Giganții tehnologici, cum ar fi Tesla și Google, au făcut din vehiculele cu autovehicule un subiect despre care s-a discutat mult printre pasionații de tehnologie. Diferite companii din întreaga lume lucrează la dezvoltarea vehiculelor cu conducere autonomă pentru diferite terenuri.
Pentru a face tehnologia de conducere autonomă conectată accesibilă, accesibilă și disponibilă pentru toată lumea, roboții Swaayatt din Bhopal s-au alăturat grupului. Cu toate acestea, având o cunoaștere imensă a întregii tehnologii implicate în autonomia robotică, CEO-ul companiei, domnul Sanjeev Sharma a lăsat multe companii de tehnologie în urmă în cursă. Din 2009, el a cercetat foarte mult și a făcut calcule matematice implicate în a veni cu soluții inteligente pentru mașinile care conduc singuri.
Am avut ocazia de a vorbi cu domnul Sanjeev și de a cunoaște fiecare tehnologie din spatele vehiculelor autonome și robotică la care lucrează Swaayatt Robots și planurile lor de viitor. Faceți un salt pentru a citi întreaga conversație pe care am avut-o cu el. Alternativ, puteți viziona și videoclipul de mai jos pentru a asculta conversația dintre editorul nostru și Sanjeev însuși
Î. Facerea tehnologiei de conducere autonomă accesibilă și accesibilă tuturor este misiunea principală a roboților Swaayatt. Cum a început călătoria?
Cercetez în domeniul navigației autonome în ultimii 11 ani. În 2009, am fost inspirat de DARPA Grand Challengesasta s-a întâmplat în SUA. Conducerea autonomă a devenit scopul meu în acei ani. De-a lungul multor ani, am continuat să cercetez și am făcut auto-studii în mod specific despre planificarea mișcării și luarea deciziilor sub incertitudini. Accentul a fost pus pe utilizarea optimă a învățării automate, a învățării prin întărire și a diferitelor tehnici. Am început Swaayatt Robots în 2014, dar nu pur și simplu aplicau cercetările și studiile pe care le făcusem în ultimii ani. Aplicând câteva idei în mișcare și luarea deciziilor, a trebuit să rezolv și problema de planificare a percepției și de localizare. Am avut experiență în cercetare doar în domeniul luării deciziilor și planificării mișcărilor. Dar zonele de percepție și localizare erau destul de noi pentru mine. Imensul meu background matematic m-a ajutat foarte mult.
Odată ce am început să dezvolt cadrele algoritmice pentru a permite conducerea autonomă în jurul anului 2015, mi-am dat seama că acest lucru poate fi ceva foarte imens și putem rezolva cu adevărat problema conducerii autonome în scenarii de trafic contradictorii foarte stocastice. Și din 2014, lucrez cu normă întreagă la acest startup. Cercetarea mea acoperă în special mai multe ramuri, dar, în special, cea mai mare parte a concentrării companiei noastre este de a dezvolta algoritmi de luare a deciziilor și de planificare a mișcării care să permită vehiculelor autonome să facă față unor niveluri foarte ridicate de stochasticitate în dinamica traficului. Aceasta reprezintă aproximativ 65% până la 70% din cercetările care au loc la Swaayatt Robots. Aproximativ 25% - 27% din cercetare merge în zona percepției, care cuprinde tot felul de algoritmi care procesează datele senzorilor dintr-un sistem robotizat vehicular,și construiți o reprezentare 3D a lumii din jurul ei.
În percepție, suntem una dintre puținele companii din lume care poate permite vehiculelor autonome să perceapă mediul înconjurător folosind doar camere de luat vederi care funcționează și ziua și noaptea. Cam așa a fost călătoria până acum.
Î. Ați început în 2014 să vă validați ideile și apoi ați prins complet calea până în 2015. Deci, ce ar trebui să facem în acest an? Cum ați testat că auto-conducerea se poate face în India?
