Tech-Giganten wie Tesla und Google haben selbstfahrende Fahrzeuge zum viel diskutierten Thema unter Tech-Enthusiasten gemacht. Verschiedene Unternehmen auf der ganzen Welt arbeiten daran, autonom fahrende Fahrzeuge für verschiedene Gebiete zu entwickeln.
Um vernetzte autonome Fahrtechnologien für jedermann zugänglich, erschwinglich und verfügbar zu machen, haben sich die in Bhopal ansässigen Swaayatt Robots dem Zug angeschlossen. Mit immensem Wissen über alle Technologien von Autonomous Robotics, dem CEO des Unternehmens, ließ Sanjeev Sharma jedoch viele Technologieunternehmen im Rennen zurück. Seit 2009 forscht er viel und unterzieht sich mathematischen Berechnungen, um intelligente Lösungen für selbstfahrende Autos zu entwickeln.
Wir hatten die Gelegenheit, mit Herrn Sanjeev zu sprechen und die Technologie hinter autonomen Fahrzeugen und Robotik, an der Swaayatt Robots arbeitet, und ihre Zukunftspläne kennenzulernen. Treffen Sie einen Sprung, um das gesamte Gespräch zu lesen, das wir mit ihm geführt haben. Alternativ können Sie sich auch das folgende Video ansehen, um das Gespräch zwischen unserem Redakteur und Sanjeev selbst zu hören
Q. Autonome Fahrtechnik für jedermann zugänglich und erschwinglich zu machen, ist die Hauptaufgabe von Swaayatt Robots. Wie hat die Reise begonnen?
Ich forsche seit 11 Jahren auf dem Gebiet der autonomen Navigation. Im Jahr 2009 wurde ich von den DARPA Grand Challenges inspiriertdas ist in den USA passiert. Autonomes Fahren wurde in diesen Jahren mein Ziel. Über viele Jahre habe ich weiter geforscht und Selbststudien speziell zur Bewegungsplanung und Entscheidungsfindung unter Unsicherheiten durchgeführt. Der Schwerpunkt lag auf der optimalen Nutzung des maschinellen Lernens, des verstärkten Lernens und verschiedener Techniken. Ich habe Swaayatt Robots im Jahr 2014 gestartet, aber es ging nicht nur darum, die Forschung und die Studien anzuwenden, die ich in den letzten Jahren durchgeführt hatte. Mit einigen Ideen in Bewegung und Entscheidungsfindung musste ich auch das Problem der Wahrnehmungsplanung und -lokalisierung lösen. Ich hatte Forschungserfahrung nur im Bereich Entscheidungsfindung und Bewegungsplanung. Aber die Bereiche Wahrnehmung und Lokalisierung waren für mich ziemlich neu. Mein enormer mathematischer Hintergrund hat mir sehr geholfen.
Als ich anfing, die algorithmischen Frameworks zu entwickeln, um autonomes Fahren um 2015 zu ermöglichen, wurde mir klar, dass dies etwas sehr Großes sein kann und wir das Problem des autonomen Fahrens in sehr stochastischen konträren Verkehrsszenarien wirklich lösen können. Und seit 2014 arbeite ich Vollzeit an diesem Startup. Meine Forschung deckt insbesondere mehrere Branchen ab, aber insbesondere liegt der Schwerpunkt unseres Unternehmens auf der Entwicklung von Entscheidungs- und Bewegungsplanungsalgorithmen, die es autonomen Fahrzeugen ermöglichen, mit einem sehr hohen Grad an Stochastizität in der Verkehrsdynamik umzugehen. Das sind ungefähr 65% bis 70% der Forschung, die bei Swaayatt Robots durchgeführt wird. Rund 25% - 27% der Forschung befassen sich mit dem Bereich der Wahrnehmung, der alle Arten von Algorithmen umfasst, die die Sensordaten eines Fahrzeugrobotersystems verarbeiten.und bauen 3D-Darstellung der Welt um ihn herum.
In der Wahrnehmung sind wir eines der wenigen Unternehmen auf der Welt, das es autonomen Fahrzeugen ermöglicht, die Umwelt nur mit handelsüblichen Kameras wahrzunehmen, die auch tagsüber und nachts funktionieren. So war die Reise bisher ungefähr.
Frage: Sie haben 2014 begonnen, Ihre Ideen zu validieren, und sind dann bis 2015 vollständig auf dem richtigen Weg. Was sollen wir also in diesem einen Jahr tun? Wie haben Sie getestet, dass Selbstfahren in Indien möglich ist?
