Ponad 100 lat doświadczenia jazdy samochodem zamknięte w jednej sieci neuronowej. Polska firma deepsense.ai wspólnie z koncernem Volkswagen testują nowe podejście do budowy systemów zarządzania autonomicznymi pojazdami.

Projekt deepsense.ai i Volkswagena pokazał, że autonomiczny pojazd przeszkolony w całkowicie symulowanym środowisku może jeździć także w prawdziwym świecie. Do tego naukowcy zauważyli, że nie potrzeba kilku sieci neuronowych zajmujących się poszczególnymi elementami działania pojazdu, ale wystarczy jeden system do nadzorowania całości. Co ważne, testy na podstawie danych pozyskanych z symulatora przeprowadzone w realnym świecie okazały się sukcesem.

Model opracowany przez deepsense.ai polegał na przeszkoleniu sieci neuronowej w symulowanym środowisku, a następnie została ona przeniesiona do prawdziwego samochodu. Trening sieci odpowiadał doświadczeniu 100 lat prowadzenia pojazdu.

Firma zaprezentowała swoje badania podczas warsztatów na konferencji Neural Information Processing System w 2019 roku w Vancouver. Co różni zatem rozwiązanie deepsense od innych? Z pokazaniem tego może być kłopot, gdyż to, co dokładnie robią inne firmy w zakresie pojazdów autonomicznych, to ich własna, dobrze strzeżona technologia. Można jednak ocenić informacje dostępne publicznie, czy to poprzez przekazy medialne, czy publikowane prace naukowe. Poprosiliśmy przedstawiciela firmy o wskazanie tych elementów.

– Na podstawie dostępnych materiałów i prac wnioskujemy, że obecnie popularnym podejściem jest tworzenie modułów do obsługi każdego procesu, na przykład do rozpoznawania znaków drogowych. Zamiast jednej sieci neuronowej omijającej przeszkody funkcjonuje system złożony z części przetwarzającej dane wejściowe, a następnie przekazującej informacje do kolejnego modułu, który decyduje, jak przeszkodę ominąć – tłumaczy Błażej Osiński, data scientist z firmy deepsense.ai, jeden z ekspertów pracujących przy projekcie.

– Nasze podejście jest prawie zupełnie end-to-end, co znaczy, że na podstawie wejścia wizualnego, czyli danych z kamery, jedna sieć uczy się, jak sterować samochodem. Nie wykorzystuje w tym celu innych modułów. Mamy jeden wielki mózg samochodu zamiast maleńkich submózgów do sterowania każdym komponentem. Pewnym wyjątkiem jest dodanie do obrazu jego semantycznej anotacji , czyli określenia, który fragment obrazka jest zajmowany przez samochody, drogi, znaki, lub inne obiekty. Tym zajmuje się inna wytrenowana przez nas sieć – dodaje.

Jak zapewnia deepsense.ai, możliwość korzystania z symulacji ma kluczowe zalety. Po pierwsze, jest tańsze. W połączonych eksperymentach zespół wygenerował ogromną ilość danych. Zebranie tak dużej ilości doświadczenia w prawdziwym samochodzie jest niemożliwe. Szkolenie w symulatorze można również wykonać znacznie szybciej.

– W bardzo małym zespole i w krótkim czasie uzyskaliśmy system, który wykazuje pewien poziom autonomii przy prowadzeniu samochodu. Ilość zasobów, które wykorzystują inne firmy do budowy systemów autonomicznych, jest wiele rzędów wielkości większe. Można więc powiedzieć, że nasze podejście jest bardziej wydajne, jeśli chodzi o wkład ludzki – potrzebujemy mniej ludzkiej pracy, żeby dotrzeć do danego poziomu umiejętności. Trzeba jednak przyznać, że nasz system nie potrafi jeszcze tyle, co najbardziej zaawansowane systemy komercyjne. Podkreślam jednak, że projekt wciąż ma charakter badawczy, a w tym kontekście jest on bardzo obiecujący – mówi Osiński.

Od momentu publikacji badań minęło niemal pół roku. W ciągu tego czasu prace poszły zdecydowanie naprzód. Obecnie deepsense.ai skupia się na sytuacjach, gdzie jest interakcja między wieloma uczestnikami ruchu drogowego, na przykład przy zmianie pasa lub na skrzyżowaniach. Co ciekawe, rozwiązanie deepsense.ai nie musi być wyłącznie przeznaczone dla samochodów.

– Takie samo podejście można zastosować do innych pojazdów autonomicznych, na przykład w urządzeniach rolniczych albo budowlanych lub w dronach. W naszej opinii dopiero odkrywamy możliwości, które rysują się przed autonomicznymi pojazdami, i praktyczne zastosowania zostaną zainicjowane przez potrzeby biznesu lub innych organizacji. Nasze rozwiązanie pozwala pojazdowi autonomicznemu poruszać się bezpiecznie po mieście z punktu A do punktu B. A czy będzie to należący do miasta dron nadzorujący ruch drogowy, pełzający po kanalizacji automat nadzorujący ścieki czy jeżdżąca autonomiczna lodówka-kurier ze świeżymi warzywami, to zupełnie osobna historia – tłumaczy Błażej Osiński.

Nagrania z symulatora tutaj.

Skip to content