I giganti della tecnologia come Tesla e Google hanno reso i veicoli a guida autonoma l'argomento tanto discusso tra gli appassionati di tecnologia. Diverse aziende in tutto il mondo stanno lavorando allo sviluppo di veicoli a guida autonoma per vari terreni.
Per rendere la tecnologia di guida autonoma connessa accessibile, economica e disponibile a tutti, Swaayatt Robots con sede a Bhopal si è unita al carrozzone. Tuttavia, con un'immensa conoscenza di tutta la tecnologia coinvolta in Autonomous Robotics, il CEO dell'azienda, il signor Sanjeev Sharma, ha lasciato molte aziende tecnologiche indietro nella corsa. Dal 2009 ha svolto molte ricerche e si è sottoposto a calcoli matematici per trovare soluzioni intelligenti per auto a guida autonoma.
Abbiamo avuto l'opportunità di parlare con il signor Sanjeev e conoscere ogni minimo dettaglio della tecnologia alla base dei veicoli autonomi e della robotica su cui Swaayatt Robots sta lavorando e dei loro piani futuri. Fai un salto per leggere l'intera conversazione che abbiamo avuto con lui. In alternativa, puoi anche guardare il video qui sotto per ascoltare la conversazione tra il nostro editore e lo stesso Sanjeev
D. Rendere la tecnologia di guida autonoma accessibile e alla portata di tutti è la missione principale di Swaayatt Robots. Come è iniziato il viaggio?
Faccio ricerche nel settore della navigazione autonoma da 11 anni ormai. Nel 2009, sono stato ispirato dalle Grandi Sfide DARPAche è successo negli Stati Uniti. La guida autonoma è diventata l'obiettivo del mio in quegli anni. Per molti anni, ho continuato a fare ricerche e ho svolto studi personali in particolare sulla pianificazione del movimento e sul processo decisionale in condizioni di incertezza. L'obiettivo era fare un uso ottimale dell'apprendimento automatico, dell'apprendimento per rinforzo e di varie tecniche. Ho avviato Swaayatt Robots nel 2014, ma non si trattava semplicemente di applicare la ricerca e gli studi che avevo svolto negli ultimi anni. Applicando alcune idee in movimento e nel processo decisionale, ho dovuto risolvere anche il problema della pianificazione della percezione e della localizzazione. Avevo esperienza di ricerca solo nell'area del processo decisionale e della pianificazione del movimento. Ma le aree di percezione e localizzazione erano abbastanza nuove per me. Il mio straordinario background matematico mi ha aiutato molto.
Una volta che ho iniziato a sviluppare i framework algoritmici per abilitare la guida autonoma intorno al 2015, mi sono reso conto che questo può essere qualcosa di molto grande e che possiamo davvero risolvere il problema della guida autonoma in scenari di traffico avverso molto stocastici. E dal 2014 lavoro a tempo pieno su questa startup. La mia ricerca in particolare copre diversi rami ma, in particolare, la maggior parte del focus della nostra azienda è lo sviluppo di algoritmi decisionali e di pianificazione del movimento che consentono ai veicoli autonomi di affrontare livelli molto elevati di stocasticità nella dinamica del traffico. Ciò equivale a circa il 65-70% della ricerca svolta presso Swaayatt Robots. Circa il 25% - 27% della ricerca va nell'area della percezione, che comprende tutti i tipi di algoritmi che elaborano i dati dei sensori da un sistema robotico veicolare,e costruire una rappresentazione 3D del mondo che lo circonda.
Per quanto riguarda la percezione, siamo una delle pochissime aziende al mondo che può consentire ai veicoli autonomi di percepire l'ambiente utilizzando solo telecamere standard che funzionano anche di giorno e di notte. Questo è più o meno come è stato il viaggio finora.
D. Hai iniziato nel 2014 a convalidare le tue idee e poi hai intrapreso completamente il percorso entro il 2015. Quindi cosa dovremmo fare in questo anno? Come hai verificato che in India si possa guidare da soli?