Autonomes Fahren ist die Mischung aus drei algorithmischen Pipelines, die zusammengesetzt sind. Wahrnehmung, Planung und Lokalisierung. Die Algorithmen nehmen die sensorischen Daten auf, verarbeiten sie und erstellen eine 3D-Darstellung um ein Fahrzeug. Wir nennen sie Wahrnehmungsalgorithmen. Lokalisierungsalgorithmen versuchen, die Position des Fahrzeugs auf der Straße global genau zu bestimmen. So arbeiteten Roboter in akademischen Umgebungen. Im Jahr 2009 wurde dieses Modell des autonomen Fahrens von Google entwickelt. Bevor ein autonomes Fahrzeug auf einer bestimmten Straße fährt, muss die gesamte Straße in 3D sehr detailliert abgebildet werden. Wir nennen diese Karten High-Fidelity-Karten. Diese Karten mit hoher Wiedergabetreue speichern einige sehr wichtige Informationen über die Umgebung. Sie speichern normalerweise alle Arten von Trennzeichen in der Umgebung.
Bevor das autonome Fahrzeug in einer Umgebung navigiert, wird die gesamte Umgebung sehr genau abgebildet. Alle Fahrspurmarkierungen, Straßengrenzen und alle Arten von Begrenzern in der Umgebung werden tatsächlich in solchen High-Fidelity-Karten gespeichert.
Wenn das Fahrzeug durch eine Umgebung navigiert, für die Sie bereits High-Fidelity-Karten haben, erfassen Sie erneut die Daten von verschiedenen Sensoren am Fahrzeug und versuchen, die Daten mit einer von Ihnen erstellten Referenzkarte abzugleichen. Dieser Abgleichprozess gibt Ihnen einen Posenvektor, der Ihnen sagt, wo sich das Fahrzeug auf dem Planeten Erde befindet und wie das Fahrzeug konfiguriert ist. Sobald Sie die Position und die Konfiguration des Fahrzeugs auf der Straße kennen, werden die gesamten Informationen, die Sie in den High-Fidelity-Karten gespeichert haben, über die aktuelle Konfiguration des Fahrzeugs projiziert. Wenn Sie diese Informationen wie Straßenmarkierungen, Fahrspurmarkierungen und jede Art von Straßen- oder Umgebungsbegrenzer projizieren; Das autonome Fahrzeug weiß, wo es sich jetzt in Bezug auf einen bestimmten Begrenzer oder von einer bestimmten Fahrspurmarkierung befindet. Damit,Dies ist, was Lokalisierungsalgorithmen tun.
Der letzte Bereich des autonomen Fahrens ist die Planung und Entscheidungsfindung. Je ausgefeilter und besser Ihre Planungs- und Entscheidungsalgorithmen sind, desto leistungsfähiger wird Ihr autonomes Fahrzeug. Zum Beispiel unterscheiden Planungs- und Entscheidungsalgorithmen Unternehmen von der Autonomie der Stufen zwei, drei, vier und fünf. Jeder Algorithmus, der für die Entscheidungsfindung oder Planung der Bewegung und des Verhaltens des Fahrzeugs verantwortlich ist, ist ein Planungsalgorithmus.
Je ausgefeilter Ihre Planungsalgorithmen sind, desto besser wird Ihr Fahrzeug. Mehrere Bewegungsplaner und Entscheidungsträger helfen bei der Bewertung der Sicherheit des Fahrzeugs und der Umgebung, der Geschwindigkeit, mit der Sie navigieren, der Umgebung des Fahrzeugs und aller Parameter, die Sie aus Ihrer Umgebung berechnen können. Dies ist, was Planungsalgorithmen tun.
Ich habe auf dem Gebiet der Planung geforscht. Wenn Sie über Algorithmen verfügen, die mit der Stochastizität der Verkehrsdynamik in Indien umgehen können. Wenn Sie damit umgehen können und über Algorithmen verfügen, haben Sie bewiesen, dass Sie über eine vollwertige autonome Fahrtechnologie verfügen, wenn Sie nur einen Wahrnehmungs- und Lokalisierungsstapel erstellen können.
Sie müssen nicht alle verschiedenen Algorithmen entwickeln, um zu überprüfen, was am besten funktioniert. Sie müssen nur drei oder vier verschiedene Algorithmen erstellen, von denen Sie wissen, dass sie das Schlüsselproblem beim autonomen Fahren lösen. Sicherheit ist das Hauptproblem, warum Sie keine autonomen Nutzfahrzeuge auf der Straße sehen. Kosten und alle anderen Probleme sind zweitrangig. Ich hätte das gesamte Startup auf nur ein oder zwei Algorithmen wie dem Lokalisierungs- und Mapping-Aspekt des autonomen Fahrens aufbauen können. Mein Ziel war es jedoch, hier und da ein vollwertiges autonomes Fahrzeug zu entwickeln und nicht ein oder zwei Algorithmen. Nachdem ich den Schlüsselaspekt im Bereich Planung und Entscheidungsfindung bewiesen hatte, gab ich mir das Vertrauen, das gesamte Problem des autonomen Fahrens insgesamt anzugehen.
