Tech-giganter som Tesla og Google har gjort selvkørende køretøjer til det meget omtalte emne blandt tech-entusiaster. Forskellige virksomheder over hele kloden arbejder på at udvikle autonome køretøjer til forskellige terræn.
For at gøre tilsluttet autonom kørselsteknologi tilgængelig, overkommelig og tilgængelig for alle, sluttede Bhopal-baserede Swaayatt Robots sig til vognen. Men med enorm kendskab til al den teknologi, der er involveret i Autonomous Robotics, administrerende direktør for virksomheden, efterlod Mr. Sanjeev Sharma mange teknologivirksomheder i løbet. Siden 2009 har han forsket meget og gennemgået matematiske beregninger involveret i at komme med smarte løsninger til selvkørende biler.
Vi fik muligheden for at tale med Mr. Sanjeev og kende hver eneste bit af teknologien bag autonome køretøjer og robotteknologi, som Swaayatt Robots arbejder på, og deres fremtidige planer. Slå et spring for at læse om hele samtalen, vi havde med ham. Alternativt kan du også se videoen nedenfor for at høre samtalen mellem vores redaktør og Sanjeev selv
Spørgsmål: At gøre autonom kørselsteknologi tilgængelig og overkommelig for alle er Swaayatt Robots vigtigste mission. Hvordan startede rejsen?
Jeg har forsket inden for området autonom navigation i de sidste 11 år nu. Tilbage i 2009 blev jeg inspireret af DARPA Grand Challengesder skete i USA. Autonom kørsel blev mit mål i disse år. I mange år fortsatte jeg med at undersøge og foretog selvstudier specifikt om bevægelsesplanlægning og beslutningstagning under usikkerhed. Fokus var på at gøre optimal brug af maskinindlæring, forstærkningslæring og forskellige teknikker. Jeg startede Swaayatt Robots i 2014, men det var ikke bare at anvende den forskning og de undersøgelser, som jeg havde udført de sidste par år. Ved at anvende nogle ideer i bevægelse og beslutningstagning måtte jeg også løse opfattelsesplanlægnings- og lokaliseringsproblemet. Jeg havde kun forskningserfaring inden for beslutningstagning og bevægelsesplanlægning. Men områderne med opfattelse og lokalisering var ret nye for mig. Min enorme matematiske baggrund hjalp mig meget.
Da jeg først begyndte at udvikle de algoritmiske rammer for at muliggøre autonom kørsel omkring 2015, indså jeg, at dette kan være noget meget stort, og vi kan virkelig løse problemet med autonom kørsel i meget stokastiske kontradiktoriske scenarier. Og siden 2014 har jeg arbejdet på fuld tid med denne opstart. Min forskning dækker især flere grene, men især er det meste af vores virksomheds fokus at udvikle beslutningstagnings- og bevægelsesplanlægningsalgoritmer, der gør det muligt for autonome køretøjer at håndtere meget høje niveauer af stokasticitet i trafikdynamikken. Det svarer til ca. 65% til 70% af den forskning, der sker hos Swaayatt Robots. Cirka 25% - 27% af forskningen går ind i opfattelsesområdet, som omfatter alle mulige algoritmer, der behandler sensordataene fra et køretøjsrobotsystem,og opbygge 3d-repræsentation af verden omkring det.
I opfattelsen er vi en af de meget få virksomheder i verden, der kan tillade, at autonome køretøjer opfatter miljøet ved kun at bruge kameraer, der ikke er hylder, der også fungerer dag og nat. Sådan er rejsen hidtil.
Q. Du startede i 2014 med at validere dine ideer, og så kom du helt i vejen inden 2015. Så hvad skal vi gøre i det ene år? Hvordan testede du, at selvkørsel kan udføres i Indien?
