Такі технічні гіганти, як Tesla та Google, зробили автономні машини найбільш обговорюваною темою серед ентузіастів техніки. Різні компанії по всьому світу працюють над розробкою автономних транспортних засобів для різних місцевостей.
Щоб зробити підключену технологію автономного водіння доступною, доступною та доступною для всіх, компанія Swaayatt Robots, що базується в Бхопалі, приєдналася до змагань. Однак, маючи величезні знання про всі технології, задіяні в Autonomous Robotics, генеральний директор компанії, пан Санджєєв Шарма залишив у змаганні багато технологічних компаній. З 2009 року він багато досліджував і проводив математичні розрахунки, беручи участь у розробці розумних рішень для самокерованих автомобілів.
Ми отримали можливість поспілкуватися з паном Санджеєвим та дізнатись усі технології, що стоять за автономними транспортними засобами та робототехнікою, над якими працює Swaayatt Robots, та їхні подальші плани. Вдарте стрибок, щоб прочитати всю розмову, яку ми мали з ним. Крім того, ви також можете переглянути відео нижче, щоб почути розмову нашого редактора та самого Санджеєва
В. Зробити технологію автономного водіння доступною та доступною для всіх - головна місія роботів Swaayatt. З чого почалася подорож?
Я досліджую в області автономної навігації вже останні 11 років. Ще в 2009 році мене надихнули Грандіозні виклики DARPAщо сталося в США. Автономна їзда стала ціллю шахти в ці роки. Протягом багатьох років я продовжував досліджувати та проводив самостійні дослідження, зокрема, щодо планування руху та прийняття рішень в умовах невизначеності. Основна увага була приділена оптимальному використанню машинного навчання, підкріплення навчання та різних методів. Я заснував роботів Swaayatt Robots у 2014 році, але це було не просто застосування досліджень та досліджень, якими я займався протягом останніх кількох років. Застосовуючи деякі ідеї в русі та прийнятті рішень, мені також довелося вирішити проблему планування сприйняття та локалізації. Я мав досвід досліджень лише у сфері прийняття рішень та планування руху. Але сфери сприйняття та локалізації були для мене досить новими. Моя величезна математична підготовка мені дуже допомогла.
Одного разу, коли я почав розробляти алгоритмічні рамки для забезпечення автономного водіння приблизно в 2015 році, я зрозумів, що це може бути чимось дуже величезним, і ми дійсно можемо вирішити проблему автономного водіння в дуже стохастичних змагальних сценаріях руху. І з 2014 року я працюю повний робочий день над цим стартапом. Моє дослідження, зокрема, охоплює декілька галузей, але, зокрема, основна увага нашої компанії полягає в розробці алгоритмів прийняття рішень та планування руху, які дозволяють автономним транспортним засобам мати справу з дуже високим рівнем стохастичності в динаміці руху. Це становить приблизно від 65% до 70% досліджень, які проводяться в роботах Swaayatt Robots. Близько 25% - 27% досліджень займається сферою сприйняття, яка охоплює всілякі алгоритми, які обробляють дані датчиків з транспортної роботизованої системиі побудувати 3d уявлення про навколишній світ.
За сприйняттям, ми є однією з небагатьох компаній у світі, яка може дозволити автономним транспортним засобам сприймати навколишнє середовище, використовуючи лише готові камери, які працюють і вдень, і вночі. Приблизно така була подорож досі.
З. Ви почали перевіряти свої ідеї в 2014 році, а потім повністю пішли на шлях до 2015 року. То що нам робити за цей рік? Як ви перевірили, чи можна самостійно керувати автомобілем в Індії?
Автономне керування - це суміш трьох алгоритмічних конвеєрів, а саме. сприйняття, планування та локалізація. Алгоритми беруть сенсорні дані, обробляють їх та створюють 3D-зображення навколо транспортного засобу. Ми називаємо їх алгоритмами сприйняття. Алгоритми локалізації намагаються глобально точно визначити положення автомобіля на дорозі. Ось як роботи раніше працювали в академічних умовах. У 2009 році ця модель автономного водіння була запроваджена компанією Google. Перш ніж автономний транспортний засіб рухатиметься по певній дорозі, вся дорога повинна бути дуже детально нанесена на 3d. Ми називаємо ці карти високою точністю. Ці карти високої точності зберігають дуже важливу інформацію про навколишнє середовище. Вони, як правило, зберігають різні види роздільників у навколишньому середовищі.
Перш ніж автономний транспортний засіб рухатиметься у навколишньому середовищі, все оточення наноситься на карту дуже точно. Усі позначки смуги, межі доріг та будь-який роздільник у навколишньому середовищі насправді зберігаються на таких картах високої точності.
