Технички гиганти попут Тесле и Гоогле-а направили су самовозећа возила о којима се често прича међу технолошким ентузијастима. Разне компаније широм света раде на развоју возила за аутономну вожњу за различите терене.
Да би повезана технологија аутономне вожње постала приступачна, приступачна и доступна свима, Свааиатт Роботс са седиштем у Бопалу придружили су се групи. Међутим, са огромним знањем о свим технологијама укљученим у аутономну роботику, генерални директор компаније, господин Сањеев Схарма оставио је многе технолошке компаније иза себе у трци. Од 2009. године много истражује и подвргава се математичким прорачунима који су укључени у изналажење паметних решења за самовозеће аутомобиле.
Добили смо прилику да разговарамо са господином Сањеевом и знамо сваки део технологије која стоји иза аутономних возила и роботике на којој Свааиатт Роботс ради и њихове будуће планове. Скочите и прочитајте цео разговор који смо водили с њим. Можете и да погледате видео испод како бисте чули разговор између нашег уредника и самог Сањејева
П. Учинити технологију аутономног вожње доступном и приступачном свима главна је мисија Свааиатт Роботс-а. Како је започело путовање?
Већ 11 година истражујем област аутономне пловидбе. Још 2009. године инспирисали су ме ДАРПА Гранд Цхалленгесто се догодило у САД. Аутономна вожња је тих година постала мој циљ. Током многих година непрестано сам истраживао и самостално изучавао планирање покрета и доношење одлука под неизвесношћу. Фокус је био на оптималном коришћењу машинског учења, учвршћивања и различитих техника. Покренуо сам Свааиатт Роботс 2014. године, али то није било једноставно примењивање истраживања и студија које сам радио у последњих неколико година. Примењујући неке идеје у покрету и доношењу одлука, морао сам да решим и проблем планирања перцепције и локализације. Имао сам истраживачко искуство само у области доношења одлука и планирања покрета. Али подручја перцепције и локализације била су ми прилично нова. Огромно математичко искуство ми је пуно помогло.
Једном када сам почео да развијам алгоритамске оквире који омогућавају аутономну вожњу око 2015. године, схватио сам да то може бити нешто веома велико и заиста можемо решити проблем аутономне вожње у врло стохастичним контрадикторним сценаријима саобраћаја. А од 2014. радим пуно радно време на овом покретању. Моје истраживање посебно покрива неколико грана, али је, посебно, највећи фокус наше компаније развити алгоритме за доношење одлука и планирање кретања који омогућавају аутономним возилима да се носе са врло високим нивоима стохастичности у динамици саобраћаја. То износи отприлике 65% до 70% истраживања које се догађа у компанији Свааиатт Роботс. Око 25% - 27% истраживања иде у област перцепције, која обухвата све врсте алгоритама који обрађују податке сензора из аутомобилског роботског система,и изградите 3д представу света око себе.
Према перцепцији, ми смо једна од ретких компанија на свету која може да дозволи аутономним возилима да перципирају животну средину користећи само готове камере које раде и дању и ноћу. Отприлике је то било путовање до сада.
П. Почели сте 2014. да потврђујете своје идеје, а онда сте потпуно ушли у пут до 2015. Па шта да радимо у овој години? Како сте тестирали да се самовожња може обављати у Индији?
Аутономна вожња је спој три алгоритамска цевовода, заједно. перцепција, планирање и локализација. Алгоритми узимају сензорне податке, обрађују их и граде 3д приказ око возила. Називамо их алгоритмима перцепције. Алгоритми локализације покушавају глобално тачно да одреде положај возила на путу. Тако су роботи некада радили у академским условима. 2009. године Гоогле је пионир овог модела аутономне вожње. Пре него што аутономно возило крене одређеним путем, цео пут мора бити врло детаљно мапиран у 3д. Ове мапе називамо мапама високе верности. Ове мапе високе верности чувају неке врло кључне информације о животној средини. Они обично чувају све различите граничнике у окружењу.
Пре него што аутономно возило крене у окружењу, целокупно окружење се мапира на врло прецизан начин. Све ознаке трака, границе путева и било која врста граничника у окружењу заправо су похрањене у ове врсте карата високе верности.