La guida autonoma è la miscela di tre condutture algoritmiche messe insieme vale a dire. percezione, pianificazione e localizzazione. Gli algoritmi prendono i dati sensoriali, li elaborano e costruiscono una rappresentazione 3D attorno a un veicolo. Li chiamiamo algoritmi di percezione. Gli algoritmi di localizzazione cercano di determinare globalmente con precisione la posizione del veicolo sulla strada. Questo è il modo in cui i robot lavoravano in contesti accademici. Nel 2009, questo modello di guida autonoma è stato introdotto da Google. Prima che un veicolo autonomo percorra una determinata strada, l'intera strada deve essere mappata in modo molto dettagliato in 3D. Chiamiamo queste mappe mappe ad alta fedeltà. Queste mappe ad alta fedeltà memorizzano alcune informazioni chiave sull'ambiente. In genere memorizzano tutti i diversi tipi di delimitatori nell'ambiente.
Prima che il veicolo autonomo si muova in un ambiente, l'intero ambiente viene mappato in modo molto preciso. Tutti gli indicatori di corsia, i confini delle strade e qualsiasi tipo di delimitatore nell'ambiente vengono effettivamente memorizzati in questo tipo di mappe ad alta fedeltà.
Quando il veicolo naviga in un ambiente per il quale disponi già di mappe ad alta fedeltà, acquisisci nuovamente i dati da vari sensori sul veicolo e provi ad abbinare i dati con una mappa di riferimento che hai costruito. Questo processo di corrispondenza ti dà un vettore di posa che ti dice dove si trova il veicolo sul pianeta terra e qual è la configurazione del veicolo. Una volta che conosci la posizione e la configurazione del veicolo su strada, tutte le informazioni che avevi memorizzato nelle mappe ad alta fedeltà vengono proiettate sopra la configurazione attuale del veicolo. Quando proietti queste informazioni come indicatori stradali, indicatori di corsia e qualsiasi tipo di delimitatore di strada o di ambiente; il veicolo autonomo sa dove si trova ora rispetto a un particolare delimitatore o da un particolare indicatore di corsia. Così,questo è ciò che fanno gli algoritmi di localizzazione.
L'ultima area della guida autonoma è la pianificazione e il processo decisionale. Più sofisticati e migliori sono gli algoritmi di pianificazione e decisione che hai, più capace sarà il tuo veicolo autonomo. Ad esempio, gli algoritmi di pianificazione e processo decisionale distingueranno le aziende dall'autonomia di livello due, livello tre, livello quattro e livello cinque. Qualsiasi algoritmo responsabile del processo decisionale o della pianificazione del movimento e del comportamento del veicolo è un algoritmo di pianificazione.
Maggiore è la raffinatezza degli algoritmi di pianificazione, migliore sarà il tuo veicolo. Diversi pianificatori del movimento e responsabili delle decisioni aiutano a valutare la sicurezza del veicolo e dell'ambiente, la velocità di navigazione, l'ambiente circostante del veicolo e tutti i parametri che è possibile calcolare dal proprio ambiente. Questo è ciò che fanno gli algoritmi di pianificazione.
Ho fatto ricerche nel campo della pianificazione. Se hai il tipo di algoritmi in grado di affrontare la stocasticità nelle dinamiche del traffico in India. Se riesci a gestirlo e se disponi di algoritmi, hai dimostrato che se puoi semplicemente costruire uno stack di percezione e localizzazione, hai una tecnologia di guida autonoma a tutti gli effetti.
Non è necessario sviluppare tutti i diversi algoritmi per verificare cosa funziona meglio. Hai solo bisogno di costruire tre o quattro algoritmi diversi che sai risolveranno il problema chiave della guida autonoma. La sicurezza è il motivo principale per cui non vedi veicoli commerciali autonomi su strada. Il costo e tutti gli altri problemi sono secondari. Avrei potuto costruire l'intera startup su uno o due algoritmi come l'aspetto di localizzazione e mappatura della guida autonoma. Ma il mio obiettivo era sviluppare un veicolo autonomo a tutti gli effetti e non uno o due algoritmi qua e là. L'aver dimostrato l'aspetto chiave nell'area della pianificazione e del processo decisionale mi ha dato la fiducia necessaria per affrontare l'intero problema della guida autonoma in generale.
