربین و یک سیستم ناوبری اساسی GPS بود، کنترل می کرد – و به جمع آوری داده ها از خیابان های حومه محلی از جمله ساختارها و موانع جاده ای مختلف می پرداخت. هنگامی که به طور خودران مستقر شد، سیستم با موفقیت به ناوبری خودرو در طول یک مسیر از پیش برنامه ریزی شده در یک ناحیهی جنگلی متفاوت، تعیین شده برای آزمایشات خودرو خودران، پرداخت.
اولین نویسنده، الکساندر امینی، دانشجوی کارشناسی ارشد MIT، می گوید: "با استفاده از سیستم ما، شما لازم نیست روی هر جاده ای قبلاً آموزش ببینید." "شما می توانید یک نقشه جدید برای هدایت ماشین از میان جاده هایی که هرگز قبلاً ندیده است دانلود کنید."
دانیلا روس، مؤلف همکار، مدیر آزمایشگاه اطلاعات کامپیوتری و هوش مصنوعی (CSAIL)، و استاد مهندسی برق و علوم کامپیوتری در Andrew and Erna Viterbi گفت: "هدف ما دستیابی به ناوبری خودران است که برای رانندگی در محیط های جدید قوی باشد." "به عنوان مثال، اگر ما یک وسیله نقلیه خودران را برای رانندگی در یک محیط شهری مثل خیابان های کمبریج آموزش دهیم، سیستم همچنین باید بتواند به گونه ای هموار در جنگل براند حتی اگر این محیطی باشد که هرگز قبلاً ندیده است."
ناوبری نقطه به نقطه
سیستم های ناوبری سنتی داده ها از سنسور ها، از طریق چندین ماژول سفارشی شده برای وظایفی مانند تعیین موقعیت، نقشه برداری، تشخیص شیء، برنامه ریزی حرکت و کنترل فرمان، پردازش می کنند. برای سال ها گروه روس در حال توسعه سیستم های ناوبری "پایان به پایان" بوده است که داده های حسگری ورودی و فرمان های راندن خروجی را بدون نیاز به هیچ ماژول خاصی پردازش می کند.
به هر حال، تاکنون این مدل ها به چنان سختیای طراحی شده اند که به گونه ای امن از جاده پیروی کنند بدون این که هیچ مقصد واقعیای در ذهن باشد. در مقاله جدید، محققان سیستم پایان تا پایان خود را پیشرفت دادند به راندن از هدف تا مقصد در محیطی که قبلا دیده نشده است. سیستم همچنین هر گونه عدم تطابق بین نقشهاش و ویژگی های جاده را تشخیص می دهد. برای انجام این کار، محققان سیستم خود را برای پیش بینی یک توزیع احتمال کامل روی همه فرمان های راندن ممکن در هر لحظهی داده شده در زمان رانندگی تعلیم دادند.
این سیستم از یک مدل یادگیری ماشین به نام یک شبکه عصبی کانولوشن (CNN) استفاده می کند که معمولا برای تشخیص تصویر استفاده می شود. در طول آموزش، سیستم تماشا می کند و از یک راننده انسان یاد می گیرد که چگونه براند. CNN چرخش های فرمان را به انحناهای جاده ای که از طریق دوربین ها و یک نقشه ورودی مشاهده می شود، مرتبط می کند. در نهایت، به احتمال زیاد فرمان های راندن را برای موقعیت های مختلف رانندگی، مانند جاده های مستقیم، چهار راه ها و سه راه ها، انشعاب ها، و چرخش ها، یاد می گیرد.
روس می گوید: "در ابتدا، در یک تقاطع T شکل، راه های مختلفی وجود دارد که ماشین بتواند بپیچد." "مدل با فکر کردن درباره همه آن جهات شروع می کند، اما همانطور که داده های بیشتر و بیشتری در مورد آنچه مردم انجام می دهند می بیند، خواهد دید که برخی افراد به سمت چپ می پیچند و برخی به سمت راست می روند، اما هیچ کس مستقیم نمی رود. مسیر مستقیم، به عنوان یک جهت ممکن ممنوع می شود و مدل یاد می گیرد که در تقاطع های Tشکل، تنها می تواند به چپ یا راست حرکت کند. "
منبع: مؤسسه تکنولوژی ماساچوست
به هر حال، تاکنون این مدل ها به چنان سختیای طراحی شده اند که به گونه ای امن از جاده پیروی کنند بدون این که هیچ مقصد واقعیای در ذهن باشد. در مقاله جدید، محققان سیستم پایان تا پایان خود را پیشرفت دادند به راندن از هدف تا مقصد در محیطی که قبلا دیده نشده است. سیستم همچنین هر گونه عدم تطابق بین نقشهاش و ویژگی های جاده را تشخیص می دهد. برای انجام این کار، محققان سیستم خود را برای پیش بینی یک توزیع احتمال کامل روی همه فرمان های راندن ممکن در هر لحظهی داده شده در زمان رانندگی تعلیم دادند.
این سیستم از یک مدل یادگیری ماشین به نام یک شبکه عصبی کانولوشن (CNN) استفاده می کند که معمولا برای تشخیص تصویر استفاده می شود. در طول آموزش، سیستم تماشا می کند و از یک راننده انسان یاد می گیرد که چگونه براند. CNN چرخش های فرمان را به انحناهای جاده ای که از طریق دوربین ها و یک نقشه ورودی مشاهده می شود، مرتبط می کند. در نهایت، به احتمال زیاد فرمان های راندن را برای موقعیت های مختلف رانندگی، مانند جاده های مستقیم، چهار راه ها و سه راه ها، انشعاب ها، و چرخش ها، یاد می گیرد.
روس می گوید: "در ابتدا، در یک تقاطع T شکل، راه های مختلفی وجود دارد که ماشین بتواند بپیچد." "مدل با فکر کردن درباره همه آن جهات شروع می کند، اما همانطور که داده های بیشتر و بیشتری در مورد آنچه مردم انجام می دهند می بیند، خواهد دید که برخی افراد به سمت چپ می پیچند و برخی به سمت راست می روند، اما هیچ کس مستقیم نمی رود. مسیر مستقیم، به عنوان یک جهت ممکن ممنوع می شود و مدل یاد می گیرد که در تقاطع های Tشکل، تنها می تواند به چپ یا راست حرکت کند. "
منبع: مؤسسه تکنولوژی ماساچوست