Tehnički giganti poput Tesle i Googlea napravili su samovozeća vozila o kojima se često priča među tehnološkim entuzijastima. Razne tvrtke širom svijeta rade na razvoju vozila za autonomnu vožnju za različite terene.
Kako bi povezana tehnologija autonomne vožnje postala pristupačna, pristupačna i dostupna svima, Swaayatt Robots sa sjedištem u Bhopalu pridružili su se. Međutim, s neizmjernim poznavanjem sve tehnologije koja je uključena u autonomnu robotiku, izvršni direktor tvrtke, gospodin Sanjeev Sharma ostavio je mnoge tehnološke tvrtke iza sebe u utrci. Od 2009. puno istražuje i podvrgava se matematičkim proračunima koji su uključeni u iznalaženje pametnih rješenja za samovozeće automobile.
Dobili smo priliku razgovarati s gospodinom Sanjeevom i znati svaki dio tehnologije koja stoji iza autonomnih vozila i robotike na kojoj Swaayatt Robots radi i njihove buduće planove. Skočite i pročitajte cijeli razgovor koji smo vodili s njim. Također možete pogledati video u nastavku kako biste čuli razgovor između našeg urednika i samog Sanjejeva
P. Učiniti tehnologiju autonomnog vožnje dostupnom i pristupačnom svima glavna je misija tvrtke Swaayatt Robots. Kako je započelo putovanje?
Posljednjih 11 godina istražujem područje autonomne plovidbe. Još 2009. godine nadahnuli su me DARPA Grand Challengesto se dogodilo u SAD-u. Autonomna vožnja postala mi je cilj tih godina. Tijekom mnogih godina neprestano sam istraživao i samostalno proučavao planiranje pokreta i donošenje odluka u neizvjesnostima. Fokus je bio na optimalnoj upotrebi strojnog učenja, učvršćivanja i različitih tehnika. Pokrenuo sam Swaayatt Robots 2014. godine, ali to nije bilo jednostavno primjenjivanje istraživanja i studija koje sam radio u posljednjih nekoliko godina. Primjenjujući neke ideje u pokretu i donošenju odluka, morao sam riješiti i problem planiranja percepcije i lokalizacije. Iskustvo u istraživanju imao sam samo u području donošenja odluka i planiranja pokreta. Ali područja percepcije i lokalizacije bila su mi prilično nova. Puno mi je pomoglo moje silno matematičko iskustvo.
Jednom kad sam počeo razvijati algoritamske okvire koji omogućavaju autonomnu vožnju oko 2015. godine, shvatio sam da to može biti nešto vrlo veliko i zaista možemo riješiti problem autonomne vožnje u vrlo stohastičnim kontradiktornim scenarijima prometa. A od 2014. radim puno radno vrijeme na ovom startupu. Moje istraživanje posebno pokriva nekoliko grana, ali, posebice, najveći dio fokusa naše tvrtke je razviti algoritme za donošenje odluka i planiranje pokreta koji omogućavaju autonomnim vozilima da se nose s vrlo visokim razinama stohastičnosti u dinamici prometa. To iznosi otprilike 65% do 70% istraživanja koje se događa u tvrtki Swaayatt Robots. Otprilike 25% - 27% istraživanja odnosi se na područje percepcije, koje obuhvaća sve vrste algoritama koji obrađuju podatke senzora iz automobilskog robotskog sustava,i izgraditi 3d prikaz svijeta oko sebe.
Prema percepciji, mi smo jedna od rijetkih tvrtki na svijetu koja može omogućiti autonomnim vozilima da percipiraju okoliš koristeći samo gotove kamere koje rade i danju i noću. Otprilike je to bilo putovanje do sada.
P. Počeli ste 2014. godine da potvrđujete svoje ideje, a onda ste potpuno ušli u put do 2015. Pa što bismo trebali učiniti u ovoj godini? Kako ste testirali da se samovožnja može izvoditi u Indiji?
