Tekniske giganter som Tesla og Google har gjort selvkjørende biler til det mye omtalte emnet blant tech-entusiaster. Ulike selskaper over hele verden jobber med å utvikle autonome kjøretøyer for forskjellige terreng.
For å gjøre tilkoblet autonom kjøringsteknologi tilgjengelig, rimelig og tilgjengelig for alle, ble Bhopal-baserte Swaayatt Robots med i vognen. Men med enorm kunnskap om all teknologien som er involvert i Autonomous Robotics, administrerende direktør i selskapet, etterlot Sanjeev Sharma mange teknologibedrifter i løpet. Siden 2009 har han forsket mye på og gjennomgått matematiske beregninger involvert i å komme med smarte løsninger for selvkjørende biler.
Vi fikk muligheten til å snakke med Mr. Sanjeev og kjenne til hver eneste bit av teknologien bak autonome kjøretøyer og roboter som Swaayatt Robots jobber med og deres fremtidige planer. Gå et hopp for å lese om hele samtalen vi hadde med ham. Alternativt kan du også se videoen nedenfor for å høre samtalen mellom redaktøren vår og Sanjeev selv
Spørsmål: Å gjøre autonom kjøreteknologi tilgjengelig og rimelig for alle er hovedoppdraget til Swaayatt Robots. Hvordan startet reisen?
Jeg har forsket på området autonom navigasjon de siste 11 årene nå. Tilbake i 2009 ble jeg inspirert av DARPA Grand Challengesdet skjedde i USA. Autonom kjøring ble målet for meg i løpet av disse årene. I mange år fortsatte jeg å undersøke og gjorde selvstudier spesielt om bevegelsesplanlegging og beslutningstaking under usikkerhet. Fokuset var å utnytte maskinlæring, forsterkningslæring og ulike teknikker optimalt. Jeg startet Swaayatt Robots i 2014, men det var ikke bare å bruke forskningen og studiene jeg hadde gjort de siste årene. Ved å bruke noen ideer i bevegelse og beslutningstaking, måtte jeg også løse oppfatningsplanleggings- og lokaliseringsproblemet. Jeg hadde bare forskningserfaring innen beslutningstaking og bevegelsesplanlegging. Men områdene med persepsjon og lokalisering var ganske nye for meg. Min enorme matematiske bakgrunn hjalp meg mye.
Når jeg begynte å utvikle de algoritmiske rammene for å muliggjøre autonom kjøring rundt 2015, innså jeg at dette kan være noe veldig stort, og vi kan virkelig løse problemet med autonom kjøring i veldig stokastiske motstridende trafikkscenarier. Og siden 2014 har jeg jobbet heltid med denne oppstarten. Spesielt forskningen min dekker flere grener, men spesielt er det viktigste for selskapet vårt å utvikle beslutnings- og bevegelsesplanleggingsalgoritmer som gjør det mulig for autonome kjøretøy å takle svært høye nivåer av stokastisitet i trafikkdynamikken. Det utgjør omtrent 65% til 70% av forskningen som skjer på Swaayatt Robots. Rundt 25% - 27% av forskningen går inn i persepsjonsområdet, som omfatter alle slags algoritmer som behandler sensordataene fra et kjøretøysrobot-system,og bygge 3d-representasjon av verden rundt den.
I oppfatningen er vi et av de få selskapene i verden som kan tillate autonome kjøretøyer å oppfatte miljøet ved hjelp av bare hyllekameraer som også fungerer om dagen og natten. Det er omtrent slik reisen har vært så langt.
Q. Du startet i 2014 for å validere ideene dine, og så tok du helt veien innen 2015. Så hva skal vi gjøre på dette ene året? Hvordan testet du at selvkjøring kan gjøres i India?
