Ang mga tech higanteng tulad ng Tesla at Google ay gumawa ng mga self-drive na sasakyan na pinaguusapan sa paksa ng mga taong mahilig sa tech. Ang iba't ibang mga kumpanya sa buong mundo ay nagtatrabaho patungo sa pagbuo ng mga autonomous na sasakyan sa pagmamaneho para sa iba't ibang mga terrain.
Upang gawing naa-access, abot-kayang, at magagamit ng lahat ang nakakonektang autonomous na teknolohiya sa pagmamaneho, sumali sa bandwagon ang nakabase sa Bhopal na Swaayatt Robots. Gayunpaman, sa napakalawak na kaalaman sa lahat ng teknolohiyang kasangkot sa Autonomous Robotics, ang CEO ng kumpanya, si G. Sanjeev Sharma ay naiwan ang maraming mga tech na kumpanya sa lahi. Mula noong 2009, marami na siyang pagsasaliksik at sumasailalim sa mga kalkulasyon ng matematika na kasangkot sa pag-alam ng mga matalinong solusyon para sa mga self-drive na kotse.
Nakakuha kami ng pagkakataong makipag-usap kay G. Sanjeev at malaman ang bawat piraso ng teknolohiya sa likod ng Mga Awtomatikong Sasakyan at Robotics na ginagawa ng Swaayatt Robots at ang kanilang mga plano sa hinaharap. Pindutin ang isang jump upang basahin ang buong pag-uusap namin sa kanya. Bilang kahalili, maaari mo ring panoorin ang video sa ibaba upang pakinggan ang pag-uusap sa pagitan ng aming editor at mismo ni Sanjeev
Q. Paggawa ng Autonomous Driving Technology Accessible at Affordable sa lahat ay ang pangunahing misyon ng Swaayatt Robots. Paano nagsimula ang paglalakbay?
Nagsasaliksik ako sa lugar ng autonomous nabigasyon sa nakaraang 11 taon na ngayon. Bumalik sa 2009, ako ay inspirasyon ng DARPA Grand Hamonnangyari yun sa US. Ang autonomous na pagmamaneho ay naging layunin ko sa mga panahong iyon. Sa paglipas ng maraming taon, patuloy akong nagsasaliksik at gumawa ng mga pag-aaral sa sarili partikular sa pagpaplano ng paggalaw at paggawa ng desisyon sa ilalim ng walang katiyakan. Ang pokus ay sa paggawa ng pinakamabuting kalagayan na paggamit ng pag-aaral ng makina, pampatibay na pag-aaral, at iba't ibang mga diskarte. Sinimulan ko ang Swaayatt Robots noong 2014 ngunit hindi ito simpleng inilalapat ang pananaliksik at ang mga pag-aaral na nagawa ko sa nakaraang ilang taon. Ang paglalapat ng ilang mga ideya sa paggalaw at paggawa ng desisyon, kinailangan ko ring lutasin ang problema sa pagpaplano ng pang-unawa at lokalisasyon din. Mayroon lamang akong karanasan sa pagsasaliksik sa larangan ng paggawa ng desisyon at pagpaplano ng paggalaw. Ngunit ang mga lugar ng pang-unawa at lokalisasyon ay medyo bago sa akin. Ang aking napakalaking background sa matematika ay malaki ang naitulong sa akin.
Sa sandaling sinimulan ko ang pagbuo ng mga framework ng algorithm upang paganahin ang autonomous na pagmamaneho sa paligid ng 2015, napagtanto ko na ito ay maaaring isang bagay na napakalaking, at malulutas talaga natin ang problema ng autonomous na pagmamaneho sa napaka-stochastic na mga sitwasyon ng trapiko na kontrobersyal. At mula noong 2014, nagtatrabaho ako ng buong oras sa pagsisimula na ito. Ang aking pananaliksik sa partikular ay sumasaklaw sa maraming mga sangay ngunit, sa partikular, ang karamihan sa pokus ng aming kumpanya ay upang paunlarin ang mga algorithm ng paggawa ng desisyon at paggalaw ng paggalaw na nagpapahintulot sa mga autonomous na sasakyan na harapin ang napakataas na antas ng stochasticity sa dynamics ng trapiko. Ang halagang humigit-kumulang na 65% hanggang 70% ng pananaliksik na nangyayari sa Swaayatt Robots. Sa paligid ng 25% - 27% ng pananaliksik ay napupunta sa lugar ng pang-unawa, na sumasaklaw sa lahat ng uri ng mga algorithm na nagpoproseso ng data ng sensor mula sa isang vehicular robotic system,at bumuo ng 3d na representasyon ng mundo sa paligid nito.
