テスラやグーグルのような技術の巨人は、自動運転車を技術愛好家の間で話題になっています。世界中のさまざまな企業が、さまざまな地形向けの自動運転車の開発に取り組んでいます。
接続された自動運転技術を誰もが利用でき、手頃な価格で利用できるようにするために、ボパールを拠点とするSwaayattRobotsが時流に参加しました。しかし、同社のCEOであるAutonomous Roboticsに関連するすべてのテクノロジーに関する膨大な知識を持って、SanjeevSharma氏は多くのテクノロジー企業をレースに残しました。2009年以来、彼は自動運転車のスマートなソリューションを考案するために多くの研究と数学的計算を行ってきました。
Sanjeev氏と話をする機会があり、SwaayattRobotsが取り組んでいる自動運転車とロボット工学の背後にある技術とその将来の計画について知ることができました。彼との会話全体を読むためにジャンプを打ってください。または、下のビデオを見て、編集者とSanjeev自身の会話を聞くこともできます。
Q.自動運転技術を誰もが利用しやすく手頃な価格にすることが、SwaayattRobotsの主な使命です。旅はどのように始まりましたか？
私は過去11年間、自律航法の分野で研究を行ってきました。2009年に、私はDARPAグランドチャレンジに触発されましたそれは米国で起こりました。その間、自動運転が私の目標になりました。何年にもわたって、私は研究を続け、特に不確実性の下での動作計画と意思決定について自習しました。焦点は、機械学習、強化学習、およびさまざまな手法を最適に活用することでした。私は2014年にSwaayattRobotsを始めましたが、それは私が過去数年間に行った調査と研究を単に適用することではありませんでした。動きと意思決定にいくつかのアイデアを適用して、知覚計画とローカリゼーションの問題も解決する必要がありました。私は意思決定と動作計画の分野でのみ研究経験がありました。しかし、知覚とローカリゼーションの分野は私にとってかなり新しいものでした。私の途方もない数学的背景は私を大いに助けました。
2015年頃に自動運転を可能にするアルゴリズムフレームワークの開発を開始すると、これは非常に大きなものになる可能性があり、非常に確率的な敵対的な交通シナリオでの自動運転の問題を本当に解決できることに気付きました。そして2014年以来、私はこのスタートアップにフルタイムで取り組んでいます。私の研究は特にいくつかの分野をカバーしていますが、特に、当社の焦点のほとんどは、自動運転車が交通力学の非常に高いレベルの確率に対処できるようにする意思決定および動作計画アルゴリズムの開発です。これは、Swaayatt Robotsで行われる調査の約65％から70％に相当します。研究の約25％〜27％は、車両のロボットシステムからのセンサーデータを処理するあらゆる種類のアルゴリズムを含む知覚の領域に向けられています。周囲の世界の3D表現を構築します。
知覚において、私たちは、昼夜を問わず機能する既製のカメラのみを使用して自動運転車が環境を知覚できるようにすることができる、世界でも数少ない企業の1つです。これは、これまでの道のりの大まかな方法です。
Q. 2014年にアイデアの検証を開始し、2015年までに完全に道を切り開きました。では、この1年間で何をすべきでしょうか。インドで自動運転ができることをどのようにテストしましたか？
自動運転は、3つのアルゴリズムパイプラインを組み合わせたものです。知覚、計画、およびローカリゼーション。アルゴリズムは、感覚データを取得して処理し、車両の周囲に3D表現を構築します。それらを知覚アルゴリズムと呼びます。ローカリゼーションアルゴリズムは、道路上の車両の位置をグローバルに正確に決定しようとします。これは、ロボットが学術的な設定で働いていた方法です。 2009年、この自動運転モデルはGoogleによって開拓されました。自動運転車が特定の道路を移動する前に、道路全体を3Dで非常に詳細にマッピングする必要があります。これらのマップを高忠実度マップと呼びます。これらの忠実度の高いマップには、環境に関するいくつかの非常に重要な情報が格納されています。これらは通常、環境内のさまざまな種類の区切り文字をすべて格納します。
