Tādi tehnikas giganti kā Tesla un Google ir padarījuši pašpiedziņas transportlīdzekļus par tehnikas entuziastu daudz runāto tēmu. Dažādi uzņēmumi visā pasaulē strādā, lai izstrādātu autonomas braukšanas transportlīdzekļus dažādiem apvidiem.
Lai pievienotā autonomā braukšanas tehnoloģija būtu pieejama, pieejama un pieejama ikvienam, Bhopalā bāzētie Swaayatt Robots pievienojās grupai. Tomēr, ņemot vērā milzīgās zināšanas par visām tehnoloģijām, kas saistītas ar autonomo robotiku, uzņēmuma izpilddirektoru, Sanjeevs Šarma kungs sacensībās atstāja daudzus tehnoloģiju uzņēmumus. Kopš 2009. gada viņš ir daudz pētījis un veicis matemātiskus aprēķinus, kas saistīti ar viedo risinājumu radīšanu pašbraucošām automašīnām.
Mēs saņēmām iespēju sarunāties ar Sanjejeva kungu un uzzināt visu tehnoloģiju, kas ir autonomo transportlīdzekļu un robotikas pamatā, pie kā strādā Swaayatt Robots, un viņu nākotnes plāniem. Rezultāts lēciens, lai izlasītu visu sarunu, kas mums bija ar viņu. Varat arī noskatīties zemāk redzamo videoklipu, lai dzirdētu mūsu redaktora un paša Sanjejeva sarunu
Q. Padarīt autonomu braukšanas tehnoloģiju pieejamu un pieejamu ikvienam ir Swaayatt robotu galvenā misija. Kā sākās ceļojums?
Pēdējos 11 gadus esmu pētījis autonomās navigācijas jomā. Vēl 2009. gadā mani iedvesmoja DARPA Grand Challengeskas notika ASV. Autonomā braukšana šajos gados kļuva par manu mērķi. Daudzu gadu garumā es turpināju pētīt un patstāvīgi pētīt kustību plānošanu un lēmumu pieņemšanu, ņemot vērā neskaidrības. Galvenā uzmanība tika pievērsta optimālai mašīnmācīšanās, mācīšanās pastiprināšanai un dažādu metožu izmantošanai. Es izveidoju Swaayatt Robots 2014. gadā, bet tas nebija tikai pētījumu un pētījumu veikšana, ko biju paveicis pēdējos gados. Pielietojot dažas idejas kustībā un lēmumu pieņemšanā, man bija jāatrisina arī uztveres plānošanas un lokalizācijas problēma. Man bija pētniecības pieredze tikai lēmumu pieņemšanas un kustības plānošanas jomā. Bet uztveres un lokalizācijas jomas man bija diezgan jaunas. Mana milzīgā matemātiskā pieredze man ļoti palīdzēja.
Kad es sāku izstrādāt algoritmiskos ietvarus, lai ļautu autonomai braukšanai ap 2015. gadu, es sapratu, ka tas var būt kaut kas ļoti milzīgs, un mēs patiešām varam atrisināt autonomas braukšanas problēmu ļoti stohastiskos pretrunīgos satiksmes scenārijos. Un kopš 2014. gada es strādāju pilnu slodzi pie šī starta. Mani pētījumi jo īpaši attiecas uz vairākām nozarēm, bet jo īpaši mūsu uzņēmuma galvenā uzmanība ir pievērsta lēmumu pieņemšanas un kustības plānošanas algoritmu izstrādei, kas ļauj autonomiem transportlīdzekļiem tikt galā ar ļoti augstu stohastiskumu satiksmes dinamikā. Tas ir aptuveni 65% līdz 70% pētījumu, kas notiek Swaayatt Robots. Apmēram 25% - 27% pētījumu attiecas uz uztveres jomu, kas aptver visu veidu algoritmus, kas apstrādā sensora datus no transportlīdzekļa robotu sistēmas,un veidot apkārtējās pasaules 3D attēlojumu.
Uztverot, mēs esam viens no nedaudzajiem uzņēmumiem pasaulē, kas var ļaut autonomiem transportlīdzekļiem uztvert vidi, izmantojot tikai ārpusē esošās kameras, kas darbojas arī dienas un nakts laikā. Aptuveni šādi ceļojums ir bijis līdz šim.
Q. Jūs sākāt 2014. gadā, lai apstiprinātu savas idejas, un tad līdz 2015. gadam jūs pilnībā nokļuvāt. Tātad, kas mums būtu jādara šajā vienā gadā? Kā jūs pārbaudījāt, ka Indijā var veikt pašpiedziņu?
