Автономный транспорт может следовать общим правилам дорог, распознавая дорожные знаки и дорожную разметку, отмечая пешеходные переходы и другие хорошо известные особенности регулировки дорожного движения. Но что делать за пределами хорошо размеченных дорог, изъезженных вдоль и поперек? На многих дорогах за пределами городов поистерлась краска, знаки поросли плющом и деревьями, появились необычные перекрестки, не отмеченные на картах.
Что должен делать следующий правилам автономный автомобиль, когда правила непонятны или отсутствуют? Что должны делать его пассажиры, когда обнаруживают, что их автомобиль не может доставить их туда, куда они направляются?
Предупреждение скрытого
Большинство проблем при разработке передовых технологий включают обработку редких или необычных ситуаций или событий, требующих производительности, выходящей за рамки обычных возможностей системы. Это определенно работает и в случае с автономными автомобилями. Некоторые дорожные примеры могут включать навигацию через ремонтные зоны, встречу лошади или багги, или же встреча с граффити, напоминающим стоп-сигнал. За пределами дороги возможности включают абсолютно все проявления естественного мира, вроде деревьев, перегородивших дорогу, потопов и больших луж — или даже животных, блокирующих путь.
В Центре усовершенствованных автомобильных систем при Университете штата Миссисипи ученые взяли на себя задачу обучения алгоритмов реагированию на обстоятельства, которые почти никогда не встречаются, которые сложно предсказать и непросто воссоздать. Они пытались поместить автономные автомобили в наиболее сложный сценарий: возили автомобиль в область, которую он прежде не видел и не знал, без какой-либо надежной инфраструктуры вроде дорожной краски и дорожных знаков, в неизвестной среде, где с одинаковой вероятностью можно встретить кактус и белого медведя.
В процессе этого они совмещали технологии виртуального и реального миров. Они создавали расширенные симуляции реалистичных сцен на открытом воздухе, с помощью которых тренировали алгоритмы искусственного интеллекта считывать поток с камеры и классифицировать увиденное: деревья, небо, открытые пути, возможные препятствия. Затем они переводили эти алгоритмы на специально созданный испытательный полноприводный автомобиль и отправляли его на специально выделенную испытательную площадку, где затем проверяли работу алгоритмов, собирающих данные.
Начнем с виртуального
Инженеры разработали симулятор, способный создавать широкий диапазон реалистичных наружных сцен, сквозь которые мог продвигаться транспорт. Система генерирует самые разные ландшафты с разными климатами, лесами и пустынями, показывает, как растения, кустарники и деревья растут с течением времени. Она также может имитировать изменения погоды, солнечный и лунный свет, а также точное положение 9000 звезд.
Кроме того, система имитирует показания датчиков, обычно используемых в автономных транспортных средствах, таких как лидары и камеры. Эти виртуальные датчики собирают данные, которые затем скармливаются нейросети как ценные данные для обучения.
Построим тестовый трек
Симуляции хороши ровно настолько, насколько хорошо они отражают реальный мир. Университет штата Миссисипи приобрел 50 акров земли, на которых ученые разрабатывают испытательный трек для самоуправляемых внедорожников. Участок отлично подходит — на нем встречаются наклоны под углом 60 градусов и очень много разнообразных растений.
Инженеры выделили некоторые природные особенности этой земли, с которыми, как они ожидают, будет особенно сложно совладать самоуправляемым автомобилям, и воспроизвели их в точности на симуляторе. Это позволило им напрямую сравнить результаты моделирования с реальными попытками навигации по настоящей земле. В конечном итоге они создадут похожие реальные и виртуальные пары других типов ландшафтов, чтобы улучшить возможности автомобилей.
Сбор дополнительных данных
Также был создан испытательный транспорт — Halo Project — с электромотором и датчиками с компьютерами, которые могут осуществлять навигацию по разнообразным внедорожным средам. Автомобиль Halo Project оснащен дополнительными датчиками для сбора подробных данных о его реальном окружении; они помогают строить виртуальные среды для запуска новых тестов.
Два лидарных датчика, например, закреплены под перекрестными углами на передней части автомобиля, так что их лучи сканируют приближающуюся землю. Вдвоем они могут предоставить информацию о том, насколько грубая или гладкая поверхность, а также считать данные о траве и других растениях и предметах на дороге.
В общем, исследования ученых дали несколько интересных результатов. Например, они показали многообещающие намеки на то, что алгоритмы машинного обучения, которые тренируются в моделируемых средах, могут быть полезны в реальном мире. Как и в случае с большинством исследований на тему автономного транспорта, впереди еще длинный путь. Возможно, сообща они помогут сделать самоуправляемые транспортные средства не только более функциональными на современных дорогах, но и более популярным и распространенным методом передвижения.
Тоже ждете? Расскажите в нашем чате в Телеграме.