自動運転車が環境内を移動する前に、環境全体が非常に正確にマッピングされます。環境内のすべての車線マーカー、道路境界、およびあらゆる種類の区切り文字は、実際にはこれらの種類の忠実度の高いマップに保存されます。
車両がすでに忠実度の高いマップを持っている環境をナビゲートするとき、車両のさまざまなセンサーからデータを再度キャプチャし、作成した参照マップとデータを一致させようとします。このマッチングプロセスにより、地球上の車両の位置と車両の構成を示すポーズベクトルが得られます。道路上の車両の位置と構成がわかれば、忠実度の高いマップに保存したすべての情報が、車両の現在の構成の上に投影されます。道路マーカー、車線マーカー、およびあらゆる種類の道路区切り文字や環境区切り文字など、この情報を投影する場合。自動運転車は、特定の区切り文字に関して、または特定のレーンマーカーから現在どこにあるかを認識しています。そう、これは、ローカリゼーションアルゴリズムが行うことです。
自動運転の最後の領域は、計画と意思決定です。計画と意思決定のアルゴリズムが洗練され、優れているほど、自動運転車の能力は向上します。たとえば、計画と意思決定のアルゴリズムにより、企業はレベル2、レベル3、レベル4、およびレベル5の自律性から区別されます。車両の動きと動作の意思決定または計画を担当するアルゴリズムはすべて、計画アルゴリズムです。
計画アルゴリズムが洗練されているほど、車両はより良くなります。いくつかのモーションプランナーと意思決定者は、車両と環境の安全性、ナビゲートする速度、車両の周囲、および環境から計算できるすべてのパラメーターの評価を支援します。これは、計画アルゴリズムが行うことです。
私は計画の分野で研究してきました。インドの交通ダイナミクスの確率論に対処できる種類のアルゴリズムがある場合。これに対処でき、アルゴリズムがあれば、知覚とローカリゼーションのスタックを構築できれば、本格的な自動運転技術があることが証明されます。
何が最適に機能するかを検証するために、すべての異なるアルゴリズムを開発する必要はありません。自動運転の重要な問題を解決することがわかっている3つまたは4つの異なるアルゴリズムを構築する必要があります。安全性は、商用自動運転車が道路上に表示されない主な問題です。コストと他のすべての問題は二次的なものです。自動運転のローカリゼーションやマッピングの側面など、1つまたは2つのアルゴリズムに基づいてスタートアップ全体を構築することもできました。しかし、私の目標は、あちこちで1つか2つのアルゴリズムではなく、本格的な自動運転車を開発することでした。計画と意思決定の分野で重要な側面を証明したことで、自動運転全般の問題全体に取り組む自信がつきました。
Q. Swaayatt Robotsはどのレベルの自動運転に取り組んでいますか？そして、あなたはインドでどのレベルが可能だと思いますか？
私たちの目標は、レベル5の自律性を実現し、このような環境でテクノロジーが安全であることを保証することです。私たちはレベル3とレベル4の間のどこかにいます。私たちが行っているアルゴリズム研究のいくつかは、レベル5を対象とした動作計画と意思決定です。
また、自動運転車が信号なしでピーク時の交差点を横断できるようにすることにも取り組んでいます。自動運転車が非常に確率的な交通量の狭いスペースを処理できるようにすることで、レベル5の自律性を実現することを目標としています。車両や自転車が反対側から来ているときも、非常に厳しい環境で自動運転を行ってきました。 POCレベルでは、3〜4レベルを達成しました。狭いスペースで非常に確率的なトラフィックで実験を行うことにより、POCをレベル4の自律性に向けました。私たちの現在の目標は、インドの道路で時速101キロメートルの自動運転を達成することです。
これらの種類の環境で車両の安全性を証明したら、技術を利用して、交通がはるかに構造化され、環境もインドに比べてはるかに厳しい北米やヨーロッパなど、他の場所に適用できます。環境。したがって、現時点でのインドは、現時点で他の誰も行っていないことがあることを証明するためのテストの場です。
Q. Swaayatt Robotsは、自動運転ソリューションの開発においてどの程度進歩しましたか？現在、どのレベルの運転に取り組んでいますか？