Autonomna vožnja spoj je tri algoritamska cjevovoda, zajedno. percepcija, planiranje i lokalizacija. Algoritmi uzimaju senzorne podatke, obrađuju ih i grade 3D prikaz oko vozila. Nazivamo ih algoritmima percepcije. Algoritmi lokalizacije pokušavaju globalno precizno odrediti položaj vozila na cesti. Tako su roboti nekada radili u akademskim uvjetima. 2009. godine ovaj je model autonomne vožnje pokrenuo Google. Prije nego što autonomno vozilo krene određenom cestom, cijela cesta mora biti vrlo detaljno preslikana u 3d. Te karte nazivamo mapama visoke vjernosti. Ove karte visoke vjernosti pohranjuju neke vrlo ključne informacije o okolišu. Oni obično čuvaju sve različite graničnike u okolišu.
Prije nego što autonomno vozilo krene u okruženju, cijelo okruženje se mapira na vrlo precizan način. Sve oznake traka, granice ceste i bilo koja vrsta graničnika u okolišu zapravo su pohranjene u ove vrste karata visoke vjernosti.
Kada se vozilo kreće kroz okruženje za koje već imate karte visoke vjernosti, tada ponovo hvatate podatke s različitih senzora na vozilu i pokušavate podatke uskladiti s referentnom mapom koju ste izgradili. Ovaj postupak podudaranja daje vam vektor poziranja koji vam govori gdje je vozilo na planeti Zemlji i kakva je konfiguracija vozila. Nakon što saznate položaj i konfiguraciju vozila na cesti, cjelokupni podaci koje ste pohranili na mapama visoke vjernosti projiciraju se na vrh trenutne konfiguracije vozila. Kada projicirate ove informacije poput oznaka na cesti, oznaka traka i bilo koje vrste graničnika ceste ili okoliša; autonomno vozilo zna gdje se sada nalazi s obzirom na određeni graničnik ili iz određene oznake trake. Tako,to rade algoritmi za lokalizaciju.
Konačno područje autonomne vožnje je planiranje i donošenje odluka. Što sofisticiraniji i bolji algoritmi za planiranje i donošenje odluka imate, to će vaše autonomno vozilo biti sposobnije. Na primjer, algoritmi planiranja i odlučivanja razlikovat će tvrtke od autonomije na razini dvije, razine tri, razine četiri i razine pet. Bilo koji algoritam odgovoran za donošenje odluka ili planiranje kretanja i ponašanja vozila algoritam je planiranja.
Što više sofisticiranosti imate u algoritmima za planiranje, to će vaše vozilo biti bolje. Nekoliko planera pokreta i donositelja odluka pomažu u procjeni sigurnosti vozila i okoliša, brzine kojom se krećete, okruženja vozila i svih parametara koje možete izračunati iz svog okruženja. To rade algoritmi za planiranje.
Istraživao sam u području planiranja. Ako imate vrstu algoritama koji se mogu nositi sa stohastičnošću dinamike prometa u Indiji. Ako se možete nositi s tim i ako imate algoritme, dokazali ste da ako možete samo stvoriti stog percepcije i lokalizacije, imate punopravnu tehnologiju autonomne vožnje.
Ne trebate razvijati sve različite algoritme da biste provjerili što najbolje radi. Samo trebate izgraditi tri ili četiri različita algoritma za koja znate da će riješiti ključni problem u autonomnoj vožnji. Sigurnost je primarno pitanje zašto na cesti ne vidite komercijalna autonomna vozila. Troškovi i sva ostala pitanja su sporedna. Mogao sam izgraditi cijeli startup na samo jednom ili dva algoritma poput aspekta lokalizacije i mapiranja autonomne vožnje. Ali moj je cilj bio razviti punopravno autonomno vozilo, a ne jedan ili dva algoritma tu i tamo. Dokazavši ključni aspekt na području planiranja i donošenja odluka, pružio sam mi samopouzdanje za rješavanje cijelog problema autonomne vožnje u cjelini.