Autonom kjøring er en blanding av tre algoritmiske rørledninger satt sammen, nemlig. persepsjon, planlegging og lokalisering. Algoritmene tar sensoriske data, behandler dem og bygger en 3d-representasjon rundt et kjøretøy. Vi kaller dem persepsjonsalgoritmer. Lokaliseringsalgoritmer prøver å globalt nøyaktig bestemme kjøretøyets posisjon på veien. Slik jobbet roboter i akademiske omgivelser. I 2009 var denne modellen for autonom kjøring banebrytende av Google. Før et autonomt kjøretøy navigerer på en bestemt vei, må hele veien kartlegges i svært høy detalj i 3d. Vi kaller disse kartene, high fidelity-kart. Disse høykvalitets kartene lagrer veldig viktig informasjon om miljøet. De lagrer vanligvis alle de forskjellige typene avgrensere i miljøet.
Før det autonome kjøretøyet navigerer i et miljø, kartlegges hele miljøet på en veldig presis måte. Alle kjørefeltmarkører, veigrenser og enhver form for avgrensning i miljøet er faktisk lagret i denne typen høykvalitets kart.
Når kjøretøyet navigerer gjennom et miljø som du allerede har høykvalitets kart for, fanger du igjen dataene fra forskjellige sensorer på kjøretøyet og prøver å matche dataene med et referansekart du har bygget. Denne samsvarende prosessen gir deg en poseringsvektor som forteller deg hvor kjøretøyet er på planeten jorden og hva som er konfigurasjonen til kjøretøyet. Når du kjenner posisjonen og konfigurasjonen til kjøretøyet på veien, projiseres hele informasjonen du hadde lagret i high-fidelity-kartene oppå kjøretøyets nåværende konfigurasjon. Når du projiserer denne informasjonen, for eksempel veimerkere, kjørefeltmarkører og alle slags vegavgrensere eller miljøavgrensere; det autonome kjøretøyet vet hvor det er nå med hensyn til en bestemt avgrenser eller fra en bestemt kjørefeltmarkør. Så,dette er hva lokaliseringsalgoritmer gjør.
Det siste området med autonom kjøring er planlegging og beslutningstaking. Jo mer sofistikert og bedre planleggings- og beslutningsalgoritmer du har, desto mer dyktige vil ditt autonome kjøretøy være. For eksempel vil planleggings- og beslutningsalgoritmer skille selskaper fra å være på nivå to, nivå tre, nivå fire og nivå fem autonomi. Enhver algoritme som er ansvarlig for beslutningstaking eller planlegging av kjøretøyets bevegelse og oppførsel, er en planleggingsalgoritme.
Jo mer sofistikering du har i planleggingsalgoritmene, jo bedre blir kjøretøyet ditt. Flere bevegelsesplanleggere og beslutningstakere hjelper til med å evaluere sikkerheten til kjøretøyet og miljøet, hastigheten du navigerer med, omgivelsene til kjøretøyet og alle parametrene du kan beregne fra ditt miljø. Dette er hva planleggingsalgoritmer gjør.
Jeg har forsket på planleggingsområdet. Hvis du har den typen algoritmer som kan håndtere stokastisiteten i trafikkdynamikken i India. Hvis du kan takle det, og hvis du har algoritmer, har du bevist at hvis du bare kan bygge en oppfatnings- og lokaliseringsstabel, har du en fullverdig autonom kjøreteknologi.
Du trenger ikke å utvikle alle forskjellige algoritmer for å verifisere hva som fungerer best. Du trenger bare å bygge tre eller fire forskjellige algoritmer som du vet kommer til å løse det viktigste problemet i autonom kjøring. Sikkerhet er det viktigste problemet hvorfor du ikke ser kommersielle autonome kjøretøyer på veien. Kostnad og alle andre problemer er sekundære. Jeg kunne ha bygget hele oppstarten på bare en eller to algoritmer som lokalisering og kartlegging av autonom kjøring. Men målet mitt var å utvikle et fullverdig autonomt kjøretøy og ikke en eller to algoritmer her og der. Etter å ha bevist det viktigste aspektet innen planlegging og beslutningstaking ga meg tillit til å takle hele problemet med autonom kjøring generelt.