Sa pang-unawa, kami ay isa sa kaunting mga kumpanya sa mundo na maaaring payagan ang mga autonomous na sasakyan na makita ang kapaligiran gamit ang mga off-the-shelf na camera lamang na gumagana sa araw at oras din ng gabi. Ito ay kung paano naging malayo ang paglalakbay.
Q. Nagsimula ka noong 2014 upang patunayan ang iyong mga ideya at pagkatapos ay ganap mong nahuli ang landas sa pamamagitan ng 2015. Kaya ano ang dapat nating gawin sa isang taong ito? Paano mo nasubukan na ang pagmamaneho ng sarili ay maaaring gawin sa India?
Ang autonomous na pagmamaneho ay ang timpla ng tatlong mga algorithm na pipeline na magkakasama sa paglalagay. pang-unawa, pagpaplano, at lokalisasyon. Kinukuha ng mga algorithm ang data ng pandama, pinoproseso ito, at bumuo ng isang 3d na representasyon sa paligid ng isang sasakyan. Tinatawag namin silang mga algorithm ng pang-unawa. Sinusubukan ng mga localization algorithm na tumpak sa buong mundo na matukoy ang posisyon ng sasakyan sa kalsada. Ganito gumagana ang mga robot sa mga setting ng pang-akademiko. Noong 2009, ang modelong ito ng autonomous na pagmamaneho ay pinasimunuan ng Google. Bago ang isang autonomous na sasakyan ay mag-navigate sa isang tiyak na kalsada, ang buong kalsada ay kailangang ma-map sa napakataas na detalye sa 3d. Tinatawag namin ang mga mapa na ito, mataas na mga mapa ng pagiging tapat. Ang mga matataas na mapa ng katapatan na ito ay nag-iimbak ng ilang pangunahing impormasyon tungkol sa kapaligiran. Karaniwan nilang iniimbak ang lahat ng iba't ibang uri ng mga delimiter sa kapaligiran.
Bago ang pag-navigate ng autonomous na sasakyan sa isang kapaligiran, ang buong kapaligiran ay nai-mapa sa napaka tumpak na pamamaraan. Ang lahat ng mga marka ng linya, mga hangganan ng kalsada, at anumang uri ng delimiter sa kapaligiran ay talagang nakaimbak sa mga ganitong uri ng matataas na mga mapa ng katapatan.
Kapag ang sasakyan ay nag-navigate sa pamamagitan ng isang kapaligiran kung saan mayroon ka nang mga mapa ng mataas na katapatan, pagkatapos ay nakuha mo muli ang data mula sa iba't ibang mga sensor sa sasakyan at subukang itugma ang data sa isang sanggunian na iyong binuo. Binibigyan ka ng proseso ng pagtutugma na ito ng isang pose vector na nagsasabi sa iyo kung nasaan ang sasakyan sa planetang lupa at kung ano ang pagsasaayos ng sasakyan. Kapag nalaman mo ang posisyon at ang pagsasaayos ng sasakyan sa kalsada, ang buong impormasyon na naimbak mo sa mga mapa ng mataas na katapatan ay inaasahang sa tuktok ng kasalukuyang pagsasaayos ng sasakyan. Kapag na-project mo ang impormasyong ito tulad ng mga marker ng kalsada, marker ng lane, at anumang uri ng delimiter ng kalsada o delimiter sa kapaligiran; alam ng autonomous na sasakyan kung nasaan ito ngayon na may paggalang sa isang partikular na delimiter o mula sa isang partikular na marka ng lane. Kaya,ito ang ginagawa ng mga localization algorithm.
Ang pangwakas na lugar ng nagsasariling pagmamaneho ay ang pagpaplano at paggawa ng desisyon. Mas sopistikado at mas mahusay ang mga algorithm sa pagpaplano at paggawa ng desisyon na mayroon ka, mas may kakayahan ang iyong autonomous na sasakyan. Halimbawa, ang mga algorithm sa pagpaplano at paggawa ng desisyon ay makakaiba sa mga kumpanya sa pagiging nasa antas dalawa, antas tatlo, antas apat, at antas ng limang awtonomiya. Anumang algorithm na responsable para sa paggawa ng desisyon o pagpaplano ng paggalaw at pag-uugali ng sasakyan ay isang algorithm ng pagpaplano.