Autonom kørsel er blandingen af tre algoritmiske rørledninger sammensat, nemlig. opfattelse, planlægning og lokalisering. Algoritmerne tager sensoriske data, behandler dem og bygger en 3d-repræsentation omkring et køretøj. Vi kalder dem opfattelsesalgoritmer. Lokaliseringsalgoritmer forsøger globalt nøjagtigt at bestemme køretøjets position på vejen. Sådan arbejdede robotter tidligere i akademiske omgivelser. I 2009 var denne model for autonom kørsel banebrydende af Google. Før et autonomt køretøj navigerer på en bestemt vej, skal hele vejen kortlægges i meget høje detaljer i 3d. Vi kalder disse kort, high fidelity-kort. Disse high fidelity-kort gemmer nogle meget vigtige oplysninger om miljøet. De gemmer typisk alle de forskellige slags afgrænsere i miljøet.
Før det autonome køretøj navigerer i et miljø, kortlægges hele miljøet på en meget præcis måde. Alle banemarkører, vejgrænser og enhver form for afgrænsning i miljøet er faktisk gemt i denne slags high fidelity-kort.
Når køretøjet navigerer gennem et miljø, hvor du allerede har high-fidelity-kort, registrerer du igen dataene fra forskellige sensorer på køretøjet og prøver at matche dataene med et referencekort, du har bygget. Denne matchingsproces giver dig en posevektor, der fortæller dig, hvor køretøjet er på planeten jorden, og hvad der er konfigurationen af køretøjet. Når du kender køretøjets position og konfiguration på vej, projiceres hele den information, du havde gemt i high-fidelity-kortene, oven på køretøjets aktuelle konfiguration. Når du projicerer disse oplysninger som vejmarkører, banemarkører og enhver form for vejafgrænser eller miljøafgrænser; det autonome køretøj ved, hvor det nu er med hensyn til en bestemt afgrænser eller fra en bestemt banemarkør. Så,dette er hvad lokaliseringsalgoritmer gør.
Det sidste område med autonom kørsel er planlægning og beslutningstagning. Jo mere sofistikeret og bedre planlægnings- og beslutningstagningsalgoritmerne du har, jo mere kapabel vil dit autonome køretøj være. F.eks. Vil algoritmer til planlægning og beslutningstagning skelne mellem virksomheder og selvstændighed på niveau to, niveau tre, niveau fire og niveau fem. Enhver algoritme, der er ansvarlig for beslutningstagning eller planlægning af køretøjets bevægelse og opførsel, er en planlægningsalgoritme.
Jo mere sofistikeret du har i planlægningsalgoritmerne, jo bedre bliver dit køretøj. Flere bevægelsesplanlæggere og beslutningstagere hjælper med at evaluere køretøjets og miljøets sikkerhed, den hastighed, hvormed du navigerer, køretøjets omgivelser og alle de parametre, du kan beregne ud fra dit miljø. Dette er hvad planlægningsalgoritmer gør.
Jeg har forsket inden for planlægningsområdet. Hvis du har den slags algoritmer, der kan håndtere stokasticiteten i trafikdynamikken i Indien. Hvis du kan håndtere det, og hvis du har algoritmer, har du bevist, at hvis du bare kan opbygge en opfattelses- og lokaliseringsstak, har du en fuldgyldig autonom kørselsteknologi.
Du behøver ikke at udvikle alle forskellige algoritmer for at kontrollere, hvad der fungerer bedst. Du skal bare opbygge tre eller fire forskellige algoritmer, som du ved, vil løse det centrale problem i autonom kørsel. Sikkerhed er det primære spørgsmål, hvorfor du ikke ser autonome kommercielle køretøjer på vej. Omkostninger og alle andre problemer er sekundære. Jeg kunne have bygget hele opstarten på kun en eller to algoritmer som lokaliserings- og kortlægningsaspektet ved autonom kørsel. Men mit mål var at udvikle et fuldt ud autonomt køretøj og ikke en eller to algoritmer her og der. Efter at have bevist det centrale aspekt inden for planlægning og beslutningstagning gav mig tillid til at tackle hele problemet med autonom kørsel generelt.