D. A quale livello di guida autonoma sta lavorando Swaayatt Robots? E quale livello pensi sia possibile in India?
Il nostro obiettivo è raggiungere il livello 5 di autonomia e garantire che la tecnologia sia sicura in questo tipo di ambienti. Siamo da qualche parte tra il livello tre e il livello quattro. Alcune delle ricerche algoritmiche che stiamo conducendo riguardano la pianificazione del movimento e il processo decisionale mirato al livello cinque.
Stiamo anche lavorando per consentire ai veicoli autonomi di essere in grado di attraversare l'incrocio nelle ore di punta senza semafori. Puntiamo a raggiungere il quinto livello di autonomia consentendo ai veicoli autonomi di affrontare spazi ristretti con traffico altamente stocastico. Abbiamo fatto guida autonoma in un ambiente molto stretto quando anche un veicolo o una bicicletta proveniva dall'estremità opposta. A livello di POC, abbiamo raggiunto tra tre e quattro livelli. Abbiamo già trasformato i POC per l'autonomia di livello quattro conducendo esperimenti in un traffico altamente stocastico con spazi ristretti. Il nostro obiettivo attuale è raggiungere 101 chilometri orari di guida autonoma sulle strade indiane.
Una volta che hai dimostrato la sicurezza del veicolo in questo tipo di ambienti, puoi prendere la tua tecnologia e applicarla ovunque come in Nord America ed Europa dove il traffico è molto più strutturato, dove gli ambienti sono anche molto più rigidi rispetto a quello indiano ambienti. Quindi, l'India al momento è un banco di prova per noi per dimostrare che abbiamo qualcosa che nessun altro ha fatto al momento.
D. Quanto è progredito Swaayatt Robots nello sviluppo di una soluzione di guida autonoma? A che livello di guida stai attualmente lavorando?
Attualmente, abbiamo l'algoritmo di pianificazione del movimento più veloce al mondo in grado di pianificare traiettorie parametrizzate nel tempo quasi ottimali per un veicolo autonomo in 500 microsecondi. Quindi l'algoritmo funziona all'incirca a 2000 hertz. Abbiamo la tecnologia per consentire fino a 80 chilometri all'ora di guida autonoma sulle autostrade indiane. Raggiungere quel tipo di velocità sulle autostrade indiane è molto impegnativo. In genere, se puoi farlo, puoi portarlo anche altrove. Puoi applicarlo nel traffico estero e in pratica sei molto vicino al livello quattro. Per darti un'idea, abbiamo lavorato su ciò che chiamiamo analisi e negoziazione degli intenti multi-agente. Questo quadro consente al nostro veicolo non solo di calcolare la probabilità delle intenzioni di altri veicoli o agenti sulla strada.Può calcolare le probabilità dell'intero percorso che altri agenti, veicoli o ostacoli nell'ambiente non possono. Tuttavia, questa capacità da sola non è sufficiente. Ad esempio, è possibile costruire un sistema molto impegnativo dal punto di vista computazionale in grado di prevedere le traiettorie di movimento future e forse calcolare le probabilità di tutti i set di percorsi di veicoli diversi. È qui che devi concentrarti, ad esempio anche sui requisiti di calcolo. La domanda computazionale in questo problema di analisi e negoziazione degli intenti multi-agente crescerà esponenzialmente se non hai fatto alcuna ricerca, non hai usato la matematica correttamente o se non le hai progettate correttamente. Sto ricercando alcuni dei concetti della matematica applicata, in particolare nell'area della teoria topologica. Sto usando alcuni concetti come le mappe di omotopia,che consentono alla nostra tecnologia di scalare i calcoli. Almeno per ora, è superlineare in termini di numero di agenti rispetto all'esplosione esponenziale che incontreresti se non avessi elaborato correttamente la matematica alla base degli algoritmi.