Ang mas sopistikadong mayroon ka sa mga algorithm sa pagpaplano, mas mahusay ang iyong sasakyan. Maraming mga tagaplano ng paggalaw at tagagawa ng desisyon ang tumutulong sa pagsusuri ng kaligtasan ng sasakyan at sa kapaligiran, ang bilis ng iyong pag-navigate, ang paligid ng sasakyan, at lahat ng mga parameter na maaari mong makalkula mula sa iyong kapaligiran. Ito ang ginagawa ng mga algorithm sa pagpaplano.
Nagsasaliksik ako sa larangan ng pagpaplano. Kung mayroon kang uri ng mga algorithm na maaaring makitungo sa stochasticity sa dynamics ng trapiko sa India. Kung makikitungo mo iyan at kung mayroon kang mga algorithm, napatunayan mo na kung makakagawa ka lamang ng isang pang-unawa at lokalisasyon ng stack, mayroon kang isang ganap na teknolohiyang nagmamaneho na autonomous.
Hindi mo kailangang bumuo ng lahat ng iba't ibang mga algorithm upang mapatunayan kung ano ang pinakamahusay na gumagana. Kailangan mo lamang bumuo ng tatlo o apat na magkakaibang mga algorithm na alam mong malulutas ang pangunahing problema sa autonomous na pagmamaneho. Ang kaligtasan ang pangunahing isyu kung bakit hindi mo nakikita ang mga komersyal na autonomous na sasakyan sa kalsada. Pang-pangalawa ang gastos at lahat ng iba pang mga isyu. Maaari ko nang maitayo ang buong pagsisimula sa isa o dalawa lamang na mga algorithm tulad ng lokalisasyon at aspeto ng pagmamapa ng autonomous na pagmamaneho. Ngunit ang aking layunin ay upang bumuo ng isang ganap na autonomous na sasakyan at hindi isa o dalawang mga algorithm dito at doon. Ang pagkakaroon ng napatunayan na ang pangunahing aspeto sa lugar ng pagpaplano at paggawa ng desisyon ay nagbigay sa akin ng kumpiyansa na talakayin ang buong problema ng autonomous na pagmamaneho nang malaki.
Q. Anong antas ng nagsasariling pagmamaneho ang ginagawa ng Swaayatt Robots? At anong antas sa palagay mo posible sa India?
Ang aming layunin ay upang makamit ang antas ng awtonomiya sa antas 5 at matiyak na ang teknolohiya ay ligtas sa mga ganitong uri ng kapaligiran. Nasa tabi-tabi kami ng antas tatlo at antas apat. Ang ilan sa mga algorithmic na pananaliksik na ginagawa namin ay nasa paggalaw ng paggalaw at paggawa ng desisyon na naka-target patungo sa antas limang.
Nagsusumikap din kami sa pagpapagana ng mga autonomous na sasakyan na maaaring makatawid sa intersection sa pinakamataas na oras ng trapiko nang walang mga ilaw ng trapiko. Nagta-target kami upang makamit ang antas ng limang awtonomiya sa pamamagitan ng pagpapagana ng mga autonomous na sasakyan sa pagharap sa masikip na puwang na may lubos na stochastic na trapiko. Natapos namin ang nagsasarili na pagmamaneho sa isang masikip na kapaligiran kapag ang isang sasakyan o isang bisikleta ay nagmumula rin sa kabaligtaran. Sa antas ng POC, nakamit namin ang pagitan ng tatlo at apat na antas. Inilipat na namin ang mga POC para sa antas ng apat na awtonomiya sa pamamagitan ng pagsasagawa ng mga eksperimento sa lubos na stochastic na trapiko na may masikip na puwang. Ang aming kasalukuyang layunin ay upang makamit ang 101 kilometro bawat oras na autonomous na pagmamaneho sa mga kalsada sa India.
Kapag napatunayan mo ang kaligtasan ng sasakyan sa mga ganitong uri ng mga kapaligiran, maaari mong kunin ang iyong teknolohiya at ilapat ito kahit saan pa tulad ng sa Hilagang Amerika at Europa kung saan ang istraktura ay mas nakabalangkas, kung saan ang mga kapaligiran ay mas mahigpit din kumpara sa Indian mga kapaligiran Kaya, ang India hanggang ngayon ay isang pagsubok na lugar para sa amin upang patunayan na mayroon kaming isang bagay na walang ibang nagawa sa ngayon.
