स्व-ड्राइविंग कारों को ‘स्मृति’ बनाने में मदद करने का नया तरीका

कॉर्नेल विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक नई विधि विकसित की है जो स्वायत्त वाहनों को पिछले अनुभवों की “स्मृति” बनाने में सक्षम बनाती है, जो भविष्य में नेविगेशन में उपयोग की जा सकती है। यह विशेष रूप से तब उपयोगी होगा जब स्व-ड्राइविंग कारें खराब मौसम की स्थितियों में सेंसर पर भरोसा नहीं कर सकती हैं।

पिछले से सीखना

वर्तमान में स्व-ड्राइविंग कारें जो कृत्रिम तंत्रिका नेटवर्क का उपयोग करती हैं, उनके पास अतीत की कोई स्मृति नहीं है, जिसका अर्थ है कि वे हमेशा चीजों को पहली बार “देखती” हैं। और यह सच है चाहे वे कितनी भी बार एक ही सड़क पर चली हों।

किलियन वीनबर्गर शोध के वरिष्ठ लेखक और कंप्यूटर विज्ञान के प्रोफेसर हैं।

“मूलभूत प्रश्न यह है कि क्या हम पुनरावृत्ति से सीख सकते हैं?” वीनबर्गर ने कहा। “उदाहरण के लिए, एक कार पहली बार जब इसका लेजर स्कैनर दूर से एक अजीब आकार के पेड़ को देखता है, तो यह एक पैदल यात्री के लिए गलत हो सकता है, लेकिन जब यह पर्याप्त करीब होता है, तो वस्तु श्रेणी स्पष्ट हो जाएगी। इसलिए, दूसरी बार जब आप उसी पेड़ से गुजरते हैं, भले ही वह धुंध या बर्फ में हो, तो आप उम्मीद करेंगे कि कार ने अब इसे सही ढंग से पहचानना सीख लिया है।”

कार्लोस डियाज-रुइज़ नामक डॉक्टरेट छात्र के नेतृत्व में समूह ने एक डेटासेट बनाने के लिए एक कार को लिडार सेंसर से सुसज्जित किया और इसे 18 महीने की अवधि में 40 बार 15 किलोमीटर के लूप में चलाया। विभिन्न परीक्षण ड्राइव ने विभिन्न वातावरण, मौसम की स्थिति और दिन के समय को कैप्चर किया। इससे 600,000 से अधिक दृश्यों का एक डेटासेट बना।

“यह जानबूझकर स्व-ड्राइविंग कारों में एक प्रमुख चुनौती को उजागर करता है: खराब मौसम की स्थिति,” डियाज-रुइज़ ने कहा। “यदि सड़क बर्फ से ढकी हुई है, तो मानव स्मृति पर भरोसा कर सकते हैं, लेकिन स्मृति के बिना एक तंत्रिका नेटवर्क भारी रूप से वंचित है।”

हिंदसाइट और मॉडेस्ट

एक दृष्टिकोण, जिसे हिंदसाइट कहा जाता है, कार के गुजरने पर वस्तुओं के विवरणकों की गणना करने के लिए तंत्रिका नेटवर्क का उपयोग करता है। ये विवरण, जिन्हें स्क्वैश कहा जाता है, तब एक आभासी मानचित्र पर संकुचित और संग्रहीत किए जाते हैं, जो हमारे मस्तिष्क में अपनी स्मृतियों को संग्रहीत करने के तरीके जैसी एक प्रकार की “स्मृति” बनाते हैं।

जब स्व-ड्राइविंग कार भविष्य में उसी स्थान से गुजरती है, तो यह मार्ग के साथ हर लिडार बिंदु के स्थानीय स्क्वैश डेटाबेस से पूछताछ करती है, जो यह सीखती है कि यह क्या सीखा है। लगातार अद्यतन डेटाबेस वाहनों के पारित होने से मान्यता में सुधार करने के लिए अधिक जानकारी प्रदान करता है।

युरोंग यू एक डॉक्टरेट छात्र हैं।

“यह जानकारी किसी भी लिडार-आधारित 3डी वस्तु डिटेक्टर में विशेषताओं के रूप में जोड़ी जा सकती है,” यू ने कहा। “दोनों डिटेक्टर और स्क्वैश प्रतिनिधित्व को मानव निरीक्षण या मानव अनुसंधान के बिना संयुक्त रूप से प्रशिक्षित किया जा सकता है, जो समय- और श्रम-सघन है।”

हिंदसाइट टीम द्वारा किए जा रहे अन्य शोध में मदद करेगा, जिसे मॉडेस्ट (मोबाइल ऑब्जेक्ट डिटेक्शन विद एफेमेरलिटी एंड सेल्फ-ट्रेनिंग) कहा जाता है। मॉडेस्ट इस प्रक्रिया को आगे बढ़ाएगा और कार को पूरे धारणा पाइपलाइन को सीखने में सक्षम बनाएगा।

हिंदसाइट मानता है कि कृत्रिम तंत्रिका नेटवर्क पहले से ही वस्तुओं का पता लगाने के लिए प्रशिक्षित है, और स्मृति बनाने की क्षमता के साथ इसे बढ़ाता है, जबकि मॉडेस्ट मानता है कि कृत्रिम तंत्रिका नेटवर्क को कभी भी किसी वस्तु या सड़क के सामने नहीं लाया गया है। एक ही मार्ग की कई यात्राओं के बाद, यह सीखता है कि पर्यावरण के कौन से हिस्से स्थिर या चलती वस्तुएं हैं। यह प्रक्रिया प्रणाली को सिखाती है कि यह किन चीजों पर ध्यान देना चाहिए।

अल्गोरिदम ने सड़कों पर वस्तुओं का विश्वसनीय रूप से पता लगाने की क्षमता का प्रदर्शन किया, जो कि प्रारंभिक यात्राओं का हिस्सा नहीं थीं।

टीम का मानना है कि ये नए दृष्टिकोण स्वायत्त वाहनों के विकास की लागत को कम कर सकते हैं, साथ ही उन्हें अधिक कुशल बना सकते हैं।