Када се возило креће кроз окружење за које већ имате мапе високе верности, тада поново хватате податке са различитих сензора на возилу и покушавате да податке повежете са референтном мапом коју сте изградили. Овај поступак подударања вам даје вектор поза који вам говори где се возило налази на планети Земљи и каква је конфигурација возила. Једном када сазнате положај и конфигурацију возила на путу, целокупне информације које сте сачували на мапама високе верности пројектују се на врх тренутне конфигурације возила. Када пројектујете ове информације као што су обележивачи путева, обележивачи трака и било која врста граничника пута или окружења; аутономно возило зна где се сада налази с обзиром на одређени граничник или из одређене ознаке траке. Тако,то раде алгоритми за локализацију.
Коначно подручје аутономне вожње је планирање и доношење одлука. Што софистициранији и бољи алгоритми за планирање и доношење одлука имате, то ће ваше аутономно возило бити способније. На пример, алгоритми планирања и доношења одлука разликоваће компаније од аутономије на нивоу два, нивоу три, нивоу четири и нивоу пет. Било који алгоритам одговоран за доношење одлука или планирање кретања и понашања возила је алгоритам планирања.
Што више софистицираности имате у алгоритмима за планирање, то ће ваше возило бити боље. Неколико планера покрета и доносилаца одлука помажу у процени безбедности возила и околине, брзине којом се крећете, окружења возила и свих параметара које можете израчунати из свог окружења. То раде алгоритми за планирање.
Истраживао сам у области планирања. Ако имате врсту алгоритама који се могу носити са стохастичношћу динамике саобраћаја у Индији. Ако се са тим можете носити и ако имате алгоритме, доказали сте да ако можете само изградити стек перцепције и локализације, имате пуноправну технологију аутономне вожње.
Не треба да развијате све различите алгоритме да бисте проверили шта најбоље ради. Само треба да направите три или четири различита алгоритма за која знате да ће решити кључни проблем у аутономној вожњи. Безбедност је примарно питање зашто на путу не видите комерцијална аутономна возила. Трошкови и сва друга питања су споредна. Могао сам да изградим читав стартуп на само једном или два алгоритма попут аспекта локализације и мапирања аутономне вожње. Али мој циљ је био да развијем пуноправно аутономно возило, а не један или два алгоритма ту и тамо. Пошто сам доказао кључни аспект у области планирања и доношења одлука, пружио сам ми самопоуздање за решавање целокупног проблема аутономне вожње уопште.
П. На ком нивоу аутономне вожње ради Свааиатт Роботс? А који ниво је по вашем мишљењу могућ у Индији?
Наш циљ је постићи ниво аутономије 5 и осигурати да је технологија безбедна у оваквим окружењима. Негде смо између трећег и четвртог нивоа. Нека од алгоритамских истраживања која радимо су у планирању кретања и доношењу одлука које су усмерене ка петом нивоу.
Такође радимо на томе да омогућимо аутономним возилима да пређу раскрсницу у вршним сатима саобраћаја без семафора. Циљ нам је да постигнемо аутономију петог нивоа омогућавајући аутономним возилима да се баве уским простором са врло стохастичним саобраћајем. Аутономну вожњу радили смо у врло уском окружењу када је возило или бицикл такође долазило са супротног краја. На нивоу ПОЦ постигли смо између три и четири нивоа. Већ смо претворили ПОЦ-ове у аутономију четвртог нивоа изводећи експерименте у изузетно стохастичном саобраћају са уским просторима. Наш тренутни циљ је постизање 101 километра на сат аутономне вожње индијским путевима.
Једном када докажете сигурност возила у оваквим окружењима, можете узети своју технологију и применити је било где другде, на пример у Северној Америци и Европи, где је саобраћај много структуриранији, где су окружења такође много строжа у поређењу са индијским окружења. Дакле, Индија нам је од сада полигон за тестирање да докажемо да имамо нешто што нико други у овом тренутку није урадио.
П. Колико је Свааиатт Роботс напредовао у развоју решења за аутономно управљање? На ком нивоу вожње тренутно радите?
