Raksasa teknologi seperti Tesla dan Google menjadikan kenderaan memandu sendiri sebagai topik yang banyak dibincangkan di kalangan peminat teknologi. Pelbagai syarikat di seluruh dunia berusaha untuk membangunkan kenderaan pemanduan autonomi untuk pelbagai medan.
Untuk menjadikan teknologi pemanduan autonomi yang terhubung dapat diakses, terjangkau, dan tersedia untuk semua orang, Swaayatt Robots yang berpangkalan di Bhopal bergabung dengan kereta. Walau bagaimanapun, dengan pengetahuan yang sangat besar mengenai semua teknologi yang terlibat dalam Autonomous Robotics, CEO syarikat itu, Encik Sanjeev Sharma meninggalkan banyak syarikat teknologi di belakang dalam perlumbaan. Sejak tahun 2009, dia telah banyak meneliti dan menjalani perhitungan matematik yang terlibat dalam menghasilkan penyelesaian pintar untuk memandu kereta sendiri.
Kami berpeluang untuk bercakap dengan Encik Sanjeev dan mengetahui setiap teknologi di sebalik Kenderaan dan Robotik Autonomi yang sedang diusahakan oleh Swaayatt Robots dan rancangan masa depan mereka. Lompat terus untuk membaca keseluruhan perbualan kami dengannya. Sebagai alternatif, anda juga boleh menonton video di bawah ini untuk mendengar perbualan antara editor kami dan Sanjeev sendiri
Q. Menjadikan Teknologi Memandu Autonomi Boleh Diakses dan Terjangkau oleh semua orang adalah misi utama Swaayatt Robots. Bagaimana perjalanan bermula?
Saya telah membuat penyelidikan dalam bidang navigasi autonomi selama 11 tahun yang lalu sekarang. Kembali pada tahun 2009, saya mendapat inspirasi dari DARPA Grand Challengesyang berlaku di AS. Memandu secara autonomi menjadi tujuan saya selama bertahun-tahun. Selama bertahun-tahun, saya terus membuat penyelidikan dan melakukan kajian kendiri secara khusus mengenai perancangan gerakan dan membuat keputusan dengan tidak pasti. Fokusnya adalah pada penggunaan optimum pembelajaran mesin, pembelajaran pengukuhan, dan berbagai teknik. Saya memulakan Swaayatt Robots pada tahun 2014 tetapi ia tidak hanya menggunakan kajian dan kajian yang telah saya lakukan sejak beberapa tahun kebelakangan ini. Dengan menerapkan beberapa idea dalam gerakan dan membuat keputusan, saya juga harus menyelesaikan masalah perancangan persepsi dan penyetempatan. Saya mempunyai pengalaman penyelidikan hanya dalam bidang pembuatan keputusan dan perancangan gerakan. Tetapi bidang persepsi dan penyetempatan cukup baru bagi saya. Latar belakang matematik saya yang luar biasa banyak membantu saya.
Sebaik sahaja saya mula mengembangkan kerangka algoritma untuk membolehkan pemanduan autonomi sekitar tahun 2015, saya menyedari bahawa ini boleh menjadi sesuatu yang sangat besar, dan kita benar-benar dapat menyelesaikan masalah pemanduan autonomi dalam senario lalu lintas lawan yang sangat stokastik. Dan sejak tahun 2014, saya telah bekerja sepenuh masa pada permulaan ini. Penyelidikan saya secara khusus merangkumi beberapa cabang tetapi, khususnya, sebahagian besar fokus syarikat kami adalah mengembangkan algoritma pembuatan keputusan dan perancangan gerakan yang membolehkan kenderaan autonomi menangani tahap stokastik dalam dinamika lalu lintas yang sangat tinggi. Itu berjumlah kira-kira 65% hingga 70% penyelidikan yang berlaku di Swaayatt Robots. Kira-kira 25% - 27% penyelidikan memasuki bidang persepsi, yang merangkumi segala macam algoritma yang memproses data sensor dari sistem robotik kenderaan,dan membina perwakilan 3d dunia di sekelilingnya.
Pada persepsi, kami adalah salah satu syarikat yang sangat sedikit di dunia yang boleh membenarkan kenderaan autonomi untuk melihat persekitaran dengan hanya menggunakan kamera luar rak yang berfungsi pada waktu siang dan malam. Ini adalah bagaimana perjalanannya sejauh ini.
Q. Anda bermula pada tahun 2014 untuk mengesahkan idea anda dan kemudian anda benar-benar berjaya pada tahun 2015. Jadi apa yang harus kita lakukan dalam satu tahun ini? Bagaimana anda menguji bahawa memandu sendiri boleh dilakukan di India?
