Tekniikan jättiläiset, kuten Tesla ja Google, ovat tehneet itse ajavista ajoneuvoista paljon puhutun aiheen tekniikan harrastajien keskuudessa. Eri yritykset ympäri maailmaa pyrkivät kehittämään itsenäisiä ajoajoneuvoja eri maastoihin.
Jotta yhdistetty autonominen ajotekniikka olisi kaikkien saatavilla, edullinen ja Bhopalissa toimiva Swaayatt Robots liittyi vaunuun. Sanjeev Sharma jätti kuitenkin monen teknologiayrityksen kilpailun taakse, koska yhtiön toimitusjohtaja, jolla on valtava tieto kaikesta autonomisesta robotiikasta, teknologiasta. Vuodesta 2009 lähtien hän on tutkinut paljon ja käynyt läpi matemaattisia laskelmia keksimään älykkäitä ratkaisuja itseajoaville autoille.
Saimme tilaisuuden puhua Sanjeevin kanssa ja tuntea kaikki autonomisien ajoneuvojen ja robotiikan takana olevat tekniikat, joita Swaayatt Robots työskentelee, ja heidän tulevaisuuden suunnitelmansa. Hit hypätä lukemaan koko keskustelu hänen kanssaan. Vaihtoehtoisesti voit myös katsoa alla olevan videon kuullaksesi toimittajan ja Sanjeevin välisen keskustelun
K. Swaayatt-robottien päätehtävä on, että autonominen ajotekniikka on kaikkien saatavissa ja kohtuuhintaisia. Kuinka matka alkoi?
Olen tutkinut autonomisen navigoinnin alaa viimeisten 11 vuoden ajan. Vuonna 2009 inspiroivat minut DARPA Grand Challenges -tapahtumastase tapahtui Yhdysvalloissa. Autonominen ajaminen tuli tavoitteeksi noina vuosina. Vuosien ajan jatkoin tutkimusta ja tein itsetutkimuksia erityisesti liikkeen suunnittelusta ja päätöksenteosta epävarmuustekijöissä. Painopiste oli koneoppimisen, vahvistusoppimisen ja erilaisten tekniikoiden optimaalisessa käytössä. Aloitin Swaayatt Robotsin vuonna 2014, mutta se ei ollut vain viime vuosina tehtyjen tutkimusten ja tutkimusten soveltaminen. Soveltaen joitain ideoita liikkeessä ja päätöksenteossa jouduin ratkaisemaan myös käsityksen suunnittelu- ja lokalisointiongelman. Minulla oli tutkimuskokemusta vain päätöksenteossa ja liikesuunnittelussa. Mutta havainnointialueet ja lokalisointi olivat minulle melko uusia. Valtava matemaattinen taustani auttoi minua paljon.
Kun aloitin algoritmisten kehysten kehittämisen autonomisen ajon mahdollistamiseksi vuoden 2015 ympäri, tajusin, että tämä voi olla jotain erittäin valtavaa, ja voimme todella ratkaista autonomisen ajon ongelman hyvin stokastisissa kontradiktorisissa skenaarioissa. Ja vuodesta 2014 lähtien olen työskennellyt kokopäiväisesti tämän käynnistyksen parissa. Tutkimukseni kattaa erityisesti useita aloja, mutta erityisesti yrityksemme pääpaino on kehittää päätöksenteko- ja liikesuunnittelualgoritmeja, joiden avulla autonomiset ajoneuvot pystyvät käsittelemään erittäin suurta stokastisuutta liikennedynamiikassa. Tämä on noin 65-70% Swaayatt Robotsilla tehdystä tutkimuksesta. Noin 25–27% tutkimuksesta menee havaintoalueelle, joka käsittää kaikenlaisia algoritmeja, jotka käsittelevät sensoritietoja ajoneuvorobotista,ja rakentaa kolmiulotteinen esitys ympäröivästä maailmasta.
Mielestämme olemme yksi harvoista yrityksistä maailmassa, jotka voivat sallia autonomisten ajoneuvojen havaita ympäristön käyttämällä vain hyllykameroita, jotka toimivat myös päivällä ja yöllä. Karkeasti näin matka on ollut tähän mennessä.
K. Aloitit vuonna 2014 vahvistamaan ideoitasi ja sitten tarttuit täysin polkuun vuoteen 2015 mennessä. Joten mitä meidän pitäisi tehdä tänä vuonna? Kuinka testasit, että itse ajaminen voidaan tehdä Intiassa?
