p>Создание автомобилей с автопилотом, способным к принятию решений подобно человеку, является давней задачей таких компаний, как Waymo, GM Cruise, Uber и других. Intel Mobileye предлагает математическую модель Responsibility-Sensitive Safety (RSS), она описывается компанией как подход, основанный на «здравом смысле», который характеризуется на программировании автопилота на «хорошее» поведение, например такое, как предоставление другим автомобилям права проезда. С другой стороны, NVIDIA активно разрабатывает Safety Force Field, технологию принятия решений на базе системы, которая отслеживает небезопасные действия окружающих участников движения, анализируя данные с датчиков автомобиля в режиме реального времени. Теперь к данным исследованиям подключилась группа ученых из Массачусетского технологического института (MIT), которые предложили новый подход, основанный на использовании GPS-подобных карт и визуальных данных, получаемых с камер, установленных на автомобиле, чтобы автопилот мог ориентироваться на неизвестных ему дорогах похожим на человека образом.

Люди исключительно хороши в управлении автомобилями на дорогах, на которых они раньше никогда не бывали. Мы просто сопоставляем то, что видим вокруг нас, с тем, что видим на наших навигаторах, чтобы определить, где мы находимся и куда нам нужно ехать. Автомобилям с автопилотом, с другой стороны, крайне сложно ориентироваться на неизвестных участках дороги. Для каждой новой локации автопилоту требуется тщательно проанализировать новый маршрут, при этом часто автоматические системы управления полагаются в этом вопросе на сложные 3D-карты, которые заранее готовят для них поставщики.

В докладе, представленном на этой неделе на Международной конференции по робототехнике и автоматизации, исследователи Массачусетского технологического института описывают автономную систему управления, которая «изучает» и запоминает модель принятия решений водителем-человеком при движении по дорогам в небольшом районе города, используя для этого только данные с видеокамер и простую GPS-подобную карту. Затем обученный автопилот может управлять автомобилем без водителя в совершенно новой локации, имитируя вождение человека.

Как и человек, автопилот также обнаруживает любые несоответствия между своей картой и особенностями дороги. Это помогает системе определить, является ли её положение на дороге, работа датчиков или карта неправильными, чтобы скорректировать курс автомобиля.

Для первоначального обучения системы оператор-человек управлял автоматизированной Toyota Prius, оснащённой несколькими камерами и базовой системой GPS-навигации, для сбора данных с местных пригородных улиц, включая различные дорожные конструкции и препятствия. Затем система успешно управляла автомобилем на заранее спланированном маршруте в другой лесной зоне, предназначенной для испытаний автономных транспортных средств.

«С нашей системой вам не нужно заранее тренироваться на каждой дороге», — говорит автор исследования Александр Амини (Alexander Amini), аспирант MIT. «Вы можете скачать новую карту для автомобиля, чтобы перемещаться по дорогам, которые он никогда не видел раньше».

«Наша цель — создать автономную навигацию, устойчивую к вождению в новых условиях», — добавляет соавтор научной работы Даниела Рус (Daniela Rus), директор Лаборатории компьютерных наук и искусственного интеллекта (CSAIL). «Например, если мы обучаем автономное транспортное средство вождению в городских условиях, таких как улицы Кембриджа, система также должна иметь возможность плавного движения в лесу, даже если такого окружения она еще никогда не видела».

Традиционные навигационные системы обрабатывают данные от датчиков через несколько модулей, настроенных для таких задач, как локализация, картографирование, обнаружение объектов, планирование движения и управление рулем. В течение многих лет группа Даниелы разрабатывала «сквозные» навигационные системы, которые обрабатывают сенсорные данные и управляют автомобилем без необходимости использования каких-либо специализированных модулей. До сих пор, однако, эти модели использовались строго для безопасного следования по дороге, без какого-либо реального предназначения. В новой работе исследователи усовершенствовали свою сквозную систему для движения от цели к месту назначения в ранее неизвестной среде. Для этого учёные обучили свой автопилот прогнозировать полное распределение вероятностей по всем возможным командам управления в любой момент во время вождения.

Система использует модель машинного обучения, называемую свёрточной нейронной сетью (convolutional neural network — CNN), обычно используемой для распознавания изображений. Во время обучения система наблюдает за вождением водителя-человека. CNN коррелирует повороты рулевого колеса с кривизной дороги, которую она наблюдает через камеры и на своей небольшой карте. В итоге система запоминает наиболее вероятные команды рулевого управления для различных дорожных ситуаций, таких как прямая дорога, перекрёстки с четырехсторонним движением или Т-образные перекрёстки, развилки и повороты.

«Первоначально на Т-образном перекрестке есть много разных направлений, куда автомобиль может повернуть», — говорит Рус. «Модель начинает с размышления обо всех этих направлениях, поскольку CNN получает всё больше и больше данных о том, что делают в тех или иных ситуациях на дороге люди, она увидит, что некоторые водители поворачивают налево, а другие поворачивают направо, но никто не едет прямо. Прямое движение исключено как возможное направление, и модель делает вывод, что на Т-образных перекрёстках она может двигаться только влево или вправо».

Во время вождения CNN также извлекает из камер визуальные особенности дороги, что позволяет ей прогнозировать возможные изменения маршрута. Например, она идентифицирует красный дорожный указатель «Stop» или разрыв линии на обочине дороги как признаки предстоящего перекрестка. В каждый момент она использует прогнозируемое распределение вероятностей команд управления, чтобы выбрать наиболее правильную команду.

Важно отметить, что, по словам исследователей, их автопилот использует карты, которые крайне легко хранить и обрабатывать. Автономные системы управления обычно используют карты созданные при помощи лидаров, которые занимают примерно 4000 Гбайт данных для хранения только города Сан-Франциско. Для каждого нового пункта назначения автомобиль должен использовать и создавать новые карты, что требует огромное количество памяти. С другой стороны, карта, используемая новым автопилотом, охватывает весь мир, занимая при этом всего 40 гигабайт данных.

Во время автономного вождения система также постоянно сопоставляет свои визуальные данные с данными карты и отмечает любые несоответствия. Это помогает автономному транспортному средству лучше определить, где оно находится на дороге. И это гарантирует, что автомобиль остается на самом безопасном пути, даже если он получает противоречивую входную информацию: если, скажем, автомобиль движется по прямой дороге без поворотов, а GPS указывает, что автомобиль должен повернуть направо, автомобиль будет знать, что нужно ехать прямо или остановиться.

«В реальном мире датчики выходят из строя», — говорит Амини. «Мы хотим убедиться, что наш автопилот устойчив к различным отказам датчиков, создав систему, которая может принимать любые шумовые сигналы и при этом правильно ориентироваться на дороге».

Источник: 3DNews