Pemanduan autonomi adalah gabungan tiga saluran paip algoritma yang disatukan. persepsi, perancangan, dan penyetempatan. Algoritma mengambil data deria, memprosesnya, dan membina perwakilan 3d di sekitar kenderaan. Kami memanggil mereka algoritma persepsi. Algoritma penyetempatan cuba menentukan kedudukan kenderaan di jalan raya secara tepat. Ini adalah bagaimana robot digunakan untuk bekerja dalam persekitaran akademik. Pada tahun 2009, model pemanduan autonomi ini dipelopori oleh Google. Sebelum kenderaan autonomi melayari jalan tertentu, keseluruhan jalan harus dipetakan dengan terperinci dalam bentuk 3D. Kami memanggil peta ini, peta kesetiaan tinggi. Peta kesetiaan tinggi ini menyimpan beberapa maklumat penting mengenai persekitaran. Mereka biasanya menyimpan pelbagai jenis pembatas di persekitaran.
Sebelum kenderaan autonomi menavigasi di persekitaran, seluruh persekitaran dipetakan dengan cara yang sangat tepat. Semua penanda lorong, sempadan jalan, dan apa-apa pembatas di persekitaran sebenarnya disimpan dalam peta kesetiaan tinggi seperti ini.
Apabila kenderaan menavigasi melalui lingkungan di mana Anda sudah memiliki peta kesetiaan tinggi, maka anda sekali lagi menangkap data dari pelbagai sensor pada kenderaan dan cuba memadankan data dengan peta rujukan yang telah anda bina. Proses pemadanan ini memberi anda vektor pose yang memberitahu anda di mana kenderaan berada di planet bumi dan apakah konfigurasi kenderaan. Sebaik sahaja anda mengetahui kedudukan dan konfigurasi kenderaan di jalan raya, keseluruhan maklumat yang anda simpan dalam peta kesetiaan tinggi diproyeksikan di atas konfigurasi semasa kenderaan. Apabila anda memproyeksikan maklumat ini seperti penanda jalan, penanda lorong, dan apa-apa jenis pembatas jalan atau pembatas persekitaran; kenderaan autonomi tahu di mana ia berada sekarang berkenaan dengan pembatas tertentu atau dari penanda lorong tertentu. Jadi,inilah yang dilakukan algoritma penyetempatan.
Bahagian terakhir pemanduan autonomi adalah merancang dan membuat keputusan. Semakin canggih dan lebih baik algoritma perancangan dan pembuatan keputusan yang anda miliki, semakin berkemampuan kenderaan autonomi anda. Contohnya, algoritma perancangan dan pembuatan keputusan akan membezakan syarikat daripada berada di tahap dua, tahap tiga, tahap empat, dan tahap lima autonomi. Mana-mana algoritma yang bertanggungjawab untuk membuat keputusan atau merancang pergerakan dan tingkah laku kenderaan adalah algoritma perancangan.
Semakin canggih dalam algoritma perancangan, semakin baik kenderaan anda. Beberapa perancang gerakan dan pembuat keputusan membantu dalam menilai keselamatan kenderaan dan persekitaran, kelajuan di mana anda menavigasi, sekitar kenderaan, dan semua parameter yang dapat anda hitung dari persekitaran anda. Inilah yang dilakukan oleh algoritma perancangan.
Saya telah membuat kajian dalam bidang perancangan. Sekiranya anda mempunyai jenis algoritma yang dapat menangani stochasticity dalam dinamika lalu lintas di India. Sekiranya anda dapat mengatasinya dan jika anda mempunyai algoritma, maka anda telah membuktikan bahawa jika anda dapat membina timbunan persepsi dan penyetempatan, anda mempunyai teknologi pemanduan autonomi yang lengkap.
Anda tidak perlu mengembangkan semua algoritma yang berbeza untuk mengesahkan yang terbaik. Anda hanya perlu membina tiga atau empat algoritma berbeza yang anda tahu akan menyelesaikan masalah utama dalam pemanduan autonomi. Keselamatan adalah masalah utama mengapa anda tidak melihat kenderaan autonomi komersial di jalan raya. Kos dan semua masalah lain adalah sekunder. Saya boleh membina keseluruhan permulaan hanya pada satu atau dua algoritma seperti aspek penyetempatan dan pemetaan pemanduan autonomi. Tetapi tujuan saya adalah untuk membangunkan kenderaan autonomi penuh dan bukan satu atau dua algoritma di sana sini. Setelah membuktikan aspek utama dalam bidang perancangan dan membuat keputusan memberi saya keyakinan untuk mengatasi keseluruhan masalah pemanduan autonomi secara besar-besaran.