Conducerea autonomă este amestecul a trei conducte algoritmice puse laolaltă și anume. percepție, planificare și localizare. Algoritmii iau datele senzoriale, le prelucrează și construiesc o reprezentare 3D în jurul unui vehicul. Le numim algoritmi de percepție. Algoritmii de localizare încearcă să determine cu precizie la nivel global poziția vehiculului pe șosea. Acesta este modul în care roboții obișnuiau să lucreze în medii academice. În 2009, acest model de conducere autonomă a fost inițiat de Google. Înainte ca un vehicul autonom să navigheze pe un anumit drum, întregul drum trebuie să fie cartografiat în detalii foarte mari în 3d. Aceste hărți le numim hărți de înaltă fidelitate. Aceste hărți de înaltă fidelitate stochează câteva informații foarte importante despre mediu. În mod obișnuit, ele stochează toate tipurile diferite de delimitatori în mediu.
Înainte ca vehiculul autonom să navigheze într-un mediu, întregul mediu este cartografiat într-un mod foarte precis. Toate marcajele de bandă, limitele drumurilor și orice fel de delimitator din mediu sunt de fapt stocate în aceste tipuri de hărți de înaltă fidelitate.
Când vehiculul navighează printr-un mediu pentru care aveți deja hărți de înaltă fidelitate, atunci capturați din nou datele de la diferiți senzori de pe vehicul și încercați să potriviți datele cu o hartă de referință pe care ați construit-o. Acest proces de potrivire vă oferă un vector de poziție care vă spune unde este vehiculul pe planeta Pământ și care este configurația vehiculului. Odată ce cunoașteți poziția și configurația vehiculului pe șosea, toate informațiile pe care le-ați stocat în hărțile de înaltă fidelitate sunt proiectate deasupra configurației actuale a vehiculului. Când proiectați aceste informații, cum ar fi marcaje rutiere, marcaje de bandă și orice fel de delimitator rutier sau delimitator de mediu; vehiculul autonom știe unde se află acum în ceea ce privește un anumit delimitator sau de la un anumit marcator de bandă. Asa de,asta fac algoritmii de localizare.
Domeniul final al conducerii autonome este planificarea și luarea deciziilor. Cu cât aveți algoritmi de planificare și luare a deciziilor mai sofisticați și mai buni, cu atât vehiculul dvs. autonom va fi mai capabil. De exemplu, algoritmii de planificare și de luare a deciziilor vor diferenția companiile de a fi la nivelul doi, la nivelul trei, la nivelul patru și la nivelul cinci al autonomiei. Orice algoritm responsabil pentru luarea deciziilor sau planificarea mișcării și comportamentului vehiculului este un algoritm de planificare.
Cu cât aveți mai multă sofisticare în algoritmii de planificare, cu atât vehiculul dvs. va fi mai bun. Mai mulți planificatori de mișcare și factori de decizie ajută la evaluarea siguranței vehiculului și a mediului, a vitezei cu care navigați, a împrejurimilor vehiculului și a tuturor parametrilor pe care îi puteți calcula din mediul dvs. Aceasta este ceea ce fac algoritmii de planificare.
Am cercetat în domeniul planificării. Dacă aveți genul de algoritmi care pot face față stocasticității dinamicii traficului din India. Dacă vă puteți ocupa de acest lucru și dacă aveți algoritmi, atunci ați dovedit că, dacă puteți construi doar o stivă de percepție și localizare, aveți o tehnologie de conducere autonomă completă.
Nu este nevoie să dezvoltați toți algoritmii diferiți pentru a verifica ce funcționează cel mai bine. Trebuie doar să construiți trei sau patru algoritmi diferiți despre care știți că vor rezolva problema cheie în conducerea autonomă. Siguranța este problema principală de ce nu vedeți vehicule autonome comerciale pe șosea. Costul și toate celelalte probleme sunt secundare. Aș fi putut construi întregul pornire pe doar unul sau doi algoritmi, cum ar fi aspectul de localizare și cartografiere a conducerii autonome. Dar scopul meu era să dezvolt un vehicul autonom cu drepturi depline și nu unul sau doi algoritmi aici și acolo. După ce am dovedit aspectul cheie în domeniul planificării și al luării deciziilor, mi-am dat încrederea de a aborda întreaga problemă a conducerii autonome în general.
