Modele i platformy AI

Autonomiczne quady są coraz bliżej

Alex McFarland
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyZbiór danych TartanDrive Uniwersytetu Carnegie Mellon obejmuje 200 000 rzeczywistych…
Zobacz więcej
  • Zbiór danych TartanDrive Uniwersytetu Carnegie Mellon obejmuje 200 000 rzeczywistych interakcji terenowych z agresywnej jazdy quadami.
  • Autonomia terenowa wymaga zrozumienia dynamiki terenu, w przeciwieństwie do prostszej jazdy po drogach ze statycznymi etykietami.
  • Pierwsze zastosowania pojazdów autonomicznych prawdopodobnie będą dotyczyć kontrolowanych obszarów terenowych, aby zminimalizować ryzyko kolizji.

Zespół badaczy z Carnegie Mellon University (CMU) zbliża nas o krok do osiągnięcia autonomicznych pojazdów terenowych (ATV). Zespół przejechał quadem przez różne środowiska, w tym przez wysoką trawę, luźny żwir i błoto, aby zgromadzić dane na temat tego, jak quad wchodzi w interakcje z tymi rodzajami terenów.

Tworzenie zestawu danych TartanDrive

Quad był prowadzony agresywnie z prędkością do 30 mil na godzinę. Poślizgiwał się przez zakręty, wjeżdżał na i zjeżdżał z wzgórz i utknął w błocie, zbierając przy tym ważne dane, takie jak filmy wideo, prędkość każdego koła i skok amortyzatorów zawieszenia z siedmiu typów czujników.

Po zebraniu wszystkich danych, zostały one skompilowane w zestaw danych o nazwie TartanDrive. Zawiera on około 200 000 rzeczywistych interakcji, a zespół uważa, że jest to największy zestaw danych z rzeczywistych, wielomodalnych jazd w terenie. Dane te mogą być później wykorzystane do szkolenia pojazdu autonomicznego do nawigacji w terenie.

Wenshan Wang jest naukowcem projektu w Instytucie Robotyki (RI).

“W przeciwieństwie do jazdy autonomicznej po drogach, jazda w terenie jest bardziej wymagająca, ponieważ trzeba zrozumieć dynamikę terenu, aby jeździć bezpiecznie i szybko”, powiedział Wang.

Były prowadzone wcześniej prace w tym obszarze, ale często obejmowały one mapy z adnotacjami, które zapewniały etykiety takie jak błoto, trawa, roślinność i woda. Etykiety te pomagały robotowi zrozumieć teren, którym się poruszał, ale problem polega na tym, że tego rodzaju informacje są często trudne do zebrania. Są to również dość ogólne informacje. Na przykład “błoto” może oznaczać środowisko, które jest albo przejezdne, albo nie.

 

Budowanie modeli predykcyjnych

Z wykorzystaniem danych czujników multimodalnych, które zespół zebrał, mogli oni zbudować modele predykcyjne, które są lepsze niż modele opracowane przy użyciu prostych i statycznych danych. Prowadząc quad agresywnie, stało się kluczowe, aby zrozumieć dynamikę jego działania.

Samuel Triest jest studentem drugiego roku studiów magisterskich z robotyki i głównym autorem artykułu badawczego.

“Dynamika tych systemów staje się bardziej wymagająca, im szybciej się poruszamy”, powiedział Triest. “Im szybciej jedziemy, tym więcej rzeczy uderzamy. Większość danych, które chcieliśmy zebrać, to agresywna jazda, bardziej wymagające nachylenia i gęstsza roślinność, ponieważ to tam prostsze reguły zaczynają zawodzić”.

Chociaż większość badań i prac nad pojazdami autonomicznymi jest ukierunkowana na jazdę po drogach, badacze twierdzą, że pierwsze zastosowania będą prawdopodobnie miały miejsce w kontrolowanych, obszarach poza drogami publicznymi. Pozwala to na mniejsze ryzyko kolizji.

Zespół przeprowadził wszystkie testy w kontrolowanym miejscu w pobliżu Pittsburgha, gdzie Narodowe Centrum Inżynierii Robotyki CMU testuje autonomiczne pojazdy terenowe.

Quad był prowadzony przez ludzi przy użyciu systemu drive-by-wire do sterowania kierownicą i prędkością.

“Wymuszaliśmy, aby człowiek przechodził przez ten sam interfejs sterowania, co robot”, powiedział Wang. “W ten sposób działania, które podejmuje człowiek, mogą być użyte bezpośrednio jako dane wejściowe do tego, jak powinien działać robot”.

Badania mają być przedstawione na Międzynarodowej Konferencji Robotyki i Automatyki (ICRA) w Filadelfii.

Alex prowadzi operacje informacyjne zasilane AI w Unite.AI, łącząc dziennikarstwo, badania i automatyzację, aby wspierać terminowe i skalowalne relacjonowanie sztucznej inteligencji. Jego praca pomaga zapewnić, że nowe osiągnięcia w dziedzinie AI są prezentowane efektywnie, przy zachowaniu standardów redakcyjnych publikacji.