Autonominen ajo on yhdistelmä kolmea algoritmiputkistoa, jotka on koottu yhteen. käsitys, suunnittelu ja lokalisointi. Algoritmit ottavat aistitiedot, käsittelevät ne ja rakentavat kolmiulotteisen esityksen ajoneuvon ympärille. Kutsumme heitä käsitysalgoritmeiksi. Lokalisointialgoritmit yrittävät määrittää globaalisti tarkasti ajoneuvon sijainnin tiellä. Näin robotit työskentelivät akateemisessa ympäristössä. Vuonna 2009 Google oli edelläkävijä itsenäisen ajamisen mallissa. Ennen kuin autonominen ajoneuvo liikkuu tietyllä tiellä, koko tie on kartoitettava erittäin yksityiskohtaisesti kolmiulotteisena. Kutsumme näitä karttoja tarkkuuskartoiksi. Nämä erittäin tarkat kartat tallentavat tärkeitä tietoja ympäristöstä. Ne tallentavat tyypillisesti kaikki erilaiset erottimet ympäristöön.
Ennen kuin autonominen ajoneuvo liikkuu ympäristössä, koko ympäristö kartoitetaan erittäin tarkasti. Kaikki kaistamerkinnät, tien rajat ja kaikenlaiset erottimet ympäristössä on tosiasiallisesti tallennettu tällaisiin erittäin tarkkoihin karttoihin.
Kun ajoneuvo liikkuu ympäristössä, jota varten sinulla on jo tarkkoja karttoja, sieppaat jälleen tiedot useista ajoneuvon antureista ja yrität sovittaa tiedot vertailukarttaan, jonka olet rakentanut. Tämä sovitusprosessi antaa sinulle poseerausvektorin, joka kertoo, missä ajoneuvo on maapallolla ja mikä on ajoneuvon kokoonpano. Kun tiedät ajoneuvon sijainnin ja kokoonpanon tiellä, kaikki teräväpiirtokarttoihin tallentamasi tiedot projisoidaan ajoneuvon nykyisen kokoonpanon päälle. Kun heijastat näitä tietoja, kuten tiekylttejä, kaistamerkintöjä ja minkä tahansa tyyppisiä tien- tai ympäristömerkintöjä; autonominen ajoneuvo tietää, missä se on nyt tietyn rajaajan tai tietyn kaistamerkin suhteen. Niin,Tätä tekevät lokalisointialgoritmit.
Lopullinen autonomisen ajon alue on suunnittelu ja päätöksenteko. Mitä kehittyneempiä ja parempia suunnittelu- ja päätöksentekoalgoritmeja sinulla on, sitä kykenevämpi autonominen ajoneuvosi tulee olemaan. Esimerkiksi suunnittelu- ja päätöksentekoalgoritmit erottavat yritykset toisesta, kolmannesta, neljästä ja viidestä autonomiasta. Mikä tahansa algoritmi, joka on vastuussa päätöksen tekemisestä tai ajoneuvon liikkeen ja käyttäytymisen suunnittelusta, on suunnittelualgoritmi.
Mitä enemmän hienostuneisuutta sinulla on suunnittelualgoritmeissa, sitä parempi ajoneuvosi tulee olemaan. Useat liikesuunnittelijat ja päättäjät auttavat arvioimaan ajoneuvon ja ympäristön turvallisuutta, nopeutta, jolla navigoit, ajoneuvon ympäristöä ja kaikkia parametreja, jotka voit laskea ympäristöstäsi. Tätä tekevät suunnittelualgoritmit.
Olen tutkinut suunnittelua. Jos sinulla on sellaisia algoritmeja, jotka pystyvät käsittelemään Intian liikennedynamiikan stokastisuutta. Jos pystyt käsittelemään sitä ja jos sinulla on algoritmeja, olet todistanut, että jos pystyt vain rakentamaan havainnointi- ja lokalisointipinon, sinulla on täysimittainen autonominen ajotekniikka.
Sinun ei tarvitse kehittää kaikkia erilaisia algoritmeja varmistaaksesi, mikä toimii parhaiten. Sinun tarvitsee vain rakentaa kolme tai neljä erilaista algoritmia, joiden tiedät ratkaisevan autonomisen ajon keskeisen ongelman. Turvallisuus on ensisijainen kysymys, miksi et näe kaupallisia autonomisia ajoneuvoja tiellä. Kustannukset ja kaikki muut asiat ovat toissijaisia. Olisin voinut rakentaa koko käynnistyksen vain yhdelle tai kahdelle algoritmille, kuten autonomisen ajon lokalisointiin ja kartoitukseen. Mutta tavoitteeni oli kehittää täysimittainen autonominen ajoneuvo eikä yksi tai kaksi algoritmia täällä ja siellä. Osoitettuani avainkysymyksen suunnittelun ja päätöksenteon alalla sain itseluottamuksen puuttua koko autonomisen ajon ongelmaan.