Frage: An welchem Grad an autonomem Fahren arbeiten Swaayatt-Roboter? Und welches Niveau halten Sie in Indien für möglich?
Unser Ziel ist es, Autonomie der Stufe 5 zu erreichen und sicherzustellen, dass die Technologie in solchen Umgebungen sicher ist. Wir sind irgendwo zwischen Level drei und Level vier. Einige der algorithmischen Forschungen, die wir durchführen, befassen sich mit Bewegungsplanung und Entscheidungsfindung, die auf Stufe fünf abzielen.
Wir arbeiten auch daran, autonomen Fahrzeugen zu ermöglichen, die Kreuzung zu Stoßzeiten ohne Ampel zu überqueren. Wir streben eine Autonomie der Stufe fünf an, indem wir autonomen Fahrzeugen ermöglichen, auf engstem Raum mit stark stochastischem Verkehr umzugehen. Wir haben autonom in einer sehr engen Umgebung gefahren, als ein Fahrzeug oder ein Fahrrad auch vom anderen Ende kam. Auf POC-Ebene haben wir zwischen drei und vier Ebenen erreicht. Wir haben die POCs bereits auf Autonomie der Stufe vier umgestellt, indem wir Experimente im hochstochastischen Verkehr mit engen Räumen durchgeführt haben. Unser aktuelles Ziel ist es, auf indischen Straßen eine Autonomie von 101 Stundenkilometern zu erreichen.
Sobald Sie die Sicherheit des Fahrzeugs in solchen Umgebungen bewiesen haben, können Sie Ihre Technologie überall einsetzen, beispielsweise in Nordamerika und Europa, wo der Verkehr viel strukturierter ist und die Umgebungen im Vergleich zum indischen auch viel strenger sind Umgebungen. Indien ist ab sofort ein Testfeld für uns, um zu beweisen, dass wir etwas haben, was derzeit noch niemand getan hat.
Frage: Wie weit sind die Swaayatt-Roboter bei der Entwicklung einer autonomen Fahrlösung fortgeschritten? An welchem Fahrniveau arbeiten Sie gerade?
Derzeit verfügen wir über den weltweit schnellsten Bewegungsplanungsalgorithmus, mit dem nahezu optimale zeitparametrisierte Trajektorien für ein autonomes Fahrzeug in 500 Mikrosekunden geplant werden können. Der Algorithmus arbeitet also ungefähr bei 2000 Hertz. Wir verfügen über die Technologie, um auf indischen Autobahnen bis zu 80 Stundenkilometer autonom fahren zu können. Diese Geschwindigkeit auf indischen Autobahnen zu erreichen, ist eine große Herausforderung. Wenn Sie das können, können Sie es normalerweise auch woanders hinbringen. Sie können es im Auslandsverkehr anwenden und sind im Grunde sehr nahe an Stufe vier. Um Ihnen eine Vorstellung zu geben, haben wir an einer so genannten Multi-Agent-Intent-Analyse und -Verhandlung gearbeitet. Dieser Rahmen ermöglicht es unserem Fahrzeug, nicht nur die Wahrscheinlichkeit der Absichten anderer Fahrzeuge oder Agenten auf der Straße zu berechnen.Es kann die Wahrscheinlichkeiten der gesamten Pfadmengen berechnen, die andere Agenten oder Fahrzeuge oder Hindernisse in der Umgebung nicht können. Diese Fähigkeit allein reicht jedoch nicht aus. Sie können beispielsweise ein sehr rechenintensives System erstellen, das die zukünftigen Bewegungsbahnen vorhersagen und möglicherweise die Wahrscheinlichkeiten aller Pfadsätze verschiedener Fahrzeuge berechnen kann. Hier müssen Sie sich also auch auf die Rechenanforderungen konzentrieren. Der Rechenaufwand für dieses Problem der Analyse und Verhandlung von Absichten mit mehreren Agenten wird exponentiell zunehmen, wenn Sie keine Nachforschungen angestellt, die Mathematik nicht richtig verwendet oder sie nicht richtig entworfen haben. Ich erforsche einige Konzepte aus der angewandten Mathematik, insbesondere im Bereich der topologischen Theorie. Ich verwende einige der Konzepte wie Homotopiekarten,die es unserer Technologie ermöglichen, die Berechnungen zu skalieren. Zumindest ab sofort ist es in Bezug auf die Anzahl der Agenten superlinear, im Gegensatz zu der exponentiellen Explosion, die auftreten würde, wenn Sie die Mathematik hinter den Algorithmen nicht richtig ausgearbeitet hätten.