Spørsmål: Hvilket nivå av autonom kjøring jobber Swaayatt Robots med? Og hvilket nivå tror du er mulig i India?
Målet vårt er å oppnå autonomi på nivå 5 og å sikre at teknologien er trygg i slike miljøer. Vi er et sted mellom nivå tre og nivå fire. Noe av den algoritmiske forskningen vi gjør er i bevegelsesplanlegging og beslutningstaking som er rettet mot nivå fem.
Vi jobber også med å gjøre det mulig for autonome kjøretøy å kunne krysse krysset i topptrafikk timer uten trafikklys. Vi satser på å oppnå autonomi på femte nivå ved å gjøre det mulig for autonome kjøretøyer å håndtere trangt rom med svært stokastisk trafikk. Vi har kjørt autonom kjøring i et veldig trangt miljø når et kjøretøy eller en sykkel kom fra motsatt side også. På POC-nivå har vi oppnådd mellom tre og fire nivåer. Vi har allerede slått POC-ene for autonomi på fire nivåer ved å gjennomføre eksperimenter i svært stokastisk trafikk med trange rom. Vårt nåværende mål er å oppnå 101 kilometer i timen autonom kjøring på indiske veier.
Når du har bevist sikkerheten til kjøretøyet i slike miljøer, kan du ta teknologien din og bruke den hvor som helst ellers som i Nord-Amerika og Europa der trafikken er mye mer strukturert, der miljøene også er mye strengere sammenlignet med indianeren miljøer. Så India er per nå en testplass for oss for å bevise at vi har noe som ingen andre har gjort for øyeblikket.
Spørsmål: Hvor mye har Swaayatt Robots utviklet seg med å utvikle en løsning for autonom kjøring? Hvilket bilnivå jobber du for tiden med?
Foreløpig har vi verdens raskeste bevegelsesplanleggingsalgoritme som kan planlegge nesten optimale tidsparameteriserte baner for et autonomt kjøretøy på 500 mikrosekunder. Så algoritmen fungerer omtrent på 2000 hertz. Vi har teknologien som muliggjør autonom kjøring på opptil 80 kilometer i timen på indiske motorveier. Å oppnå den slags hastighet på indiske motorveier er veldig utfordrende. Vanligvis, hvis du kan gjøre det, kan du også ta det med andre steder. Du kan bruke den i utenlandstrafikk, og i utgangspunktet er du veldig nær nivå fire. For å gi deg en ide, har vi jobbet med det vi kaller analyse og forhandling av flere agenter. Dette rammeverket gjør at kjøretøyet vårt ikke bare kan beregne sannsynligheten for intensjonen til andre kjøretøyer eller agenter på veien.Det kan beregne sannsynlighetene for hele banesettene som andre agenter eller kjøretøyer eller hindringer i miljøet ikke kan. Imidlertid er denne evnen alene ikke tilstrekkelig. For eksempel kan du bygge et veldig beregningsmessig krevende system som kan forutsi fremtidige bevegelsesbaner og kanskje beregne sannsynlighetene for alle banesettene til forskjellige kjøretøyer. Det er her du må fokusere, dvs. også på beregningskravet. Beregningskravet i dette problemet med analyse og forhandlinger med flere agenter og intensjoner vil vokse eksponentielt hvis du ikke har gjort noen undersøkelser, ikke har brukt matematikken riktig eller hvis du ikke har designet dem riktig. Jeg undersøker noen av begrepene fra anvendt matematikk, spesielt innen topologisk teori. Jeg bruker noen av konseptene som homotopikart,som gjør at vår teknologi kan skalere beregningene. I det minste fra nå av er det overlinjært når det gjelder antall agenter i motsetning til den eksponentielle sprengningen du vil støte på hvis du ikke har utarbeidet matematikken bak algoritmene riktig.