P. Na kojoj razini autonomne vožnje radi Swaayatt Robots? A što mislite koja je razina moguća u Indiji?
Cilj nam je postići autonomiju razine 5 i osigurati sigurnost tehnologije u ovakvim okruženjima. Negdje smo između treće i četvrte razine. Neka od algoritamskih istraživanja koja radimo su u planiranju pokreta i donošenju odluka usmjerenih prema petoj razini.
Također radimo na tome da omogućimo autonomnim vozilima da mogu prijeći raskrižje u vršnim satima prometa bez semafora. Cilj nam je postići petu autonomiju omogućujući autonomnim vozilima da se bave uskim prostorom s vrlo stohastičnim prometom. Autonomnu vožnju radili smo u vrlo uskom okruženju kada je vozilo ili bicikl dolazilo i s suprotnog kraja. Na razini POC postigli smo između tri i četiri razine. Već smo pretvorili POC-ove u autonomiju četvrte razine provodeći eksperimente u vrlo stohastičnom prometu s uskim prostorima. Naš trenutni cilj je postići 101 kilometar na sat autonomne vožnje indijskim cestama.
Jednom kada dokažete sigurnost vozila u ovakvim okruženjima, možete uzeti svoju tehnologiju i primijeniti je bilo gdje drugdje, poput Sjeverne Amerike i Europe, gdje je promet puno strukturiraniji, gdje su okoliši i mnogo strožiji u odnosu na indijske okruženja. Dakle, Indija nam je od sada poligon za dokazivanje da imamo nešto što u ovom trenutku još nitko nije učinio.
P. Koliko je Swaayatt Robots napredovao u razvoju rješenja za autonomno upravljanje? Na kojoj razini vožnje trenutno radite?
Trenutno imamo najbrži algoritam planiranja kretanja na svijetu koji može planirati gotovo optimalne vremenski parametrizirane putanje za autonomno vozilo u 500 mikrosekundi. Dakle, algoritam radi otprilike na 2000 herca. Imamo tehnologiju koja omogućava indijsku autocestu do 80 kilometara na sat autonomne vožnje. Postići takvu brzinu na indijskim autocestama vrlo je izazovno. Tipično, ako to možete učiniti, možete to odnijeti i drugdje. Možete ga primijeniti u inozemnom prometu i u osnovi ste vrlo blizu četvrte razine. Da bismo vam dali ideju, radili smo na onome što nazivamo analizom i pregovaranjem o višenamjenskim namjerama. Ovaj okvir omogućuje našem vozilu da ne izračuna samo vjerojatnost namjere drugih vozila ili agenata na cesti.Može izračunati vjerojatnosti cijelog skupa puta koje drugi agenti ili vozila ili prepreke u okolini ne mogu. Međutim, samo ta sposobnost nije dovoljna. Na primjer, možete izgraditi vrlo računski zahtjevan sustav koji može predvidjeti buduće putanje kretanja i možda izračunati vjerojatnosti svih skupova puta različitih vozila. Ovdje se morate usredotočiti, tj. I na računske zahtjeve. Računalna potražnja u ovom problemu analize višenamjenskih namjera i pregovora eksponencijalno će rasti ako niste obavili nijedno istraživanje, niste pravilno koristili matematiku ili ako ih niste pravilno dizajnirali. Istražujem neke koncepte iz primijenjene matematike, posebno u području topološke teorije. Koristim neke koncepte poput homotopijskih mapa,koji omogućuju našoj tehnologiji da skalira proračune. Barem je od sada superlinearan u smislu broja agenata, za razliku od eksponencijalnog puhanja s kojim biste se susreli da niste pravilno razradili matematiku iza algoritama.
