Tehnični velikani, kot sta Tesla in Google, so med tehnološkimi navdušenci postajali tema, o kateri se pogosto govori. Različna podjetja po vsem svetu si prizadevajo za razvoj avtonomnih vozil za različne terene.
Da bi bila povezana tehnologija avtonomne vožnje dostopna, cenovno dostopna in na voljo vsem, se je družbi Swaayatt Robots iz Bhopala pridružil. Vendar pa je generalni direktor podjetja Sanjeev Sharma z neizmernim poznavanjem vse tehnologije, ki je vključena v avtonomno robotiko, pustil za seboj številna tehnološka podjetja. Od leta 2009 veliko raziskuje in se ukvarja z matematičnimi izračuni, s katerimi je iznašel pametne rešitve za samovozeče avtomobile.
Dobili smo priložnost, da se pogovorimo z gospodom Sanjejevim in poznamo vse tehnološke vidike, ki stojijo za avtonomnimi vozili in robotiko, na katerih dela Swaayatt Robots, in njihove prihodnje načrte. Pritisnite skok, da preberete celoten pogovor, ki smo ga imeli z njim. Lahko pa si ogledate tudi spodnji video, da slišite pogovor med našim urednikom in samim Sanjejevim
Q. Glavno poslanstvo podjetja Swaayatt Robots je, da je tehnologija avtonomnega vožnje dostopna in dostopna vsem. Kako se je začelo potovanje?
Že zadnjih 11 let raziskujem na področju avtonomne plovbe. Že leta 2009 so me navdihnili veliki izzivi DARPAto se je zgodilo v ZDA. V teh letih je avtonomna vožnja postala moj cilj. Dolga leta sem neprestano raziskoval in samostojno študiral načrtovanje gibanja in odločanje v negotovosti. Poudarek je bil na optimalni uporabi strojnega učenja, ojačevalnega učenja in različnih tehnik. Robote Swaayatt sem ustanovil leta 2014, vendar to ni bilo zgolj uporaba raziskav in študij, ki sem jih opravil v zadnjih nekaj letih. Z uporabo nekaterih idej v gibanju in odločanju sem moral rešiti tudi problem načrtovanja zaznavanja in lokalizacije. Raziskovalne izkušnje sem imel samo na področju odločanja in načrtovanja gibanj. Toda področji zaznavanja in lokalizacije so bili zame dokaj novi. Moje izjemno matematično znanje mi je zelo pomagalo.
Ko sem okoli leta 2015 začel razvijati algoritemske okvire, ki omogočajo avtonomno vožnjo, sem spoznal, da je to lahko nekaj zelo velikega in resnično lahko rešimo problem avtonomne vožnje v zelo stohastičnih kontradiktornih prometnih scenarijih. In od leta 2014 polno delam na tem zagonu. Moje raziskave zajemajo zlasti več področij, predvsem pa je največ pozornosti našega podjetja razviti algoritme odločanja in načrtovanja gibanja, ki avtonomnim vozilom omogočajo, da se spopadajo z zelo visoko stopnjo stohastičnosti v dinamiki prometa. To znaša približno 65% do 70% raziskav, ki se zgodijo pri Swaayatt Robots. Približno 25% - 27% raziskav gre na področje zaznavanja, ki zajema vse vrste algoritmov, ki obdelujejo podatke senzorjev iz avtomobilskega robotskega sistema,in zgradite 3d predstavitev sveta okoli sebe.
Zaznavamo, da smo eno redkih podjetij na svetu, ki lahko avtonomnim vozilom dopusti zaznavanje okolja z uporabo samo gotovih kamer, ki delujejo tudi podnevi in ponoči. Približno tako je bilo do zdaj.
Q. Leta 2014 ste začeli potrditi svoje ideje, nato pa ste pot popolnoma ujeli do leta 2015. Kaj naj naredimo v tem enem letu? Kako ste preizkusili, da se lahko samostojna vožnja izvaja v Indiji?