Rammeverket for forhandlingsanalyse med flere agenter er videre delt inn i to forskjellige grener som vi for tiden jobber med. Den ene er TSN (Tight Space Negotiator Framework) og den andre er forbikjøringsmodellen. TSN lar de autonome kjøretøyene forhandle om både trange omgivelser og stokastisk trafikk, både ved lave og høye hastigheter. Så høy hastighet ville være veldig nyttig for rotete stokastiske trafikkscenarier på motorveien, og lav hastighet ville være veldig nyttig når kjøretøyet navigerer i et urbane scenario, hvor du ofte møter de tetteste gatene med for mye trafikk og støy i trafikken, noe som betyr at er for mye usikkerhet i trafikkdynamikken.
Vi har allerede jobbet med dette de siste to og et halvt årene, og vi har allerede utviklet det i form av POC. Noen av delene av disse rammene som jeg snakker om, kan vises i demonstrasjonen i vårt neste eksperiment som vil være rettet mot å oppnå 101 kilometer i timen som fungerer på indiske veier.
Videre har vi også forsket på forskjellige grener av AI. Vi bruker sterkt lærlinglæring, invers forsterkningslæring. Så vi jobber for tiden med å gjøre det mulig for autonome kjøretøy å kjøre forbi på typiske tofeltsveier akkurat som indiske sjåfører gjør. Vi viser både i simulering og i den virkelige verden i størst mulig grad med begrenset finansiering. Dette er noen av forskningsområdene vi allerede har bevist på bakken, og noen av dem kommer til å bli bevist de neste månedene.
Bortsett fra det, er vi et av de eneste selskapene i verden som kan muliggjøre autonom kjøring i helt ukjente og usynlige omgivelser som det ikke er noen høykvalitets kart i det hele tatt. Vi kan aktivere autonom kjøring uten bruk av høykvalitets kart. Vi jobber med å fullstendig utrydde behovet for high fidelity-kart, og denne utryddelsen er muliggjort av to av våre viktigste teknologier. TSN-rammeverket vårt er laget for å sette et nytt regelverk.
Q. Snakker om maskinvarearkitekturen, hva slags maskinvare bruker du til beregningsformålet ditt. Hva slags sensorer og kameraer bruker du også til å kartlegge den virkelige verden på dine autonome kjøretøy?
Per nå bruker vi bare hyllekameraer. Hvis du ser vår demo for et autonomt kjøretøy, vil du merke at vi ikke hadde brukt mer enn et 3000 Rs-kamera. Hvis du ser på oppfatningsforskningen som skjer over hele verden med de autonome selskapene eller robotselskapene for den saks skyld, bruker de alle tre forskjellige sensorer som kameraer, LiDARer og radarer. Foreløpig har alle våre autonome kjøreeksperimenter bare skjedd ved bruk av kameraer. Da jeg startet selskapet hadde jeg bare ekspertise innen planlegging, men siden 2016 innså jeg at toppmoderne forskningsartikler uansett laboratorier over hele verden jobber med; det fungerer bare ikke i den virkelige verden. Hvis de jobber, er de for beregningsintensive, og de fungerer bare ikke. Så,Jeg tok også oppfatning som mitt primære forskningsområde, og jeg brukte rundt 25% - 27% av tiden min på å gjøre persepsjonsforskning. Nå er forskningsmålet for vårt selskap å gjøre det mulig for autonome kjøretøy å kunne oppfatte å bruke bare kameraene uten behov for LiDAR-er og radarer. Dette er en forskningsambisjon som vi ønsker å oppnå. Mens vi oppnådde det, har vi også sørget for at vi har verdens raskeste algoritme for enhver felles oppgave.
Vi har to mål i oppfatningen. En, algoritmen skal være så dyktig at de gjør det mulig for autonome kjøretøy å oppfatte bare kameraer både dag og natt. Vi har utvidet denne oppfatningsfunksjonen ikke bare for dagtid, men også om natten ved å bruke annet enn billyset og vanlige RGB- og NIR-kameraer, den typen kameraer du kan kjøpe for 3000 R marked.
Vi fokuserer