Okvir za pregovaranje o analizi namjere za više agenata dalje je podijeljen u dvije različite grane na kojima trenutno radimo. Jedan je TSN (Tight Space Negotiator Framework), a drugi model koji pretiče. TSN omogućuje autonomnim vozilima da pregovaraju i o uskim uvjetima i o stohastičkom prometu, i pri malim i pri velikim brzinama. Tako bi velika brzina bila vrlo korisna za stohastični scenarij gužve na autocestama, a mala brzina bila bi vrlo korisna kada vozilo vozi u urbanom scenariju, gdje često nailazite na najuže ulice s previše prometa i buke u prometu, što znači da tamo prevelika je neizvjesnost u dinamici prometa.
Na tome smo već radili posljednje dvije i pol godine i već smo ga razvili u obliku POC-a. Neki dijelovi i dijelovi ovih okvira o kojima govorim mogli bi biti prikazani u demonstraciji u našem sljedećem eksperimentu koji će biti usmjeren na postizanje 101 kilometra na sat funkcioniranja na indijskim cestama.
Nadalje, istraživali smo i u različitim granama AI. U velikoj mjeri koristimo učenje šegrta, inverzno učvršćivanje. Dakle, trenutno radimo na tome da autonomnim vozilima omogućimo pretjecanje na tipičnim dvotračnim cestama baš kao što to čine indijski vozači. Dokazujemo kako u simulaciji tako i u stvarnom svijetu u najvećoj mogućoj mjeri s ograničenim financiranjem. Ovo su neka od područja istraživanja koja smo već dokazali na terenu, a neka od njih će se dokazati u sljedećih nekoliko mjeseci.
Osim toga, jedna smo od svjetskih tvrtki koja može omogućiti autonomnu vožnju u potpuno nepoznatim i neviđenim okruženjima za koja uopće ne postoje mape visoke vjernosti. Možemo omogućiti autonomnu vožnju bez upotrebe karata visoke vjernosti. U poslu smo potpuno iskorijenili potrebu za kartama visoke vjernosti, a to iskorjenjivanje omogućuju dvije naše ključne tehnologije. Naš okvir TSN stvoren je da postavi novo regulatorno mjerilo.
P. Govoreći o hardverskoj arhitekturi, kakav hardver koristite u svoje računske svrhe. Također, kakve senzore i kamere koristite za mapiranje stvarnog svijeta na svojim autonomnim vozilima?
Od sada koristimo samo gotove kamere. Ako vidite našu demonstraciju za autonomno vozilo, primijetit ćete da nismo koristili ništa više od kamere od 3000 Rs. Ako pogledate istraživanje percepcije koje se po cijelom svijetu događa s autonomnim tvrtkama ili tvrtkama za robotiku, oni koriste sva tri različita senzora poput kamera, LiDAR-a i radara. Trenutno su se svi naši eksperimenti s autonomnom vožnjom odvijali samo pomoću kamera. Kada sam osnovao tvrtku, imao sam stručnost samo za planiranje, ali od 2016. godine shvatio sam da vrhunski istraživački radovi na čemu god rade laboratoriji u cijelom svijetu; to jednostavno ne funkcionira u stvarnom svijetu. Ako rade, previše su računski intenzivni i jednostavno ne rade. Tako,I percepciju sam uzeo kao svoje primarno istraživačko područje te sam oko 25% - 27% svog vremena posvetio istraživanju percepcije. Sada je cilj istraživanja naše tvrtke omogućiti autonomnim vozilima da mogu percipirati koristeći samo kamere bez potrebe za LiDAR-ima i radarima. Ovo je istraživačka ambicija koju želimo postići. Dok smo to postigli, osigurali smo i da imamo najbrži algoritam na svijetu za bilo koji zajednički zadatak.
U percepciji imamo dva cilja. Prvo, algoritam bi trebao biti toliko sposoban da omogući autonomnim vozilima da percipiraju koristeći samo kamere i danju i noću. Proširili smo ovu sposobnost percepcije ne samo po danu već i noću, ne koristeći ništa osim farova u vozilu i uobičajenih RGB i NIR kamera koje se ne prodaju, vrsta kamera koje možete kupiti za 3000 Rs tržište.
Fokusiramo se