Q. Hvilket niveau af autonom kørsel arbejder Swaayatt Robots på? Og hvilket niveau tror du er muligt i Indien?
Vores mål er at opnå autonomi på niveau 5 og at sikre, at teknologien er sikker i denne slags miljøer. Vi er et sted mellem niveau tre og niveau fire. Noget af den algoritmiske forskning, vi laver, er i bevægelsesplanlægning og beslutningstagning, der er målrettet mod niveau fem.
Vi arbejder også på at gøre det muligt for autonome køretøjer at være i stand til at krydse krydset i peak trafik timer uden trafiklys. Vi sigter mod at opnå niveau fem autonomi ved at gøre det muligt for autonome køretøjer at håndtere stramt rum med meget stokastisk trafik. Vi har kørt autonom kørsel i et meget stramt miljø, når et køretøj eller en cykel også kom fra den modsatte ende. På POC-niveau har vi opnået mellem tre og fire niveauer. Vi har allerede vendt POC'erne til niveau fire autonomi ved at udføre eksperimenter i meget stokastisk trafik med trange rum. Vores nuværende mål er at opnå 101 kilometer i timen autonom kørsel på indiske veje.
Når du har bevist køretøjets sikkerhed i disse miljøer, kan du tage din teknologi og anvende den andre steder som i Nordamerika og Europa, hvor trafikken er meget mere struktureret, hvor miljøer også er meget strengere sammenlignet med indianeren miljøer. Så nu er Indien et teststed for os for at bevise, at vi har noget, som ingen andre har gjort i øjeblikket.
Spørgsmål: Hvor meget har Swaayatt-robotter udviklet sig til at udvikle en løsning med autonom kørsel? Hvilket niveau for kørsel arbejder du i øjeblikket på?
I øjeblikket har vi verdens hurtigste algoritme til bevægelsesplanlægning, der kan planlægge næsten optimale tidsparameteriserede baner til et autonomt køretøj på 500 mikrosekunder. Så algoritmen fungerer omtrent ved 2000 hertz. Vi har teknologien til at muliggøre autonom kørsel op til 80 kilometer i timen på indiske motorveje. At opnå den slags hastighed på indiske motorveje er meget udfordrende. Typisk, hvis du kan gøre det, kan du også tage det andre steder. Du kan anvende det i udenlandsk trafik, og dybest set er du meget tæt på niveau fire. For at give dig en idé har vi arbejdet med det, vi kalder multi-agent hensigtsanalyse og forhandling. Denne ramme gør det muligt for vores køretøj ikke kun at beregne sandsynligheden for andre køretøjers eller agenters intentioner på vej.Det kan beregne sandsynlighederne for hele stilsæt, som andre agenter eller køretøjer eller forhindringer i miljøet ikke kan. Denne kapacitet alene er imidlertid ikke tilstrækkelig. For eksempel kan du opbygge et meget beregningsmæssigt krævende system, der kan forudsige de fremtidige bevægelsesbaner og måske beregne sandsynligheden for alle stisæt for forskellige køretøjer. Det er her, du skal fokusere, dvs. også på beregningskravet. Den beregningsmæssige efterspørgsel i dette problem med analyser og forhandlinger med flere agentintentioner vil vokse eksponentielt, hvis du ikke har gjort nogen forskning, ikke har brugt matematikken korrekt eller hvis du ikke har designet dem korrekt. Jeg undersøger nogle af begreberne fra anvendt matematik, specielt inden for topologisk teori. Jeg bruger nogle af begreberne som homotopikort,som gør det muligt for vores teknologi at skalere beregningerne. I det mindste lige nu er det superlinear med hensyn til antallet af agenter i modsætning til den eksponentielle sprængning, som du ville støde på, hvis du ikke har udarbejdet matematikken bag algoritmerne korrekt.
