Як автономні автомобілі навчаються прокладати собі шлях?

Автономний транспорт може слідувати загальним правилам доріг, розпізнаючи дорожні знаки, дорожню розмітку, відзначаючи пішохідні переходи та інші добре відомі особливості регулювання дорожнього руху. Але що робити за межами добре розмічених доріг, изъезженных вздовж і впоперек? На багатьох дорогах за межами міст стерлася фарба, знаки порослі плющем і деревами, з’явилися незвичайні перехрестя, не позначені на картах.

Що повинен робити наступний правилам автономний автомобіль, коли правила незрозумілі або відсутні? Що повинні робити його пасажири, коли виявляють, що їх автомобіль не може доставити їх туди, куди вони прямують?

Попередження прихованого

Більшість проблем при розробці передових технологій включають обробку рідкісних або незвичайних ситуацій або подій, що вимагають продуктивності, що виходить за рамки звичайних можливостей системи. Це безумовно працює і у випадку з автономними автомобілями. Деякі дорожні приклади можуть включати навігацію через ремонтні зони, зустріч коні або баггі, або зустріч з графіті, що нагадує стоп-сигнал. За межами дороги можливості включають абсолютно всі прояви природного світу, на зразок дерев, перегородивших дорогу, потопів і великих калюж — або навіть тварин, що блокують шлях.

У Центрі удосконалених автомобільних систем при Університеті штату Міссісіпі вчені взяли на себе завдання навчання алгоритмів реагування на обставини, які майже ніколи не зустрічаються, які складно передбачити і непросто відтворити. Вони намагалися помістити автономні автомобілі в найбільш складний сценарій: возили автомобіль в область, яку він раніше не бачив і не знав, без будь-якої надійної інфраструктури зразок дорожньої фарби та дорожніх знаків, у невідомої середовищі, де з однаковою ймовірністю можна зустріти кактус і білого ведмедя.

В процесі цього вони поєднували технології віртуального і реального світів. Вони створювали розширені симуляції реалістичних сцен на відкритому повітрі, з допомогою яких тренували алгоритми штучного інтелекту зчитувати потік з камери і класифікувати побачене: дерева, небо, відкриті шляху, можливі перешкоди. Потім вони переводили ці алгоритми на спеціально створений випробувальний повнопривідний автомобіль і відправляли його на спеціально виділену випробувальну майданчик, де потім перевіряли роботу алгоритмів, які збирають дані.

Почнемо з віртуального

Інженери розробили симулятор, здатний створювати широкий діапазон реалістичних зовнішніх сцен, крізь які міг просуватися транспорт. Система генерує різні ландшафти з різними кліматами, лісами і пустелями, показує, як рослини, чагарники і дерева ростуть з плином часу. Вона також може імітувати зміни погоди, сонячне і місячне світло, а також точне положення 9000 зірок.

Крім того, система імітує показання датчиків, зазвичай використовуються в автономних транспортних засобах, таких як лидары і камери. Ці віртуальні датчики збирають дані, які потім згодовуються нейромережі як цінні дані для навчання.

Побудуємо тестовий трек

Симуляції гарні рівно настільки, наскільки добре вони відображають реальний світ. Університет штату Міссісіпі придбав 50 акрів землі, на яких вчені розробляють випробувальний трек для самоврядних позашляховиків. Ділянка відмінно підходить — на ньому зустрічаються нахили під кутом 60 градусів і дуже багато різноманітних рослин.

Інженери виділили деякі природні особливості цієї землі, з якими, як вони очікують, буде особливо складно впоратися самоврядним автомобілям, і відтворювали їх в точності на симуляторі. Це дозволило їм безпосередньо порівняти результати моделювання з реальними спробами навігації по цій землі. В кінцевому підсумку вони створять схожі реальні і віртуальні пари інших типів ландшафтів, щоб поліпшити можливості автомобілів.

Збір додаткових даних

Також був створений випробувальний транспорт — Halo Project — з електродвигуном і датчиками з комп’ютерами, які можуть здійснювати навігацію по різноманітним позашляховим середовищ. Автомобіль Halo Project оснащений додатковими датчиками для збору докладних даних про його реальному оточенні; вони допомагають будувати віртуальні середовища для запуску нових тестів.

Два лидарных датчика, наприклад, закріплені під перехресними кутами на передній частині автомобіля, так що їх промені сканують наближається землю. Удвох вони можуть надати інформацію про те, наскільки груба або гладка поверхня, а також вважати дані про траві та інших рослинах і предмети на дорозі.

Загалом, дослідження вчених дали кілька цікавих результатів. Наприклад, вони показали багатообіцяючі натяки на те, що алгоритми машинного навчання, які тренуються в модельованих середовищах, можуть бути корисні в реальному світі. Як і у випадку з більшістю досліджень на тему автономного транспорту, попереду ще довгий шлях. Можливо, разом вони допоможуть зробити самоврядні транспортні засоби не тільки більш функціональними на сучасних дорогах, але і більш популярним і поширеним методом пересування.

Теж чекаєте?