Моделі та платформи ШІ

Автономні квадроцикли стають ближчими до реальності

Alex McFarland
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиНабір даних TartanDrive від CMU включає 200 000 реальних взаємодій на бездоріжжі під…
Показати більше
  • Набір даних TartanDrive від CMU включає 200 000 реальних взаємодій на бездоріжжі під час агресивного водіння квадроциклів.
  • Автономність на бездоріжжі потребує розуміння динаміки місцевості, на відміну від простішого водіння містом із статичними позначками.
  • Перші застосування автономних транспортних засобів, ймовірно, будуть у контрольованих зонах бездоріжжя, щоб мінімізувати ризик зіткнень.

Команда дослідників з Університету Карнегі-Меллона (CMU) робить ще один крок до створення автономних квадроциклів (ATV). Команда проїхала на квадроциклі через різні середовища, включаючи високу траву, гравій і болото, щоб зібрати дані про взаємодію квадроцикла з цими типами позашляхових умов.

Створення набору даних TartanDrive

Квадроцикл рухався агресивно зі швидкістю до 30 миль на годину. Він ковзав через повороти, піднімався і спускався по схилах і застряв у болоті, збираючи важливі дані, такі як відео, швидкість кожного колеса і хід амортизаторів підвіски від семи типів датчиків.

Після збору всіх даних вони були скомпільовані в набір даних під назвою TartanDrive. Він містить близько 200 000 реальних взаємодій, і команда вважає, що це найбільший реальний, багатомодальний, позашляховий набір даних про водіння. Ці дані можуть бути пізніше використані для навчання автономного транспортного засобу для позашляхової навігації.

Веншан Ван є науковим співробітником Інституту робототехніки (RI).

“На відміну від автономного руху по вулицях, позашляхове водіння більш складне, оскільки потрібно зрозуміти динаміку місцевості, щоб рухатися безпечно і швидко”, – сказав Ван.

Було проведено деяку попередню роботу в цій галузі, але вона часто включала анотовані карти, які надавали мітки, такі як болото, трава, рослинність і вода. Ці мітки допомогли б роботизованому транспортному засобу зрозуміти місцевість, яку він проїжджав, але проблема полягає в тому, що таку інформацію часто важко зібрати. Це також досить загальна інформація. Наприклад, “болото” може означати середовище, яке можна проїхати або ні.

 

Будування моделей прогнозування

З допомогою багатомодальних даних датчиків, зібраних командою, вони могли побудувати моделі прогнозування, які перевершують моделі, розроблені з простих і нединамічних даних. При агресивному русі квадроцикла стало важливо зрозуміти динаміку його роботи.

Семюель Тріст – студент другого року магістратури з робототехніки і головний автор дослідження.

“Динаміка цих систем стає все більш складною, коли ви збільшуєте швидкість”, – сказав Тріст. “Ви рухаєтеся швидше, ви відскакуєте від більшої кількості речей. Багато даних, які нас цікавили, були пов’язані з більш агресивним рухом, більш складними схилами і густішою рослинністю, оскільки саме там простіші правила починають втрачати свою актуальність.”

Хоча більшість досліджень і робіт, пов’язаних з автономними транспортними засобами, спрямовані на рух по вулицях, дослідники стверджують, що перші застосування будуть, ймовірно, контрольовані позашляхові території. Це дозволяє зменшити ризик зіткнень.

Команда провела всі свої тести на контрольованому випробувальному майданчику біля Піттсбурга, де Національний центр робототехнічної інженерії CMU тестує автономні позашляхові транспортні засоби.

Квадроцикл керувався людьми за допомогою системи “drive-by-wire”, щоб контролювати керування і швидкість.

“Ми змусили людину проходити через той самий інтерфейс управління, який би використовувався роботом”, – сказав Ван. “У такий спосіб дії людини можуть бути використані безпосередньо як вхідні дані для того, як повинен діяти робот.”

Дослідження буде представлено на Міжнародній конференції з робототехніки та автоматизації (ICRA) у Філадельфії.

Alex McFarland

Alex очолює новинний підрозділ Unite.AI, що працює на базі ШІ, поєднуючи журналістику, дослідження та автоматизацію для підтримки своєчасного та масштабованого висвітлення штучного інтелекту. Його робота допомагає забезпечити ефективне виявлення нових розробок ШІ, зберігаючи редакційні стандарти видання.