Autonomā braukšana ir trīs algoritmisku cauruļvadu, kas apvienoti, sajaukums. uztvere, plānošana un lokalizācija. Algoritmi uztver sensoros datus, tos apstrādā un izveido 3D attēlojumu ap transportlīdzekli. Mēs tos saucam par uztveres algoritmiem. Lokalizācijas algoritmi mēģina globāli precīzi noteikt transportlīdzekļa atrašanās vietu uz ceļa. Tā akadēmiskajos apstākļos agrāk darbojās roboti. 2009. gadā šo autonomās braukšanas modeli uzsāka Google. Pirms autonoms transportlīdzeklis pārvietojas pa noteiktu ceļu, viss ceļš ir jāapzīmē ļoti detalizēti 3D formātā. Mēs šīs kartes saucam par augstas precizitātes kartēm. Šīs augstas precizitātes kartes glabā ļoti svarīgu informāciju par vidi. Parasti tie vidē uzglabā visus dažādos atdalītājus.
Pirms autonomais transportlīdzeklis pārvietojas vidē, visa vide tiek kartēta ļoti precīzi. Visi joslu marķieri, ceļa robežas un jebkāda veida norobežotāji vidē faktiski tiek glabāti šāda veida augstas precizitātes kartēs.
Kad transportlīdzeklis pārvietojas vidē, kurai jums jau ir augstas precizitātes kartes, tad jūs atkal uztverat datus no dažādiem transportlīdzekļa sensoriem un mēģināt tos saskaņot ar jūsu izveidoto atsauces karti. Šis saskaņošanas process dod jums pozas vektoru, kas norāda, kur transportlīdzeklis atrodas uz planētas Zeme un kāda ir transportlīdzekļa konfigurācija. Kad esat uzzinājis transportlīdzekļa atrašanās vietu un konfigurāciju uz ceļa, visa informācija, kuru esat saglabājis augstas precizitātes kartēs, tiek projicēts virs transportlīdzekļa pašreizējās konfigurācijas. Projektējot šo informāciju, piemēram, ceļa marķierus, joslu marķierus un jebkāda veida ceļa vai vides norobežotājus; autonomais transportlīdzeklis zina, kur tas atrodas, attiecībā uz konkrētu norobežotāju vai no konkrēta joslas marķiera. Tātad,to dara lokalizācijas algoritmi.
Autonomās braukšanas galīgā joma ir plānošana un lēmumu pieņemšana. Jo izsmalcinātāki un labāki plānošanas un lēmumu pieņemšanas algoritmi jums ir, jo spējīgāks būs jūsu autonomais transportlīdzeklis. Piemēram, plānošanas un lēmumu pieņemšanas algoritmi atšķir uzņēmumus no otrā, trešā, ceturtā un piektā līmeņa autonomijas. Jebkurš algoritms, kas ir atbildīgs par lēmumu pieņemšanu vai transportlīdzekļa kustības un uzvedības plānošanu, ir plānošanas algoritms.
Jo sarežģītāks jums ir plānošanas algoritms, jo labāk būs jūsu transportlīdzeklis. Vairāki kustību plānotāji un lēmumu pieņēmēji palīdz novērtēt transportlīdzekļa un apkārtējās vides drošību, pārvietošanās ātrumu, transportlīdzekļa apkārtni un visus parametrus, kurus varat aprēķināt no savas vides. Tas ir tas, ko dara plānošanas algoritmi.
Esmu pētījis plānošanas jomā. Ja jums ir tāda veida algoritmi, kas var tikt galā ar satiksmes dinamikas stohastiskumu Indijā. Ja jūs varat tikt galā ar to un ja jums ir algoritmi, tad esat pierādījis, ka, ja jūs varat vienkārši izveidot uztveres un lokalizācijas kaudzi, jums ir pilnvērtīga autonomas braukšanas tehnoloģija.
Lai pārbaudītu, kas darbojas vislabāk, jums nav jāizstrādā visi dažādi algoritmi. Jums vienkārši jāveido trīs vai četri dažādi algoritmi, par kuriem jūs zināt, kā atrisināt galveno autonomās braukšanas problēmu. Drošība ir galvenais jautājums, kāpēc uz ceļa neredzat autonomus komerciālus transportlīdzekļus. Izmaksas un visi citi jautājumi ir sekundāri. Es būtu varējis izveidot visu startēšanu tikai uz viena vai diviem algoritmiem, piemēram, autonomās braukšanas lokalizācijas un kartēšanas aspekta. Bet mans mērķis bija izstrādāt pilnvērtīgu autonomu transportlīdzekli, nevis vienu vai divus algoritmus šeit un tur. Pierādot galveno aspektu plānošanas un lēmumu pieņemšanas jomā, es saņēmu pārliecību, lai risinātu visu autonomās braukšanas problēmu kopumā.