Тренутно имамо најбржи алгоритам планирања кретања на свету који може да планира скоро оптималне временски параметризоване путање за аутономно возило за 500 микросекунди. Дакле, алгоритам ради приближно на 2000 херца. Имамо технологију која омогућава индијску аутоцесту до 80 километара на сат аутономне вожње. Постизање такве брзине на индијским аутопутевима је веома изазовно. Типично, ако то можете, можете и другде. Можете га применити у страном саобраћају и у основи сте врло близу четвртог нивоа. Да бисмо вам дали идеју, радили смо на ономе што називамо анализом намере и преговорима са више агената. Овај оквир омогућава нашем возилу да не израчунава само вероватноћу намера других возила или агената на путу.Може израчунати вероватноће читавог скупа путања које други агенти или возила или препреке у окружењу не могу. Међутим, само ова способност није довољна. На пример, можете направити врло рачунски захтеван систем који може предвидети будуће путање кретања и можда израчунати вероватноће свих скупова путања различитих возила. Овде се морате фокусирати, тј. И на рачунске захтеве. Рачунарска потражња у овом проблему анализе вишенаменских намера и преговора експоненцијално ће расти ако нисте обавили ниједно истраживање, нисте правилно користили математику или ако их нисте правилно дизајнирали. Истражујем неке концепте из примењене математике, посебно у области тополошке теорије. Користим неке концепте попут хомотопијских мапа,који омогућавају нашој технологији да скалира прорачуне. Барем од сада, суперлинеаран је у смислу броја агената, за разлику од експоненцијалног пухања на које бисте наишли да нисте правилно разрадили математику иза алгоритама.
Оквир за преговарање о анализи намере за више агената даље је подељен на две различите гране на којима тренутно радимо. Један је ТСН (Тигхт Спаце Неготиатор Фрамеворк), а други модел који претиче. ТСН омогућава аутономним возилима да преговарају и о уским окружењима и о стохастичком саобраћају, и при малим и при великим брзинама. Тако да би велика брзина била врло корисна за стохастични саобраћајни сценариј претрпан аутопутем, а мала брзина врло корисна када се возило креће по урбаном сценарију, где често наилазите на најуже улице са превише промета и буке у саобраћају, што значи да тамо постоји је превелика неизвесност у динамици саобраћаја.
На овоме већ радимо последње две и по године и већ смо га развили у облику ПОЦ. Неки делови и делови ових оквира о којима говорим могли би бити приказани у демонстрацији у следећем експерименту који ће бити усмерен ка постизању 101 километра на сат функционисања на индијским путевима.
Даље, такође смо истраживали у различитим гранама АИ. У великој мери користимо учење шегрта, инверзно учење ојачавања. Дакле, тренутно радимо на томе да аутономним возилима омогућимо претицање на типичним двотрачним путевима баш као што то раде индијски возачи. Доказујемо како у симулацији тако и у стварном свету у највећој могућој мери уз ограничена финансијска средства. Ово су нека од подручја истраживања која смо већ доказали на терену, а нека од њих ће се доказати у наредних неколико месеци.
Осим тога, ми смо једина компанија на свету која може да омогући аутономну вожњу у потпуно непознатим и невиђеним окружењима за која уопште не постоје мапе високе верности. Можемо омогућити аутономну вожњу без употребе мапа високе верности. У послу смо да потпуно искоренимо потребу за мапама високе верности, а то искорењивање омогућавају две наше кључне технологије. Наш ТСН оквир створен је да постави ново регулаторно мерило.
П. Говорећи о хардверској архитектури, какав хардвер користите у своје рачунске сврхе. Такође, какве сензоре и камере користите за мапирање стварног света на својим аутономним возилима?
Од сада користимо само готове камере. Ако видите нашу демонстрацију за аутономно возило, приметићете да нисмо користили ништа више од камере од 3000 Рс. Ако погледате истраживање перцепције које се по целом свету дешава са аутономним компанијама или компанијама за роботику, они користе сва три различита сензора попут камера, ЛиДАР-а и радара. Тренутно су се сви наши експерименти за аутономну вожњу одвијали само помоћу камера. Када сам основао компанију, имао сам стручност само за планирање, али од 2016. године схватио сам да најсавременији истраживачки радови на чему год раде лабораторије широм света; то једноставно не функционише у стварном свету. Ако раде, превише су рачунски интензивни и једноставно не раде. Тако,И перцепцију сам узео као своје примарно истраживачко подручје и посветио сам око 25% - 27% свог времена истраживању перцепције. Сада је циљ истраживања наше компаније омогућити аутономним возилима да могу да перципирају користећи само камере без потребе за ЛиДАР-има и радарима. Ово је истраживачка амбиција коју желимо да остваримо. Док смо то постигли, такође смо осигурали да имамо најбржи алгоритам на свету за било који заједнички задатак.
У перцепцији имамо два циља. Прво, алгоритам би требао бити толико способан да омогући аутономним возилима да перципирају користећи само камере и дању и ноћу. Проширили смо ову способност перцепције не само дању већ и ноћу, не користећи ништа осим фарова возила и уобичајених РГБ и НИР камера које се могу купити, врста камера које можете купити за 3000 Рс у тржиште.
Ми се фокусирамо