Q. Gaano karami ang pag-unlad ng Swaayatt Robots sa pagbuo ng isang solusyon sa Autonomous Driving? Anong antas ng pagmamaneho ang kasalukuyang ginagawa mo?
Sa kasalukuyan, mayroon kaming pinakamabilis na algorithm sa paggalaw ng paggalaw sa mundo na maaaring magplano ng malapit sa pinakamainam na mga trajectory na may parameter na oras para sa isang autonomous na sasakyan sa 500 microseconds Kaya't ang algorithm ay gumagana nang halos sa 2000 hertz. Mayroon kaming teknolohiya upang paganahin ang hanggang sa 80 kilometro bawat oras na autonomous na pagmamaneho sa mga Indian highway. Ang pagkamit ng ganoong uri ng bilis sa mga Indian highway ay napakahirap. Karaniwan, kung magagawa mo iyan, maaari mo rin itong dalhin sa ibang lugar. Maaari mo itong ilapat sa dayuhang trapiko at talaga, napakalapit mo sa antas apat. Upang mabigyan ka ng isang ideya, nagsusumikap kami sa tinatawag naming pagtatasa at pag-uusap ng multi-agent na layunin. Pinapayagan ng balangkas na ito ang aming sasakyan na hindi lamang makalkula ang posibilidad ng mga hangarin ng iba pang mga sasakyan o ahente sa daan.Maaari nitong kalkulahin ang mga probabilidad ng buong mga setting ng landas na hindi maaaring gawin ng ibang mga ahente o sasakyan o hadlang sa kapaligiran. Gayunpaman, ang kakayahang ito lamang ay hindi sapat. Halimbawa, maaari kang bumuo ng isang napaka-computationally hinging sistema na maaaring mahulaan ang hinaharap na mga galaw ng paggalaw at marahil kalkulahin ang mga posibilidad ng lahat ng mga hanay ng landas ng iba't ibang mga sasakyan. Dito mo kailangang pagtuunan ang ibig sabihin sa kinakailangan ng computational din. Ang pangangailangan ng computational sa problemang ito ng pag-aaral ng layunin ng multi-agent at negosasyon ay lalago nang exponentially kung hindi ka pa nakagawa ng anumang pagsasaliksik, hindi ginamit nang maayos ang matematika, o kung hindi mo idinisenyo nang maayos ang mga ito. Nagsasaliksik ako ng ilan sa mga konsepto mula sa inilapat na matematika, partikular sa lugar ng topological na teorya. Gumagamit ako ng ilan sa mga konsepto tulad ng homotopy map,na nagpapahintulot sa aming teknolohiya na sukatin ang mga pagkalkula. Hindi bababa sa ngayon, ito ay superlinear sa mga tuntunin ng bilang ng mga ahente na taliwas sa exponential blow-up na makakaharap mo kung hindi mo pa nagtrabaho nang maayos ang matematika sa likod ng mga algorithm.
Ang balangkas ng negosasyon ng layunin ng multi-agent na layunin ay nahahati pa sa dalawang magkakaibang sangay na kasalukuyang ginagawa namin. Ang isa ay ang TSN (Masikip na Framework ng Negotiator ng Space) at ang isa pa ay ang modelo ng pag-overtake. Pinapayagan ng TSN ang mga autonomous na sasakyan na makipagnegosasyon kapwa ang masikip na kapaligiran at ang stochastic traffic, kapwa sa mababa at mataas ang bilis. Napakalaking kapaki-pakinabang para sa mataas na bilis para sa mga kalat na sitwasyon ng trapiko na nagkalat at ang mababang bilis ay magiging kapaki-pakinabang kapag ang sasakyan ay nagna-navigate sa isang senaryo sa lunsod, kung saan madalas mong makatagpo ang pinakamahigpit na mga kalye na may sobrang trapiko at ingay sa trapiko na nangangahulugang doon ay labis na kawalan ng katiyakan sa dynamics ng trapiko.
Ginagawa na namin ito sa huling dalawa at kalahating taon, at nabuo na namin ito sa anyo ng POC. Ang ilan sa mga piraso at piraso ng mga balangkas na ito na pinag-uusapan ko ay maaaring ipakita sa demo sa aming susunod na eksperimento na mai-target patungo sa pagkamit ng 101 na kilometro bawat oras na paggana sa mga kalsada sa India.