Avtonomna vožnja je mešanica treh algoritmičnih cevovodov, skupaj. zaznavanje, načrtovanje in lokalizacija. Algoritmi zajemajo senzorične podatke, jih obdelujejo in tvorijo 3D predstavitev okoli vozila. Imenujemo jih algoritmi zaznavanja. Lokalizacijski algoritmi poskušajo globalno natančno določiti položaj vozila na cesti. Tako so roboti nekoč delali v akademskih okoljih. Leta 2009 je ta model avtonomne vožnje uvedel Google. Preden avtonomno vozilo zapelje po določeni cesti, mora biti celotna cesta v 3D podrobno preslikana. Tem kartam pravimo zemljevidi visoke zvestobe. Ti zemljevidi z visoko natančnostjo hranijo nekaj zelo ključnih informacij o okolju. V okolju običajno shranijo vse vrste ločil.
Preden avtonomno vozilo začne krmariti v okolju, je zelo natančno preslikano celotno okolje. Vsi označevalniki pasov, meje cest in kakršna koli ločila v okolju so dejansko shranjeni v tovrstnih zemljevidih visoke natančnosti.
Ko vozilo krmari po okolju, za katerega že imate zemljevide visoke ločljivosti, nato znova zajamete podatke z različnih senzorjev na vozilu in poskušate podatke združiti z referenčnim zemljevidom, ki ste ga zgradili. Ta postopek ujemanja vam da vektor poziranja, ki vam pove, kje je vozilo na planetu Zemlja in kakšna je konfiguracija vozila. Ko poznate položaj in konfiguracijo vozila na cesti, se celotni podatki, ki ste jih shranili na zemljevide visoke natančnosti, projicirajo na trenutno konfiguracijo vozila. Ko projicirate te informacije, kot so oznake cest, označevalci pasov in kakršne koli razmejevalnike cest ali okolice; avtonomno vozilo ve, kje je zdaj glede na določeno ločilo ali iz določenega označevalnega pasu. Torej,to počnejo lokalizacijski algoritmi.
Končno področje avtonomne vožnje je načrtovanje in odločanje. Bolj kot so izpopolnjeni in boljši algoritmi za načrtovanje in odločanje, bolj sposobno bo vaše avtonomno vozilo. Na primer, algoritmi načrtovanja in odločanja bodo razlikovali podjetja od avtonomije na drugi, tretji, četrti in peti stopnji. Vsak algoritem, odgovoren za odločanje ali načrtovanje gibanja in vedenja vozila, je algoritem za načrtovanje.
Bolj ko imate prefinjenosti pri načrtovanju algoritmov, boljše bo vaše vozilo. Več načrtovalcev gibanja in nosilcev odločitev pomaga pri ocenjevanju varnosti vozila in okolja, hitrosti, s katero plujete, okolice vozila in vseh parametrov, ki jih lahko izračunate iz svojega okolja. To počnejo algoritmi za načrtovanje.
Raziskoval sem na področju načrtovanja. Če imate takšne algoritme, ki se lahko spoprimejo s stohastičnostjo dinamike prometa v Indiji. Če se lahko s tem spoprimete in imate algoritme, ste dokazali, da imate samo polno tehnologijo za avtonomno vožnjo, če lahko samo zgradite niz zaznavanja in lokalizacije.
Za preverjanje, kaj najbolje deluje, vam ni treba razviti vseh različnih algoritmov. Zgraditi morate le tri ali štiri različne algoritme, za katere veste, da bodo rešili ključni problem avtonomne vožnje. Varnost je glavno vprašanje, zakaj na cesti ne vidite komercialnih avtonomnih vozil. Stroški in vsa druga vprašanja so drugotnega pomena. Celoten zagon bi lahko zgradil na samo enem ali dveh algoritmih, kot sta vidik lokalizacije in preslikave avtonomne vožnje. Toda moj cilj je bil razviti polnopravno avtonomno vozilo in ne tu ali tam enega ali dveh algoritmov. Ko sem dokazal ključni vidik na področju načrtovanja in odločanja, sem dobil samozavest, da sem se lotil celotnega problema avtonomne vožnje na splošno.