Forhandlingsrammen for multi-agent hensigtsanalyse er yderligere opdelt i to forskellige grene, som vi i øjeblikket arbejder på. Den ene er TSN (Tight Space Negotiator Framework) og den anden er forbikørselsmodellen. TSN giver de autonome køretøjer mulighed for at forhandle både om de stramme omgivelser og den stokastiske trafik, både ved lave og høje hastigheder. Så høj hastighed ville være meget nyttigt for rodfyldte stokastiske trafikscenarier på motorveje, og lav hastighed ville være meget nyttigt, når køretøjet navigerer i et byscenarie, hvor du ofte støder på de tætteste gader med for meget trafik og støj i trafikken, hvilket betyder der er for meget usikkerhed i trafikdynamikken.
Vi har allerede arbejdet med dette i de sidste to og et halvt år, og vi har allerede udviklet det i form af POC. Nogle af de små stykker af disse rammer, som jeg taler om, kunne vises i demoen i vores næste eksperiment, der vil være målrettet mod at opnå 101 kilometer i timen, der fungerer på indiske veje.
Desuden har vi også forsket i forskellige grene af AI. Vi bruger stærkt lærlingeuddannelse, invers forstærkning. Så vi arbejder i øjeblikket på at gøre det muligt for autonome køretøjer at overhale på typiske tofeltsveje, ligesom indiske chauffører gør. Vi beviser både i simulering såvel som i den virkelige verden i størst muligt omfang med begrænset finansiering. Dette er nogle af de forskningsområder, som vi allerede har bevist på jorden, og nogle af dem vil blive bevist i de næste par måneder.
Bortset fra det er vi en af de eneste virksomheder i verden, der kan muliggøre autonom kørsel i helt ukendte og usete miljøer, hvor der overhovedet ikke er nogen højkvalitetskort. Vi kan muliggøre autonom kørsel uden brug af high-fidelity-kort. Vi er i færd med at udrydde behovet for high fidelity-kort, og denne udryddelse er muliggjort af to af vores nøgleteknologier. Vores TSN-ramme er lavet til at sætte et nyt reguleringsbenchmark.
Q. Når vi taler om hardware-arkitekturen, hvilken slags hardware bruger du til dit beregningsformål. Hvilken type sensorer og kameraer bruger du også til at kortlægge den virkelige verden på dine autonome køretøjer?
Fra nu af bruger vi bare almindelige kameraer. Hvis du ser vores demo for et autonomt køretøj, vil du bemærke, at vi ikke havde brugt mere end et 3000 Rs kamera. Hvis du ser på den opfattelsesforskning, der sker over hele verden med de autonome virksomheder eller robotvirksomheder for den sags skyld, bruger de alle tre forskellige sensorer som kameraer, LiDAR'er og radarer. I øjeblikket er alle vores autonome køreeksperimenter kun sket ved hjælp af kameraer. Da jeg startede virksomheden, havde jeg kun ekspertise inden for planlægning, men siden 2016 indså jeg, at avancerede forskningsopgaver uanset laboratorier overalt i verden arbejder på; det virker bare ikke i den virkelige verden. Hvis de arbejder, er de for beregningsintensive, og de fungerer bare ikke. Så,Jeg tog også opfattelse som mit primære forskningsområde, og jeg afsatte omkring 25% - 27% af min tid til at lave opfattelsesforskning. Nu er vores virksomheds forskningsmål at gøre det muligt for autonome køretøjer at kunne opfatte brug af kun kameraerne uden behov for LiDAR'er og radarer. Dette er en forskningsambition, som vi ønsker at opnå. Mens vi opnår det, har vi også sikret, at vi har verdens hurtigste algoritme til enhver fælles opgave.
Vi har to mål i opfattelsen. For det første skal algoritmen være så kapabel, at de gør det muligt for autonome køretøjer kun at opfatte kameraer både dag og nat. Vi har udvidet denne opfattelsesfunktion ikke kun til dagtimerne, men også om natten ved kun at bruge køretøjets forlygte og almindelige RGB- og NIR-kameraer, den slags kameraer, du kan købe for 3000 R'er i marked.
Vi fokuserer