Коли транспортний засіб переміщається по середовищу, для якого у вас вже є карти високої точності, ви знову збираєте дані з різних датчиків на транспортному засобі і намагаєтесь зіставити дані з побудованою вами контрольною картою. Цей процес узгодження дає вам вектор пози, який повідомляє вам, де знаходиться транспортний засіб на планеті Земля і яка конфігурація транспортного засобу. Коли ви дізнаєтесь про положення та конфігурацію транспортного засобу на дорозі, вся інформація, яку ви зберігали на картах високої точності, проектується поверх поточної конфігурації транспортного засобу. Коли ви проектуєте таку інформацію, як дорожні позначки, позначки смуги руху та будь-який роздільник дороги чи розмежувач довкілля; автономний транспортний засіб знає, де він знаходиться зараз щодо певного роздільника або за певним маркером смуги. Так,це те, що роблять алгоритми локалізації.
Кінцевою сферою автономного водіння є планування та прийняття рішень. Чим складнішими та якіснішими є алгоритми планування та прийняття рішень, тим більш спроможним буде ваш автономний автомобіль. Наприклад, алгоритми планування та прийняття рішень дозволять відрізнити компанії від рівня автономії другого, третього, четвертого та п’ятого рівнів. Будь-який алгоритм, відповідальний за прийняття рішень або планування руху та поведінки автомобіля, є алгоритмом планування.
Чим більше витонченість ви маєте в алгоритмах планування, тим кращим буде ваш автомобіль. Кілька планувальників руху та осіб, які приймають рішення, допомагають оцінити безпеку транспортного засобу та навколишнього середовища, швидкість, з якою ви рухаєтесь, оточення транспортного засобу та всі параметри, які ви можете обчислити з вашого оточення. Це те, що роблять алгоритми планування.
Я досліджував у галузі планування. Якщо у вас є такі алгоритми, які можуть впоратися зі стохастичністю динаміки руху в Індії. Якщо ви можете впоратися з цим і якщо у вас є алгоритми, то ви довели, що якщо ви можете просто створити стек сприйняття та локалізації, у вас є повноцінна технологія автономного водіння.
Вам не потрібно розробляти всі різні алгоритми, щоб перевірити, що найкраще працює. Вам просто потрібно створити три-чотири різних алгоритми, які, як ви знаєте, вирішать ключову проблему в автономному водінні. Безпека - головне питання, чому ви не бачите комерційних автономних транспортних засобів на дорозі. Вартість та всі інші питання є другорядними. Я міг побудувати весь стартап лише на одному-двох алгоритмах, таких як аспект локалізації та картографування автономного водіння. Але моєю метою було розробити повноцінний автономний автомобіль, а не один або два алгоритми тут і там. Довівши ключовий аспект у галузі планування та прийняття рішень, я отримав впевненість у вирішенні всієї проблеми автономної їзди в цілому.
З. На якому рівні автономного водіння працює Swaayatt Robots? І який рівень, на вашу думку, можливий в Індії?
Наша мета - досягти рівня автономності 5 та забезпечити безпеку технології в таких середовищах. Ми знаходимось десь між рівнем третього та четвертим. Деякі алгоритмічні дослідження, які ми робимо, стосуються планування руху та прийняття рішень, спрямованих на п’ятий рівень.
Ми також працюємо над тим, щоб автономні транспортні засоби могли перетинати перехрестя в години піку без світлофора. Ми націлені на досягнення рівня автономії п’ятого рівня, надаючи можливість автономним транспортним засобам мати справу з обмеженим простором з дуже стохастичним трафіком. Ми здійснювали автономну їзду в дуже тісному середовищі, коли транспортний засіб або велосипед також їхали з протилежного кінця. На рівні POC ми досягли від трьох до чотирьох рівнів. Ми вже перетворили POC на автономію четвертого рівня, проводячи експерименти в дуже стохастичному русі з обмеженими просторами. Наша нинішня мета - досягти 101 кілометра на годину автономної їзди по індійських дорогах.
Після того, як ви довели безпеку транспортного засобу в таких середовищах, ви можете взяти свою технологію та застосувати її де завгодно, наприклад, у Північній Америці та Європі, де рух транспорту набагато більш структурований, де середовище також набагато жорсткіше порівняно з індійським середовищах. Отже, Індія на сьогодні є для нас випробувальним полігоном, щоб довести, що у нас є те, чого ще ніхто не робив на даний момент.
З. Наскільки Swaayatt Robots прогресував у розробці рішення для автономного водіння? На якому рівні водіння ви зараз працюєте?