Q. Na kateri stopnji avtonomne vožnje dela Swaayatt Robots? In kakšna raven je po vašem mnenju možna v Indiji?
Naš cilj je doseči stopnjo 5 avtonomije in zagotoviti, da je tehnologija varna v tovrstnih okoljih. Smo nekje med tretjo in četrto stopnjo. Nekaj algoritmičnih raziskav, ki jih opravljamo, je v načrtovanju gibanja in odločanju, ki je usmerjeno v peto stopnjo.
Delamo tudi na tem, da avtonomnim vozilom omogočimo, da lahko križišče prečkajo v času prometne konice brez semaforjev. Naš cilj je doseči peto stopnjo avtonomije, tako da omogočimo avtonomnim vozilom, da se spopadajo s tesnimi prostori in zelo stohastičnim prometom. Avtonomno vožnjo smo opravljali v zelo tesnem okolju, ko je vozilo ali kolo prihajalo tudi z nasprotnega konca. Na ravni POC smo dosegli med tri in štiri ravni. POC-je smo že postavili za avtonomijo četrte stopnje z izvajanjem eksperimentov v zelo stohastičnem prometu s tesnimi prostori. Naš trenutni cilj je doseči 101 kilometer na uro avtonomne vožnje po indijskih cestah.
Ko enkrat dokažete varnost vozila v tovrstnih okoljih, lahko svojo tehnologijo vzamete in uporabite kjer koli drugje, na primer v Severni Ameriki in Evropi, kjer je promet veliko bolj strukturiran, kjer so okolja tudi v primerjavi z indijskimi precej strožja okoljih. Torej, Indija je zdaj poligon za nas, da dokažemo, da imamo nekaj, česar v tem trenutku še ni naredil nihče.
Q. Koliko je Swaayatt Robots napredoval pri razvoju rešitve za avtonomno vožnjo? Na kateri ravni vožnje trenutno delate?
Trenutno imamo najhitrejši algoritem za načrtovanje gibanja na svetu, ki lahko v 500 mikrosekundah načrtuje skoraj optimalne časovno parametrirane poti za avtonomno vozilo. Torej algoritem deluje približno pri 2000 hercih. Imamo tehnologijo, ki omogoča indijsko avtocesto do 80 kilometrov na uro avtonomne vožnje. Doseči takšno hitrost na indijskih avtocestah je zelo zahtevno. Običajno lahko to storite tudi drugam, če to lahko storite. Uporabite ga lahko v tujem prometu in v bistvu ste zelo blizu četrte stopnje. Da bi vam dali idejo, smo delali na tem, kar imenujemo analiza in pogajanja o nameri z več agenti. Ta okvir omogoča našemu vozilu, da ne izračuna samo verjetnosti namenov drugih vozil ali agentov na cesti.Izračuna lahko verjetnosti celotnega nabora poti, ki jih drugi agenti ali vozila ali ovire v okolju ne morejo. Vendar samo ta sposobnost ne zadostuje. Na primer, lahko zgradite zelo računsko zahteven sistem, ki lahko napove prihodnje poti gibanja in morda izračuna verjetnosti vseh nizov poti različnih vozil. Tu se morate osredotočiti, tj. Tudi na računske zahteve. Računalniško povpraševanje v tem problemu analize agentov in pogajanj z več agenti se bo eksponentno povečalo, če niste opravili nobene raziskave, matematike niste pravilno uporabili ali če jih niste pravilno oblikovali. Raziskujem nekatere koncepte iz uporabne matematike, zlasti na področju topološke teorije. Uporabljam nekatere koncepte, kot so homotopični zemljevidi,ki naši tehnologiji omogočajo skaliranje izračunov. Vsaj od zdaj je superlinearno glede na število agentov v nasprotju z eksponentnim razstreljevanjem, s katerim bi se srečali, če matematike za algoritmi niste pravilno razdelali.