Q. Tahap pemanduan autonomi apa yang diusahakan oleh Robot Swaayatt? Dan tahap mana yang anda fikir boleh dilakukan di India?
Matlamat kami adalah untuk mencapai tahap 5 autonomi dan memastikan bahawa teknologi selamat dalam persekitaran seperti ini. Kami berada di antara tahap tiga dan tahap empat. Sebilangan penyelidikan algoritma yang kami lakukan adalah dalam merancang gerakan dan membuat keputusan yang disasarkan ke tahap lima.
Kami juga berusaha untuk membolehkan kenderaan autonomi dapat melintasi persimpangan pada waktu puncak tanpa lampu isyarat. Kami menyasarkan untuk mencapai tahap lima autonomi dengan mengaktifkan kenderaan autonomi dalam menangani ruang yang sesak dengan lalu lintas yang sangat stokastik. Kami telah melakukan pemanduan secara autonomi dalam persekitaran yang sangat ketat ketika kenderaan atau basikal juga datang dari arah yang berlawanan. Pada peringkat POC, kami telah mencapai antara tiga hingga empat tahap. Kami telah mengubah POC untuk tahap empat autonomi dengan melakukan eksperimen dalam lalu lintas yang sangat stokastik dengan ruang yang ketat. Matlamat semasa kami adalah mencapai 101 kilometer sejam memandu secara automatik di jalan raya India.
Setelah anda membuktikan keselamatan kenderaan di persekitaran seperti ini, anda boleh menggunakan teknologi anda dan menggunakannya di tempat lain seperti di Amerika Utara dan Eropah di mana lalu lintas jauh lebih tersusun, di mana persekitarannya juga jauh lebih ketat berbanding dengan orang India persekitaran. Jadi, India sekarang adalah tempat ujian bagi kita untuk membuktikan bahawa kita mempunyai sesuatu yang tidak dilakukan oleh orang lain pada masa ini.
Q. Sejauh mana kemajuan robot Swaayatt dalam mengembangkan penyelesaian Pemanduan Autonomi? Tahap memandu apa yang sedang anda jalankan?
Pada masa ini, kami mempunyai algoritma perancangan gerakan terpantas di dunia yang dapat merancang lintasan parameter masa hampir optimum untuk kenderaan autonomi dalam 500 mikrodetik. Jadi algoritma berfungsi kira-kira pada 2000 hertz. Kami mempunyai teknologi untuk membolehkan pemanduan secara automatik hingga 80 kilometer sejam di lebuh raya India. Mencapai kelajuan tinggi di lebuh raya India sangat mencabar. Biasanya, jika anda boleh melakukannya, anda juga boleh membawanya ke tempat lain. Anda boleh menggunakannya dalam lalu lintas asing dan pada asasnya, anda sangat hampir dengan tahap empat. Untuk memberi anda idea, kami telah mengusahakan analisis dan perundingan niat berbilang ejen. Rangka kerja ini membolehkan kenderaan kita tidak hanya menghitung kebarangkalian niat kenderaan atau ejen lain di jalan raya.Ia dapat mengira kebarangkalian keseluruhan set jalan yang tidak dapat dilakukan oleh agen atau kenderaan lain atau halangan di persekitaran. Walau bagaimanapun, kemampuan ini sahaja tidak mencukupi. Sebagai contoh, anda boleh membina sistem yang sangat memerlukan pengiraan yang dapat meramalkan lintasan pergerakan masa depan dan mungkin mengira kebarangkalian semua set jalan kenderaan yang berbeza. Di sinilah anda harus fokus iaitu pada keperluan komputasi juga. Permintaan komputasi dalam permasalahan analisis dan perundingan niat multi-agen ini akan berkembang dengan pesat jika anda belum membuat penyelidikan, tidak menggunakan matematik dengan betul, atau jika anda tidak merancangnya dengan betul. Saya sedang meneliti beberapa konsep dari matematik terapan, khususnya dalam bidang teori topologi. Saya menggunakan beberapa konsep seperti peta homotopi,yang membolehkan teknologi kami meningkatkan pengiraan. Sekurang-kurangnya sekarang, ini adalah superlinear dari segi jumlah ejen berbanding dengan ledakan eksponensial yang akan anda hadapi sekiranya anda tidak berjaya menyelesaikan matematik di sebalik algoritma dengan betul.