В даний час ми маємо найшвидший у світі алгоритм планування руху, який може планувати майже оптимальні параметризовані за часом траєкторії руху автономного автомобіля за 500 мікросекунд. Отже, алгоритм працює приблизно на 2000 герц. Ми маємо технологію, що забезпечує автономну їзду на індійських шосе до 80 кілометрів на годину. Досягти такої швидкості на індійських шосе дуже складно. Як правило, якщо ви можете це зробити, ви можете взяти це в іншому місці також. Ви можете застосувати його в зовнішньому трафіку, і, по суті, ви дуже близькі до рівня чотири. Щоб дати вам уявлення, ми працюємо над тим, що ми називаємо багатоагентним аналізом та переговорами. Ця система дозволяє нашому транспортному засобу не просто обчислити ймовірність намірів інших транспортних засобів або агентів на дорозі.Він може обчислити ймовірності всього набору шляхів, яких не можуть інші агенти чи транспортні засоби або перешкоди в навколишньому середовищі. Однак однієї цієї можливості недостатньо. Наприклад, ви можете побудувати дуже вимогливу до обчислень систему, яка може передбачати майбутні траєкторії руху і, можливо, обчислювати ймовірності всіх наборів шляхів різних транспортних засобів. Тут ви повинні зосередитися, тобто також на обчислювальних вимогах. Обчислювальний попит у цій проблемі багатоагентного аналізу намірів та переговорів зростатиме в геометричній прогресії, якщо ви не зробили жодного дослідження, не використали математику належним чином або якщо ви не правильно їх розробили. Я досліджую деякі поняття з прикладної математики, зокрема в галузі топологічної теорії. Я використовую деякі поняття, такі як карти гомотопії,які дозволяють нашій технології масштабувати обчислення. Принаймні на сьогоднішній день, він є суперлінійним за кількістю агентів, на відміну від експоненціального вибуху, з яким ви зіткнетеся, якби ви не опрацювали належним чином математичні алгоритми.
Механізм переговорів про багатоагентний аналіз намірів також розділений на дві різні галузі, над якими ми зараз працюємо. Один - TSN (Tight Space Negotiator Framework), а інший - модель, що обганяє. TSN дозволяє автономним транспортним засобам домовлятись як про важкі умови, так і про стохастичний рух, як на низькій, так і на високій швидкості. Тож висока швидкість була б дуже корисною для безладного стохастичного сценарію дорожнього руху, а низька швидкість була б дуже корисною, коли транспортний засіб рухається за міським сценарієм, коли ви часто стикаєтесь з найжорсткішими вулицями із занадто великим трафіком та шумом у транспорті, що означає, що там занадто велика невизначеність у динаміці руху.
Ми вже працювали над цим протягом останніх двох з половиною років, і ми вже розробили це у формі POC. Деякі фрагменти цих каркасів, про які я говорю, можуть бути показані в демонстраційній демонстрації в нашому наступному експерименті, який буде спрямований на досягнення 101 кілометра на годину, що функціонує на індійських дорогах.
Крім того, ми також проводили дослідження в різних галузях ШІ. Ми активно використовуємо навчання на стажуваннях, навчання з оберненим підкріпленням. Отже, зараз ми працюємо над тим, щоб автономним транспортним засобам обганяти типові двополосні дороги, як це роблять індійські водії. Ми доводимо результати як у моделюванні, так і в реальному світі, наскільки це можливо з обмеженим фінансуванням. Це деякі напрямки досліджень, які ми вже довели на місцях, і деякі з них будуть підтверджені протягом найближчих кількох місяців.
Окрім цього, ми є однією з компаній у світі, яка може забезпечити автономне водіння в абсолютно невідомих і невидимих середовищах, для яких взагалі не існує карт високої точності. Ми можемо забезпечити автономне водіння без використання високоточних карт. Ми маємо справу з повним викоріненням потреб у картах високої точності, і це викорінення забезпечується двома нашими ключовими технологіями. Наша система TSN створена для встановлення нового нормативного стандарту.
В. Якщо говорити про апаратну архітектуру, то яке обладнання ви використовуєте для своїх обчислювальних цілей. Крім того, які датчики та камери ви використовуєте для відображення реального світу на своїх автономних транспортних засобах?
Наразі ми просто використовуємо готові камери. Якщо ви побачите нашу демонстраційну версію для автономного автомобіля, ви помітите, що ми використовували не більше ніж камеру на 3000 рупій. Якщо ви подивитесь на дослідження сприйняття, яке відбувається в усьому світі з автономними компаніями чи компаніями-робототехніками, вони використовують усі три різні датчики, такі як камери, LiDAR та радари. Наразі всі наші експерименти з автономним водінням відбувалися лише за допомогою камер. Коли я заснував компанію, я мав лише досвід у плануванні, але з 2016 року я зрозумів, що надсучасні наукові роботи, над якими працюють лабораторії у всьому світі; це просто не працює в реальному світі. Якщо вони працюють, вони занадто обчислювальні, і вони просто не працюють. Так,Я також сприйняв сприйняття як свою основну сферу досліджень, і я присвятив приблизно 25% - 27% свого часу дослідженню сприйняття. Зараз мета дослідження нашої компанії - надати можливість автономним транспортним засобам сприймати, використовуючи лише камери без необхідності використання LiDAR та радарів. Це науково-дослідницькі амбіції, яких ми хочемо досягти. Досягаючи цього, ми також переконались, що у нас є найшвидший у світі алгоритм для будь-якого спільного завдання.
У нас є дві цілі у сприйнятті. По-перше, алгоритм повинен бути настільки здатним, щоб вони дозволяли автономним транспортним засобам сприймати, використовуючи лише камери як вдень, так і вночі. Ми розширили цю можливість сприйняття не лише в денний час, а й вночі, використовуючи нічого, крім фар автомобіля та звичайних готових камер RGB та NIR, таких камер, які можна купити за 3000 рупій за ринку.
Ми фокусуємось