Okvir za pogajanja o analizi namer za več agentov je nadalje razdeljen na dve različni veji, na katerih trenutno delamo. Eden je TSN (Tight Space Negotiator Framework), drugi pa model prehitevanja. TSN omogoča avtonomnim vozilom, da se pogajajo tako v ozkem okolju kot v stohastičnem prometu, tako pri nizki kot pri visoki hitrosti. Tako velika hitrost bi bila zelo uporabna za stohastični prometni scenarij z neredom, nizka hitrost pa bi bila zelo koristna, če vozilo pluje po urbanem scenariju, kjer pogosto naletimo na najbolj tesne ulice s preveč prometa in hrupom v prometu, kar pomeni, da tam je prevelika negotovost v dinamiki prometa.
To smo delali že zadnji dve leti in pol in smo ga že razvili v obliki POC. Nekateri deli teh okvirjev, o katerih govorim, bi lahko bili prikazani v predstavitvi v naslednjem poskusu, ki bo usmerjen k doseganju 101 kilometra na uro, ki deluje na indijskih cestah.
Poleg tega smo raziskovali tudi na različnih vejah umetne inteligence. Veliko uporabljamo vajeniško učenje, inverzno okrepitveno učenje. Torej trenutno delamo na tem, da avtonomnim vozilom omogočimo prehitevanje na tipičnih dvopasovnicah, tako kot to počnejo indijski vozniki. Z omejenimi sredstvi se v največji možni meri dokazujemo tako v simulaciji kot v resničnem svetu. To so nekatera raziskovalna področja, ki smo jih že dokazali na terenu, nekatera pa se bodo dokazala v naslednjih nekaj mesecih.
Poleg tega smo eno redkih podjetij na svetu, ki lahko omogočijo avtonomno vožnjo v popolnoma neznanih in nevidnih okoljih, za katera zemljevidi visoke natančnosti sploh ne obstajajo. Avtonomno vožnjo lahko omogočimo brez uporabe visoko natančnih zemljevidov. Ukvarjamo se s tem, da popolnoma izkoreninimo potrebo po zemljevidih z visoko natančnostjo, kar omogočata dve naši ključni tehnologiji. Naš okvir TSN je zasnovan za določitev novega regulativnega merila.
Q. Ko govorimo o arhitekturi strojne opreme, kakšno strojno opremo uporabljate za svoj računski namen. Tudi kakšne senzorje in kamere uporabljate za preslikavo resničnega sveta na svojih avtonomnih vozilih?
Od zdaj naprej uporabljamo samo kamere. Če vidite našo predstavitev avtonomnega vozila, boste opazili, da nismo uporabili nič drugega kot 3000 Rs kamer. Če pogledate raziskave zaznavanja, ki se po vsem svetu dogajajo z avtonomnimi podjetji ali podjetji za robotiko, uporabljajo vse tri različne senzorje, kot so kamere, LiDAR-ji in radarji. Trenutno so se vsi naši poskusi avtonomne vožnje izvajali samo s kamerami. Ko sem ustanovil podjetje, sem imel samo strokovno znanje pri načrtovanju, od leta 2016 pa sem spoznal, da najsodobnejši raziskovalni članki, na katerih delajo laboratoriji po vsem svetu; v resničnem svetu preprosto ne deluje. Če delajo, so preveč računsko intenzivni in preprosto ne delujejo. Torej,Tudi zaznavanje sem vzel za svoje primarno raziskovalno področje in sem raziskovalnemu zaznavanju posvetil približno 25% - 27% svojega časa. Zdaj je raziskovalni cilj našega podjetja omogočiti avtonomnim vozilom, da lahko zaznavajo samo s kamerami, ne da bi potrebovali LiDAR-je in radarje. To je raziskovalna ambicija, ki jo želimo doseči. Medtem ko smo to dosegli, smo zagotovili tudi najhitrejši algoritem na svetu za katero koli skupno nalogo.
V zaznavanju imamo dva cilja. Prvič, algoritem bi moral biti tako sposoben, da omogoča avtonomnim vozilom zaznavanje z uporabo samo kamer tako podnevi kot ponoči. To zmožnost zaznavanja smo razširili ne samo podnevi, ampak tudi ponoči, ne da bi uporabili nič drugega kot žaromet vozila in običajne RGB in NIR kamere, ki jih lahko kupite, takšne kamere, ki jih lahko kupite za 3000 R trgu.
Osredotočimo se