Î. La ce nivel de conducere autonomă lucrează Swaayatt Robots? Și ce nivel crezi că este posibil în India?
Obiectivul nostru este să atingem autonomia de nivelul 5 și să ne asigurăm că tehnologia este sigură în aceste tipuri de medii. Suntem undeva între nivelul trei și nivelul patru. Unele dintre cercetările algoritmice pe care le facem sunt în mișcare de planificare și luare a deciziilor, care este orientată către nivelul cinci.
De asemenea, lucrăm pentru a permite vehiculelor autonome să poată traversa intersecția la orele de vârf de trafic fără semafoare. Ne propunem să atingem autonomia de nivelul cinci, permițând vehiculelor autonome să facă față spațiului restrâns cu trafic foarte stocastic. Am făcut o conducere autonomă într-un mediu foarte strâns atunci când un vehicul sau o bicicletă veneau și din capătul opus. La nivelul POC, am atins între trei și patru niveluri. Am transformat deja POC-urile pentru autonomia de nivelul patru prin efectuarea de experimente în trafic foarte stocastic cu spații înguste. Scopul nostru actual este de a atinge 101 kilometri pe oră de conducere autonomă pe drumurile indiene.
Odată ce ați dovedit siguranța vehiculului în aceste tipuri de medii, puteți lua tehnologia dvs. și o puteți aplica oriunde în America de Nord și Europa, unde traficul este mult mai structurat, unde mediile sunt, de asemenea, mult mai stricte în comparație cu indianul medii. Deci, India de acum este un teren de testare pentru noi, pentru a demonstra că avem ceva ce nimeni altcineva nu a făcut în acest moment.
Î. Cât a progresat Swaayatt Robots în dezvoltarea unei soluții de conducere autonomă? La ce nivel de conducere lucrați în prezent?
În prezent, avem cel mai rapid algoritm de planificare a mișcării din lume, care poate planifica traiectorii parametrizate în timp aproape optime pentru un vehicul autonom în 500 de microsecunde. Deci, algoritmul funcționează aproximativ la 2000 hertz. Avem tehnologia pentru a permite până la 80 de kilometri pe oră de conducere autonomă pe autostrăzile indiene. Atingerea acestui tip de viteză pe autostrăzile indiene este foarte provocatoare. De obicei, dacă puteți face acest lucru, îl puteți duce și în altă parte. Îl puteți aplica în trafic străin și, practic, sunteți foarte aproape de nivelul patru. Pentru a vă face o idee, am lucrat la ceea ce numim analiza și negocierea intenției multi-agenți. Acest cadru permite vehiculului nostru să nu calculeze doar probabilitatea intențiilor altor vehicule sau agenți de pe drum.Poate calcula probabilitățile întregului set de căi pe care alți agenți sau vehicule sau obstacole din mediu nu le pot calcula. Cu toate acestea, această capacitate singură nu este suficientă. De exemplu, puteți construi un sistem foarte solicitant din punct de vedere al calculului, care poate prezice traiectoriile viitoare de mișcare și poate calcula probabilitățile tuturor seturilor de trasee ale diferitelor vehicule. Aici trebuie să vă concentrați și anume pe cerința de calcul. Cererea de calcul în această problemă a analizei intenției multi-agent și a negocierilor va crește exponențial dacă nu ați făcut nici o cercetare, nu ați folosit matematica în mod corespunzător sau dacă nu le-ați proiectat corect. Cercetez unele dintre conceptele din matematica aplicată, în special în domeniul teoriei topologice. Folosesc unele dintre concepte precum hărțile homotopice,care permit tehnologiei noastre să mărească calculele. Cel puțin de acum, este superliniar în ceea ce privește numărul de agenți, spre deosebire de explozia exponențială pe care ați întâlni-o dacă nu ați elaborat corect matematica din spatele algoritmilor.