Bukod dito, nagsasaliksik din kami sa iba't ibang mga sangay ng AI. Masidhi naming ginagamit ang pag-aaral ng pag-aaral, hindi kabaligtaran na pag-aaral ng pampatibay. Kaya, kasalukuyan kaming nagtatrabaho sa pagpapagana ng mga autonomous na sasakyan na maka-overtake sa mga tipikal na kalsada na may dalawang daanan tulad ng ginagawa ng mga driver ng India. Pinapatunayan namin ang pareho sa simulation pati na rin sa totoong mundo sa maximum na lawak na posible na may limitadong pondo. Ito ang ilan sa mga lugar ng pananaliksik na napatunayan na namin sa lupa, at ang ilan sa mga ito ay mapatunayan sa susunod na ilang buwan.
Maliban dito, isa lamang kami sa mga kumpanya sa mundo na maaaring paganahin ang autonomous na pagmamaneho sa ganap na hindi kilalang at hindi nakikitang mga kapaligiran na kung saan ay wala ring mga mapang mataas na fidelity. Maaari naming paganahin ang autonomous na pagmamaneho nang walang paggamit ng mga mapa na may mataas na katapatan. Nasa negosyo namin ang ganap na lipulin ang pangangailangan para sa mataas na mga mapa ng katapatan at ang pag-aalis na ito ay pinagana ng dalawa sa aming pangunahing mga teknolohiya. Ang aming balangkas ng TSN ay ginawa upang magtakda ng isang bagong benchmark ng regulasyon.
Q. Nagsasalita tungkol sa arkitektura ng hardware, anong uri ng hardware ang ginagamit mo para sa iyong layunin sa computational. Gayundin, anong uri ng mga sensor at camera ang ginagamit mo upang mai-mapa ang totoong mundo sa iyong mga autonomous na sasakyan?
Tulad ng ngayon, gumagamit lang kami ng mga off-the-shelf camera. Kung nakikita mo ang aming demo para sa isang autonomous na sasakyan, mapapansin mo na gumamit kami ng hindi hihigit sa isang 3000 Rs na kamera. Kung titingnan mo ang pananaliksik sa pang-unawa na nangyayari sa buong mundo kasama ang mga autonomous na kumpanya o kumpanya ng robotics para sa bagay na iyon, ginagamit nila ang lahat ng tatlong magkakaibang mga sensor tulad ng camera, LiDARs, at radar. Sa kasalukuyan, ang lahat ng aming mga autonomous na eksperimento sa pagmamaneho ay nangyari lamang sa paggamit ng mga camera. Nang sinimulan ko ang kumpanya, mayroon lamang akong kadalubhasaan sa pagpaplano ngunit mula noong 2016, napagtanto ko na ang mga papel na pang-research ng state-of-the-art kung ano man ang ginagawa ng mga lab sa buong mundo; hindi lamang ito gumagana sa totoong mundo. Kung sila ay nagtatrabaho, ang mga ito ay masyadong computationally masinsinan, at sila ay hindi lamang gumana. Kaya,Kinuha ko rin ang pang-unawa bilang aking pangunahing lugar ng pagsasaliksik din at nakatuon ako sa paligid ng 25% - 27% ng aking oras sa paggawa ng pananaliksik sa pang-unawa. Ngayon, ang layunin ng pananaliksik ng aming kumpanya ay upang paganahin ang mga autonomous na sasakyan upang makita ang paggamit lamang ng mga camera nang hindi nangangailangan ng LiDARs at mga radar. Ito ay isang ambisyon sa pananaliksik na nais nating makamit. Habang nakakamit iyon, tiniyak din namin na mayroon kaming pinakamabilis na algorithm sa buong mundo para sa anumang karaniwang gawain.
Mayroon kaming dalawang layunin sa pang-unawa. Isa, ang algorithm ay dapat na may kakayahang kaya pinagana nila ang mga autonomous na sasakyan upang makita ang paggamit lamang ng mga camera kapwa sa araw at gabi. Pinahaba namin ang kakayahang pang-unawa hindi lamang para sa oras ng araw ngunit sa gabi pati na rin ang paggamit ng anuman kundi ang headlight ng sasakyan at regular na off-the-shelf na RGB at NIR camera, ang uri ng mga camera na maaari kang bumili ng 3000 Rs sa merkado.
Nagfofocus kami