Q. Kādā autonomā braukšanas līmenī strādā Swaayatt Robots? Un kāds līmenis, jūsuprāt, ir iespējams Indijā?
Mūsu mērķis ir sasniegt 5. līmeņa autonomiju un nodrošināt, ka tehnoloģija ir droša šāda veida vidēs. Mēs atrodamies kaut kur starp trešo un ceturto līmeni. Daži no mūsu veiktajiem algoritmiskajiem pētījumiem ir kustības plānošana un lēmumu pieņemšana, kas ir vērsta uz piekto līmeni.
Mēs strādājam arī pie tā, lai autonomie transportlīdzekļi spētu šķērsot krustojumu maksimālās satiksmes stundās bez luksoforiem. Mūsu mērķis ir panākt piektā līmeņa autonomiju, ļaujot autonomiem transportlīdzekļiem tikt galā ar šauru telpu ar ļoti stohastisku satiksmi. Mēs esam veikuši autonomu braukšanu ļoti šaurā vidē, kad transportlīdzeklis vai velosipēds nāca arī no pretējā gala. POC līmenī mēs esam sasnieguši no trīs līdz četriem līmeņiem. Mēs jau esam vērsuši POC uz ceturtā līmeņa autonomiju, veicot eksperimentus ļoti stohastiskā satiksmē ar šaurām telpām. Mūsu pašreizējais mērķis ir sasniegt 101 kilometru stundā autonomu braukšanu pa Indijas ceļiem.
Kad esat pierādījis transportlīdzekļa drošību šāda veida vidēs, varat izmantot savu tehnoloģiju un pielietot to jebkur citur, piemēram, Ziemeļamerikā un Eiropā, kur satiksme ir daudz strukturētāka, kur vide ir arī daudz stingrāka, salīdzinot ar Indijas iedzīvotājiem. videi. Tātad Indija šobrīd ir izmēģinājumu vieta, lai pierādītu, ka mums ir kaut kas tāds, ko neviens cits šobrīd nav izdarījis.
J. Cik daudz Swaayatt roboti ir attīstījušies, izstrādājot autonomas braukšanas risinājumu? Kāda līmeņa braukšanu jūs pašlaik strādājat?
Pašlaik mums ir pasaulē ātrākais kustības plānošanas algoritms, kas 500 mikrosekundēs var plānot gandrīz optimālas laika parametru trajektorijas autonomam transportlīdzeklim. Tātad algoritms darbojas aptuveni pie 2000 herciem. Mums ir tehnoloģija, kas ļauj autonomi braukt līdz 80 kilometriem stundā pa Indijas šosejām. Šāda ātruma sasniegšana uz Indijas šosejām ir ļoti sarežģīta. Parasti, ja jūs to varat izdarīt, varat to ņemt arī citur. Jūs varat to izmantot ārvalstu satiksmē, un būtībā jūs esat ļoti tuvu ceturtajam līmenim. Lai sniegtu jums ideju, mēs esam strādājuši pie tā, ko mēs saucam par vairāku aģentu nodomu analīzi un sarunām. Šī sistēma ļauj mūsu transportlīdzeklim ne tikai aprēķināt citu transportlīdzekļu vai aģentu nodomu iespējamību uz ceļa.Tas var aprēķināt visu ceļa kopu varbūtību, ko nevar citi aģenti, transportlīdzekļi vai šķēršļi vidē. Tomēr ar šo spēju vien nepietiek. Piemēram, jūs varat izveidot ļoti skaitļošanas prasīgu sistēmu, kas var paredzēt turpmākās kustības trajektorijas un varbūt aprēķināt visu dažādu transportlīdzekļu ceļu kopu varbūtības. Šeit jums ir jākoncentrējas, ti, arī uz skaitļošanas prasībām. Skaitļošanas pieprasījums šajā daudzu aģentu nodomu analīzes un sarunu problēmā pieaugs strauji, ja neesat veicis nevienu pētījumu, neesat pareizi izmantojis matemātiku vai ja neesat tos pareizi izstrādājis. Es pētīju dažus lietišķās matemātikas jēdzienus, īpaši topoloģiskās teorijas jomā. Es izmantoju dažus jēdzienus, piemēram, homotopijas kartes,kas ļauj mūsu tehnoloģijai mērogot aprēķinus. Vismaz līdz šim tas ir superlīnija aģentu skaita ziņā pretstatā eksponenciālajam sprādzienam, ar kuru jūs varētu sastapties, ja nebūtu pareizi izstrādājis matemātiku aiz algoritmiem.