K. Millä autonomisella ajotavalla Swaayatt-robotit työskentelevät? Ja mikä taso on mielestäsi mahdollista Intiassa?
Tavoitteenamme on saavuttaa tason 5 autonomia ja varmistaa, että tekniikka on turvallista tällaisissa ympäristöissä. Olemme jonkin verran tason 3 ja 4 välillä. Jotkut tekemistämme algoritmisista tutkimuksista ovat liikkeiden suunnittelua ja päätöksentekoa, joka on suunnattu tasolle viisi.
Pyrimme myös antamaan autonomisille ajoneuvoille mahdollisuuden ylittää risteys ruuhka-aikoina ilman liikennevaloja. Tavoitteenamme on saavuttaa viidennen tason autonomia mahdollistamalla autonomisten ajoneuvojen käsitteleminen ahtaassa tilassa ja erittäin stokastisella liikenteellä. Olemme tehneet itsenäistä ajoa hyvin tiukassa ympäristössä, kun ajoneuvo tai pyörä oli tulossa myös vastakkaisesta päästä. POC-tasolla olemme saavuttaneet kolmen ja neljän tason välillä. Olemme jo kääntäneet POC-tasot neljännelle autonomialle tekemällä kokeita erittäin stokastisessa liikenteessä ahtaissa tiloissa. Nykyinen tavoitteemme on saavuttaa 101 kilometriä tunnissa autonominen ajaminen Intian teillä.
Kun olet osoittanut ajoneuvon turvallisuuden tällaisissa ympäristöissä, voit ottaa tekniikan käyttöön ja soveltaa sitä missä tahansa muualla, kuten Pohjois-Amerikassa ja Euroopassa, jossa liikenne on paljon jäsenneltyä, missä ympäristöt ovat myös paljon tiukempia kuin intialaiset ympäristöissä. Joten Intia on tällä hetkellä koekenttä todistamaan, että meillä on jotain, jota kukaan muu ei ole tehnyt tällä hetkellä.
K. Kuinka paljon Swaayatt-robotit ovat edistyneet autonomisen ajon ratkaisun kehittämisessä? Millä ajotasolla työskentelet tällä hetkellä?
Tällä hetkellä meillä on maailman nopein liikesuunnittelualgoritmi, joka pystyy suunnittelemaan lähes optimaaliset aikaparametroidut liikeradat autonomiselle ajoneuvolle 500 mikrosekunnissa. Joten algoritmi toimii karkeasti 2000 hertzillä. Meillä on tekniikka, joka mahdollistaa jopa 80 kilometriä tunnissa autonomisen ajon Intian valtateillä. Tällaisen nopeuden saavuttaminen Intian valtateillä on erittäin haastavaa. Tyypillisesti, jos pystyt siihen, voit viedä sen myös muualle. Voit käyttää sitä ulkomaan liikenteessä ja pohjimmiltaan olet hyvin lähellä tasoa neljä. Antaaksemme sinulle idean olemme työskennelleet niin kutsutun usean agentin aikomusten analysoinnin ja neuvottelujen parissa. Tämän kehyksen avulla ajoneuvomme ei voi vain laskea muiden ajoneuvojen tai agenttien aikomusten todennäköisyyttä tiellä.Se voi laskea koko polkujoukon todennäköisyydet, joita muut tekijät tai ajoneuvot tai esteet ympäristössä eivät voi. Tämä kyky yksinään ei kuitenkaan riitä. Voit esimerkiksi rakentaa erittäin laskennallisesti vaativan järjestelmän, joka voi ennustaa tulevat liikeradat ja ehkä laskea kaikkien ajoneuvojen kaikkien polkujoukkojen todennäköisyydet. Täällä sinun on keskityttävä eli myös laskennallisiin vaatimuksiin. Laskennallinen kysyntä tässä ongelmassa, joka liittyy monen agentin aikomusten analysointiin ja neuvotteluihin, kasvaa räjähdysmäisesti, jos et ole tehnyt tutkimusta, et ole käyttänyt matematiikkaa oikein tai et ole suunnitellut niitä oikein. Tutkin joitain sovelletun matematiikan käsitteitä, erityisesti topologisen teorian alalla. Käytän joitain käsitteitä, kuten homotooppikartat,joiden avulla tekniikkamme voi skaalata laskelmia. Ainakin nyt se on superlineaarinen agenttien lukumäärän suhteen verrattuna eksponentiaaliseen räjähdykseen, jonka kohtaat, jos et ole selvittänyt algoritmien takana olevaa matematiikkaa.