Il framework di negoziazione per l'analisi degli intenti multi-agente è ulteriormente suddiviso in due diversi rami su cui stiamo attualmente lavorando. Uno è il TSN (Tight Space Negotiator Framework) e l'altro è il modello di sorpasso. TSN consente ai veicoli autonomi di negoziare sia gli ambienti stretti che il traffico stocastico, sia a bassa che ad alta velocità. Quindi l'alta velocità sarebbe molto utile per gli scenari di traffico stocastico ingombro di autostrade e la bassa velocità sarebbe molto utile quando il veicolo sta navigando in uno scenario urbano, dove spesso incontri le strade più strette con troppo traffico e rumore nel traffico che significa lì c'è troppa incertezza nella dinamica del traffico.
Ci abbiamo già lavorato negli ultimi due anni e mezzo e l'abbiamo già sviluppato sotto forma di POC. Alcuni dei bit e dei pezzi di questi framework di cui sto parlando potrebbero essere mostrati nella demo nel nostro prossimo esperimento che sarà mirato a raggiungere 101 chilometri orari funzionanti sulle strade indiane.
Inoltre, abbiamo anche svolto ricerche in diversi rami dell'IA. Usiamo pesantemente l'apprendimento in apprendistato, l'apprendimento per rinforzo inverso. Quindi, stiamo attualmente lavorando per consentire ai veicoli autonomi di sorpassare su tipiche strade a due corsie, proprio come fanno i conducenti indiani. Stiamo dimostrando sia nella simulazione che nel mondo reale nella massima misura possibile con finanziamenti limitati. Queste sono alcune delle aree di ricerca che abbiamo già dimostrato sul campo e alcune di esse saranno dimostrate nei prossimi mesi.
A parte questo, siamo una delle poche aziende al mondo in grado di consentire la guida autonoma in ambienti completamente sconosciuti e invisibili per i quali non esistono mappe ad alta fedeltà. Possiamo abilitare la guida autonoma senza l'uso di mappe ad alta fedeltà. Ci occupiamo di eliminare completamente la necessità di mappe ad alta fedeltà e questa eliminazione è consentita da due delle nostre tecnologie chiave. Il nostro framework TSN è stato creato per stabilire un nuovo benchmark normativo.
D. Parlando dell'architettura hardware, che tipo di hardware usi per i tuoi scopi di calcolo. Inoltre, che tipo di sensori e telecamere usi per mappare il mondo reale sui tuoi veicoli autonomi?
A partire da ora, utilizziamo solo fotocamere standard. Se vedi la nostra demo per un veicolo autonomo, noterai che non avevamo utilizzato nient'altro che una fotocamera da 3000 Rs. Se guardi alla ricerca sulla percezione che sta avvenendo in tutto il mondo con le società autonome o le società di robotica, stanno usando tutti e tre i diversi sensori come telecamere, LiDAR e radar. Attualmente, tutti i nostri esperimenti di guida autonoma sono avvenuti solo utilizzando telecamere. Quando ho avviato l'azienda, avevo solo esperienza nella pianificazione, ma dal 2016 mi sono reso conto che documenti di ricerca all'avanguardia su qualsiasi cosa stiano lavorando i laboratori di tutto il mondo; semplicemente non funziona nel mondo reale. Se funzionano, sono troppo impegnativi dal punto di vista computazionale e semplicemente non funzionano. Così,Ho preso la percezione anche come la mia principale area di ricerca e ho dedicato circa il 25% - 27% del mio tempo alla ricerca sulla percezione. Ora, l'obiettivo della ricerca della nostra azienda è consentire ai veicoli autonomi di essere in grado di percepire utilizzando solo le telecamere senza la necessità di LiDAR e radar. Questa è un'ambizione di ricerca che vogliamo raggiungere. Nel raggiungere questo obiettivo, ci siamo anche assicurati di disporre dell'algoritmo più veloce al mondo per qualsiasi attività comune.
Abbiamo due obiettivi nella percezione. Uno, l'algoritmo dovrebbe essere così capace da consentire ai veicoli autonomi di percepire utilizzando solo telecamere sia di giorno che di notte. Abbiamo esteso questa capacità di percezione non solo per il giorno ma anche di notte utilizzando nient'altro che il faro del veicolo e le normali telecamere RGB e NIR standard, il tipo di telecamere che puoi acquistare per 3000 Rs nel mercato.
Ci concentriamo