Vairāku aģentu nodomu analīzes sarunu ietvars tiek sīkāk sadalīts divās dažādās nozarēs, pie kurām mēs pašlaik strādājam. Viens ir TSN (Tight Space Negotiator Framework) un otrs ir apdzīšanas modelis. TSN ļauj autonomajiem transportlīdzekļiem risināt sarunas gan par saspringto vidi, gan par stohastisko satiksmi gan ar mazu, gan lielu ātrumu. Tātad liels ātrums būtu ļoti noderīgs pārblīvētiem stohastiskiem satiksmes scenārijiem, un mazais ātrums būtu ļoti noderīgs, ja transportlīdzeklis pārvietojas pilsētas scenārijā, kur bieži sastopas ar visblīvākajām ielām, kur satiksmē ir pārāk daudz satiksmes un troksnis, kas nozīmē, ka tur ir pārāk liela nenoteiktība satiksmes dinamikā.
Mēs jau esam pie tā strādājuši pēdējos divarpus gadus, un mēs to jau esam izstrādājuši POC formā. Daži no šiem ietvariem, par kuriem es runāju, varētu tikt parādīti demonstrācijā mūsu nākamajā eksperimentā, kura mērķis būs sasniegt 101 kilometru stundā, kas darbojas uz Indijas ceļiem.
Turklāt mēs esam pētījuši arī dažādas AI nozares. Mēs ļoti izmantojam mācīšanos mācībās, apgūstot apgrieztās mācības. Tātad, šobrīd mēs strādājam pie tā, lai autonomie transportlīdzekļi varētu apdzīt tipiskus divu joslu ceļus tāpat kā Indijas autovadītāji. Mēs maksimāli pierādām gan simulācijā, gan reālajā dzīvē ar ierobežotu finansējumu. Šīs ir dažas no izpētes jomām, kuras mēs jau esam pierādījuši uz vietas, un dažas no tām tiks pierādītas tuvāko mēnešu laikā.
Bez tam mēs esam vieni no vienīgajiem uzņēmumiem pasaulē, kas var ļaut autonomai braukšanai pilnīgi nezināmā un neredzētā vidē, kurai vispār nav augstas precizitātes karšu. Mēs varam iespējot autonomu braukšanu, neizmantojot augstas precizitātes kartes. Mēs strādājam ar to, lai pilnībā izskaustu nepieciešamību pēc augstas precizitātes kartēm, un šo izskaušanu nodrošina divas no mūsu galvenajām tehnoloģijām. Mūsu TSN sistēma ir izveidota, lai noteiktu jaunu normatīvo etalonu.
J. Runājot par aparatūras arhitektūru, kāda veida aparatūru izmantojat skaitļošanas vajadzībām. Kādus sensorus un kameras jūs izmantojat, lai kartētu reālo pasauli savos autonomajos transportlīdzekļos?
No šī brīža mēs vienkārši izmantojam kameras, kas ir gatavas. Ja redzat mūsu autonomā transportlīdzekļa demonstrāciju, pamanīsit, ka mēs izmantojām tikai 3000 Rs kameru. Ja paskatās uztveres pētījumus, kas visā pasaulē notiek ar autonomiem uzņēmumiem vai robotikas uzņēmumiem, viņi izmanto visus trīs dažādos sensorus, piemēram, kameras, LiDAR un radarus. Pašlaik visi mūsu autonomie braukšanas eksperimenti ir notikuši tikai ar kamerām. Kad es dibināju uzņēmumu, man bija tikai pieredze plānošanā, bet kopš 2016. gada es sapratu, ka mūsdienīgi pētniecības dokumenti, neatkarīgi no tā, kādas laboratorijas strādā visā pasaulē; tas vienkārši nedarbojas reālajā pasaulē. Ja viņi strādā, viņi ir pārāk intensīvi skaitļošanas ziņā, un vienkārši nedarbojas. Tātad,Uztveri uztvēru arī kā primāro pētījumu jomu, un uztveres pētījumiem veltīju apmēram 25% - 27% sava laika. Tagad mūsu uzņēmuma pētījumu mērķis ir ļaut autonomiem transportlīdzekļiem uztvert, izmantojot tikai kameras, bez nepieciešamības pēc LiDAR un radariem. Tas ir pētniecības mērķis, kuru mēs vēlamies sasniegt. To sasniedzot, mēs arī esam nodrošinājuši, ka mums ir pasaulē ātrākais algoritms jebkuram kopējam uzdevumam.
Mums ir divi mērķi uztverē. Pirmkārt, algoritmam vajadzētu būt tik spējīgam, lai tie autonomiem transportlīdzekļiem gan dienā, gan naktī varētu uztvert, izmantojot tikai kameras. Mēs esam paplašinājuši šo uztveres iespēju ne tikai dienas laikā, bet arī naktī, kā arī izmantojot neko citu kā transportlīdzekļa priekšējos lukturus un parastās RGB un NIR kameras - tādas kameras, kuras var iegādāties par 3000 Rs. tirgū.
Mēs koncentrējamies