Usean agentin aikomusanalyysin neuvottelukehys on edelleen jaettu kahteen eri osaan, joiden parissa työskentelemme. Yksi on TSN (Tight Space Negotiator Framework) ja toinen ohitusmalli. TSN antaa autonomisille ajoneuvoille mahdollisuuden neuvotella sekä ahtaissa olosuhteissa että stokastisessa liikenteessä sekä matalalla että suurella nopeudella. Joten suuri nopeus olisi erittäin hyödyllinen moottoritietä sisältävissä stokastisissa liikenneskenaarioissa ja matala nopeus olisi erittäin hyödyllinen, kun ajoneuvo liikkuu kaupunkiskenaariossa, jossa kohtaat usein tiukimmat kadut, joissa on liikaa liikennettä ja melua liikenteessä, mikä tarkoittaa siellä on liikaa epävarmuutta liikennedynamiikassa.
Olemme työskennelleet jo kahden ja puolen vuoden ajan, ja olemme jo kehittäneet sen POC-muodossa. Jotkut palaset näistä kehyksistä, joista puhun, voidaan näyttää demossa seuraavassa kokeessamme, jonka tavoitteena on saavuttaa Intian teillä toimiva 101 kilometriä tunnissa.
Lisäksi olemme tutkineet tekoälyn eri aloja. Käytämme voimakkaasti oppisopimuskoulutusta, käänteisvahvistavaa oppimista. Joten työskentelemme parhaillaan auttaaksemme autonomisia ajoneuvoja ohittamaan tyypillisillä kaksikaistaisilla teillä aivan kuten intialaiset kuljettajat. Todistamme sekä simulaatiossa että reaalimaailmassa mahdollisimman hyvin rajoitetulla rahoituksella. Nämä ovat joitain tutkimusalueita, jotka olemme jo todistaneet paikan päällä, ja osa niistä todistetaan lähikuukausina.
Sen lisäksi olemme yksi ainoista yrityksistä maailmassa, jotka voivat mahdollistaa autonomisen ajamisen täysin tuntemattomissa ja näkymättömissä ympäristöissä, joissa ei ole lainkaan tarkkoja karttoja. Voimme sallia autonomisen ajamisen ilman tarkkoja karttoja. Pyrimme poistamaan tarkkojen karttojen tarpeen kokonaan, ja tämän hävittämisen mahdollistavat kaksi avainteknologiaa. TSN-kehyksemme on asetettu asettamaan uusi sääntely vertailuarvo.
K. Puhumalla laitteistoarkkitehtuurista, millaista laitteistoa käytät laskennalliseen tarkoitukseen. Minkälaisia antureita ja kameroita käytät myös todellisen maailman kartoittamiseen autonomisilla ajoneuvoillasi?
Tällä hetkellä käytämme vain valmiita kameroita. Jos näet autonomisen ajoneuvon esittelyn, huomaat, että emme ole käyttäneet muuta kuin 3000 Rs -kameraa. Jos tarkastelet havaintotutkimusta, jota tapahtuu kaikkialla maailmassa autonomisten yritysten tai robotiikkayritysten kanssa, he käyttävät kaikkia kolmea erilaista anturia, kuten kameroita, LiDAReja ja tutkia. Tällä hetkellä kaikki autonomiset ajokokemuksemme ovat tapahtuneet vain kameroiden avulla. Kun aloitin yrityksen, minulla oli vain asiantuntemusta suunnittelusta, mutta vuodesta 2016 lähtien tajusin, että huippututkimusartikkelit, mitä laboratoriot kaikkialla maailmassa työskentelevätkin; se vain ei toimi todellisessa maailmassa. Jos he työskentelevät, he ovat liian laskennallisesti intensiivisiä eivätkä vain toimi. Niin,Pidin myös ensisijaisena tutkimusalueena havainnointia ja omistin noin 25% - 27% ajastani havainnointitutkimukseen. Yrityksemme tutkimustavoitteena on nyt mahdollistaa autonomisten ajoneuvojen havaitseminen vain kameroilla ilman LiDAR-laitteita ja tutkia. Tämä on tutkimushanke, jonka haluamme saavuttaa. Tämän saavuttamisen lisäksi olemme myös varmistaneet, että meillä on maailman nopein algoritmi mihin tahansa yhteiseen tehtävään.
Meillä on kaksi tavoitetta. Ensinnäkin, algoritmin tulisi olla niin kykenevä, että niiden avulla autonomiset ajoneuvot voivat havaita vain kameroita sekä päivällä että yöllä. Olemme laajentaneet tätä havainnointikykyä paitsi päivällä, myös yöllä, emmekä käytä muuta kuin ajoneuvon ajovaloja ja tavallisia hyllyltä saatavia RGB- ja NIR-kameroita, sellaisia kameroita, joita voit ostaa 3000 Rs: lla. markkinoida.
Keskitymme