Das Verhandlungsframework für die Multi-Agent-Intent-Analyse ist weiter in zwei verschiedene Zweige unterteilt, an denen wir derzeit arbeiten. Eines ist das TSN (Tight Space Negotiator Framework) und das andere ist das Überholmodell. TSN ermöglicht es den autonomen Fahrzeugen, sowohl die engen Umgebungen als auch den stochastischen Verkehr sowohl bei niedrigen als auch bei hohen Geschwindigkeiten zu bewältigen. Eine hohe Geschwindigkeit wäre daher sehr nützlich für stochastische Verkehrsszenarien mit überfüllten Autobahnen, und die niedrige Geschwindigkeit wäre sehr nützlich, wenn das Fahrzeug in einem städtischen Szenario fährt, in dem Sie häufig auf die engsten Straßen mit zu viel Verkehr und Lärm im Verkehr stoßen, was dort bedeutet ist zu viel Unsicherheit in der Verkehrsdynamik.
Daran haben wir bereits seit zweieinhalb Jahren gearbeitet und es bereits in Form von POC entwickelt. Einige der Teile dieser Frameworks, über die ich spreche, könnten in der Demo in unserem nächsten Experiment gezeigt werden, das darauf abzielt, 101 Stundenkilometer auf indischen Straßen zu erreichen.
Darüber hinaus haben wir auch in verschiedenen Bereichen der KI geforscht. Wir setzen stark auf Lehrlingsausbildung und inverses Bestärkungslernen. Daher arbeiten wir derzeit daran, autonomen Fahrzeugen das Überholen auf typischen zweispurigen Straßen zu ermöglichen, so wie es indische Fahrer tun. Wir beweisen sowohl in der Simulation als auch in der realen Welt, soweit dies mit begrenzten Mitteln möglich ist. Dies sind einige der Forschungsbereiche, die wir bereits vor Ort bewiesen haben, und einige davon werden in den nächsten Monaten bewiesen.
Abgesehen davon sind wir eines der wenigen Unternehmen auf der Welt, das autonomes Fahren in völlig unbekannten und unsichtbaren Umgebungen ermöglichen kann, für die es überhaupt keine High-Fidelity-Karten gibt. Wir können autonomes Fahren ohne die Verwendung von High-Fidelity-Karten ermöglichen. Wir sind im Geschäft, die Notwendigkeit von High-Fidelity-Karten vollständig zu beseitigen, und diese Beseitigung wird durch zwei unserer Schlüsseltechnologien ermöglicht. Unser TSN-Rahmen soll einen neuen regulatorischen Maßstab setzen.
Frage: Welche Art von Hardware verwenden Sie für Ihren Rechenzweck, wenn Sie über die Hardwarearchitektur sprechen? Welche Art von Sensoren und Kameras verwenden Sie, um die reale Welt auf Ihren autonomen Fahrzeugen abzubilden?
Ab sofort verwenden wir nur noch Standardkameras. Wenn Sie unsere Demo für ein autonomes Fahrzeug sehen, werden Sie feststellen, dass wir nur eine 3000-Rs-Kamera verwendet haben. Wenn Sie sich die Wahrnehmungsforschung ansehen, die weltweit mit autonomen Unternehmen oder Robotikunternehmen durchgeführt wird, verwenden sie alle drei verschiedenen Sensoren wie Kameras, LiDARs und Radargeräte. Derzeit wurden alle unsere autonomen Fahrversuche nur mit Kameras durchgeführt. Als ich das Unternehmen gründete, hatte ich nur Erfahrung in der Planung, aber seit 2016 stellte ich fest, dass hochmoderne Forschungsarbeiten in allen Labors auf der ganzen Welt arbeiten. In der realen Welt funktioniert es einfach nicht. Wenn sie funktionieren, sind sie zu rechenintensiv und funktionieren einfach nicht. Damit,Ich nahm die Wahrnehmung auch als mein Hauptforschungsgebiet und widmete ungefähr 25% - 27% meiner Zeit der Wahrnehmungsforschung. Das Forschungsziel unseres Unternehmens ist es nun, autonomen Fahrzeugen zu ermöglichen, nur mit den Kameras wahrzunehmen, ohne dass LiDARs und Radargeräte erforderlich sind. Dies ist ein Forschungsziel, das wir erreichen wollen. Dabei haben wir auch sichergestellt, dass wir den weltweit schnellsten Algorithmus für jede gemeinsame Aufgabe haben.
Wir haben zwei Ziele in der Wahrnehmung. Erstens sollte der Algorithmus so leistungsfähig sein, dass autonome Fahrzeuge Tag und Nacht nur mit Kameras wahrnehmen können. Wir haben diese Wahrnehmungsfähigkeit nicht nur für den Tag, sondern auch für die Nacht erweitert, indem wir nur den Scheinwerfer des Fahrzeugs und normale handelsübliche RGB- und NIR-Kameras verwenden, die Sie für 3000 Rs im Internet kaufen können Markt.
Wir fokusieren