Rangka kerja perundingan analisis niat pelbagai ejen dibahagikan lagi kepada dua cabang berbeza yang sedang kami jalankan. Salah satunya adalah TSN (Tight Space Negotiator Framework) dan yang lain adalah model penyeberangan. TSN membenarkan kenderaan autonomi untuk merundingkan persekitaran yang ketat dan lalu lintas stokastik, pada kelajuan rendah dan tinggi. Oleh itu, kelajuan tinggi akan sangat berguna untuk senario lalu lintas stochastic yang lebat di jalan raya dan kelajuan rendah akan sangat berguna ketika kenderaan menavigasi dalam senario bandar, di mana anda sering menemui jalan raya yang sesak dengan lalu lintas dan kebisingan yang terlalu banyak di lalu lintas yang bermaksud di sana terlalu banyak ketidakpastian dalam dinamika lalu lintas.
Kami telah mengusahakannya selama dua setengah tahun yang lalu, dan kami telah mengembangkannya dalam bentuk POC. Sebilangan kecil kerangka kerja ini yang saya bicarakan dapat ditunjukkan dalam demo dalam eksperimen kami yang seterusnya yang akan disasarkan untuk mencapai 101 kilometer sejam yang berfungsi di jalan raya India.
Selain itu, kami juga membuat penyelidikan di pelbagai cabang AI. Kami banyak menggunakan pembelajaran magang, pembelajaran pengukuhan terbalik. Oleh itu, kami sedang berusaha untuk membolehkan kenderaan autonomi menyimpang di jalan dua lorong khas seperti yang dilakukan oleh pemandu India. Kami membuktikan dalam simulasi dan juga di dunia nyata semaksimum mungkin dengan pembiayaan yang terhad. Ini adalah beberapa bidang penyelidikan yang telah kita buktikan di lapangan, dan beberapa di antaranya akan terbukti dalam beberapa bulan ke depan.
Selain daripada itu, kami adalah satu-satunya syarikat di dunia yang dapat membolehkan pemanduan autonomi dalam persekitaran yang sama sekali tidak diketahui dan tidak kelihatan yang sama sekali tidak ada peta kesetiaan tinggi. Kita boleh mengemudi secara automatik tanpa menggunakan peta kesetiaan tinggi. Kami berada dalam perniagaan sepenuhnya untuk menghapuskan keperluan untuk peta kesetiaan yang tinggi dan pembasmian ini dilakukan oleh dua teknologi utama kami. Kerangka TSN kami dibuat untuk menetapkan penanda aras peraturan baru.
Q. Bercakap mengenai seni bina perkakasan, jenis perkakasan yang anda gunakan untuk tujuan pengiraan anda. Juga, jenis sensor dan kamera yang anda gunakan untuk memetakan dunia nyata pada kenderaan autonomi anda?
Setakat ini, kami hanya menggunakan kamera di luar rak. Sekiranya anda melihat demo kami untuk kenderaan autonomi, anda akan menyedari bahawa kami tidak menggunakan kamera 3000 Rs. Sekiranya anda melihat penyelidikan persepsi yang berlaku di seluruh dunia dengan syarikat autonomi atau syarikat robotik, mereka menggunakan ketiga-tiga sensor yang berbeza seperti kamera, LiDAR, dan radar. Pada masa ini, semua eksperimen memandu autonomi kami hanya berlaku menggunakan kamera. Semasa saya memulakan syarikat, saya hanya mempunyai kepakaran dalam merancang tetapi sejak tahun 2016, saya menyedari bahawa makalah penyelidikan canggih apa sahaja makmal di seluruh dunia sedang diusahakan; ia tidak berfungsi di dunia nyata. Sekiranya mereka bekerja, mereka terlalu intensif secara komputasi, dan mereka tidak berfungsi. Jadi,Saya juga mengambil persepsi sebagai kawasan penyelidikan utama saya dan saya menumpukan sekitar 25% - 27% masa saya dalam membuat penyelidikan persepsi. Kini, tujuan penyelidikan syarikat kami adalah untuk membolehkan kenderaan autonomi dapat melihat hanya menggunakan kamera tanpa memerlukan LiDAR dan radar. Ini adalah cita-cita penyelidikan yang ingin kita capai. Semasa mencapainya, kami juga memastikan bahawa kami mempunyai algoritma terpantas di dunia untuk sebarang tugas biasa.
Kami mempunyai dua tujuan dalam persepsi. Satu, algoritma harus begitu mampu sehingga membolehkan kenderaan autonomi melihat hanya menggunakan kamera pada waktu siang dan malam. Kami telah memperluas keupayaan persepsi ini bukan hanya untuk siang hari tetapi pada waktu malam juga tidak menggunakan apa-apa kecuali lampu depan kenderaan dan kamera RGB dan NIR luar biasa, jenis kamera yang boleh anda beli dengan harga 3000 Rs di pasar.
Kami memberi tumpuan