Cadrul de negociere pentru analiza intenției multi-agenți este în continuare împărțit în două ramuri diferite la care lucrăm în prezent. Una este TSN (Tight Space Negotiator Framework) și cealaltă este modelul de depășire. TSN permite vehiculelor autonome să negocieze atât mediile restrânse, cât și traficul stocastic, atât la viteze mici, cât și la viteze mari. Deci, viteza mare ar fi foarte utilă pentru scenariile de trafic stochastice aglomerate, iar viteza redusă ar fi foarte utilă atunci când vehiculul navighează într-un scenariu urban, în care întâlnești deseori cele mai strâmte străzi cu prea mult trafic și zgomot în trafic, ceea ce înseamnă că acolo este prea multă incertitudine în dinamica traficului.
Am lucrat deja la acest lucru în ultimii doi ani și jumătate și l-am dezvoltat deja sub forma POC. Unele dintre fragmentele acestor cadre despre care vorbesc ar putea fi prezentate în demonstrație în următorul nostru experiment, care va fi orientat către atingerea a 101 kilometri pe oră funcționând pe drumurile indiene.
Mai mult, am cercetat și în diferite ramuri ale IA. Folosim foarte mult învățarea uceniciei, învățarea inversă de întărire. Așadar, lucrăm în prezent pentru a permite depășirea vehiculelor autonome pe drumuri tipice cu două benzi, așa cum fac șoferii indieni. Ne dovedim atât în simulare, cât și în lumea reală, în măsura maximă posibilă, cu finanțare limitată. Acestea sunt câteva dintre domeniile de cercetare pe care le-am dovedit deja pe teren, iar unele dintre ele vor fi dovedite în următoarele câteva luni.
În afară de aceasta, suntem una dintre singurele companii din lume care pot permite conducerea autonomă în medii complet necunoscute și nevăzute pentru care nu există deloc hărți de înaltă fidelitate. Putem permite conducerea autonomă fără utilizarea hărților de înaltă fidelitate. Ne ocupăm de eradicarea completă a necesității hărților de înaltă fidelitate, iar această eradicare este permisă de două dintre tehnologiile noastre cheie. Cadrul nostru TSN este conceput pentru a stabili un nou standard de reglementare.
Î. Vorbind despre arhitectura hardware, ce fel de hardware folosiți pentru scopul dvs. de calcul. De asemenea, ce fel de senzori și camere de luat vederi folosiți pentru a mapa lumea reală pe vehiculele dvs. autonome?
De acum, folosim doar camere de luat vederi. Dacă vedeți demo-ul nostru pentru un vehicul autonom, veți observa că nu am folosit altceva decât o cameră 3000 Rs. Dacă te uiți la cercetarea percepției care se întâmplă în întreaga lume cu companiile autonome sau companiile de robotică, utilizează toți cei trei senzori diferiți, cum ar fi camerele, LiDAR-urile și radarele. În prezent, toate experimentele noastre de conducere autonomă au avut loc numai folosind camere. Când am început compania, aveam doar expertiză în planificare, dar din 2016 mi-am dat seama că lucrări de cercetare de ultimă generație, indiferent de ce lucrează laboratoarele din întreaga lume; pur și simplu nu funcționează în lumea reală. Dacă funcționează, sunt prea intens din punct de vedere al calculului și pur și simplu nu funcționează. Asa de,Am luat percepția și ca domeniu principal de cercetare și mi-am dedicat aproximativ 25% - 27% din timpul meu în cercetarea percepției. Acum, obiectivul de cercetare al companiei noastre este de a permite vehiculelor autonome să poată percepe folosind doar camerele, fără a fi nevoie de LiDAR și radare. Aceasta este o ambiție de cercetare pe care vrem să o realizăm. În același timp, ne-am asigurat că avem cel mai rapid algoritm din lume pentru orice sarcină comună.
Avem două obiective în percepție. În primul rând, algoritmul ar trebui să fie atât de capabil încât să permită vehiculelor autonome să perceapă folosind doar camere atât în timpul zilei, cât și noaptea. Am extins această capacitate de percepție nu doar pentru timpul zilei, ci și noaptea, folosind doar farul vehiculului și camerele RGB și NIR obișnuite, tipul de camere pe care le puteți cumpăra pentru 3000 Rs în piaţă.
Ne concentrăm