現在、自動運転車のほぼ最適な時間パラメータ化された軌道を500マイクロ秒で計画できる世界最速の動作計画アルゴリズムがあります。したがって、アルゴリズムはおよそ2000ヘルツで機能します。私たちは、インドの高速道路で時速80kmまでの自動運転を可能にする技術を持っています。インドの高速道路でそのような速度を達成することは非常に困難です。通常、それができる場合は、他の場所でも使用できます。あなたはそれを外国の交通に適用することができ、基本的にあなたはレベル4に非常に近いです。あなたにアイデアを与えるために、私たちはマルチエージェントインテント分析とネゴシエーションと呼ばれるものに取り組んできました。このフレームワークにより、私たちの車両は、道路上の他の車両やエージェントの意図の確率を計算するだけではありません。他のエージェント、車両、または環境内の障害物では不可能な、パスセット全体の確率を計算できます。ただし、この機能だけでは不十分です。たとえば、将来のモーション軌跡を予測し、さまざまな車両のすべてのパスセットの確率を計算できる、非常に計算量の多いシステムを構築できます。これは、計算要件にも焦点を当てる必要がある場所です。マルチエージェントの意図分析と交渉のこの問題における計算上の需要は、あなたが何の研究もしていないか、数学を適切に使用していないか、またはそれらを適切に設計していない場合、指数関数的に増大します。私は応用数学の概念のいくつかを、特に位相的理論の分野で研究しています。私はホモトピーマップのようないくつかの概念を使用しています、これにより、当社のテクノロジーで計算をスケーリングできます。少なくとも現時点では、アルゴリズムの背後にある数学を適切に理解していない場合に発生する指数関数的な爆発とは対照的に、エージェントの数に関しては超線形です。
マルチエージェントインテント分析ネゴシエーションフレームワークは、現在取り組んでいる2つの異なるブランチにさらに細分化されています。 1つはTSN（Tight Space Negotiator Framework）で、もう1つは追い越しモデルです。 TSNを使用すると、自動運転車は、低速と高速の両方で、厳しい環境と確率的なトラフィックの両方をネゴシエートできます。そのため、高速道路は高速道路の雑然とした確率的交通シナリオに非常に役立ち、低速は、交通量が多すぎて交通騒音が多い最も狭い通りに遭遇することが多い都市シナリオで車両がナビゲートしているときに非常に役立ちます。トラフィックダイナミクスの不確実性が大きすぎます。
私たちはすでに過去2年半にわたってこれに取り組んでおり、すでにPOCの形で開発しています。私が話しているこれらのフレームワークの断片のいくつかは、インドの道路で時速101kmを達成することを目的とした次の実験のデモで示すことができます。
さらに、AIのさまざまな分野でも研究を行っています。私たちは見習い学習、逆強化学習を多用しています。そのため、現在、インドのドライバーと同じように、自動運転車が一般的な2車線の道路を追い越せるように取り組んでいます。私たちは、限られた資金で可能な限り最大限にシミュレーションと実世界の両方で証明しています。これらは、私たちがすでに現場で証明した研究分野の一部であり、それらのいくつかは、今後数か月以内に証明される予定です。
それとは別に、私たちは、忠実度の高い地図がまったくない、まったく未知の目に見えない環境で自動運転を可能にする世界で唯一の企業の1つです。忠実度の高い地図を使用せずに自動運転を可能にします。私たちは、忠実度の高い地図の必要性を完全に根絶する事業を行っており、この根絶は、2つの主要な技術によって可能になっています。当社のTSNフレームワークは、新しい規制ベンチマークを設定するために作成されています。
Q.ハードウェアアーキテクチャについて言えば、計算目的でどのようなハードウェアを使用していますか。また、自動運転車に現実世界をマッピングするためにどのようなセンサーやカメラを使用していますか？
今のところ、私たちは既製のカメラを使用しています。自動運転車のデモを見ると、3000Rsのカメラしか使用していないことがわかります。自律型企業やロボット工学企業で世界中で行われている知覚研究を見ると、彼らはカメラ、LiDAR、レーダーなどの3つの異なるセンサーすべてを使用しています。現在、自動運転の実験はすべてカメラのみを使用して行われています。会社を始めたときは、計画の専門知識しかありませんでしたが、2016年以降、世界中のラボが取り組んでいる最先端の研究論文に気づきました。現実の世界では機能しません。それらが機能する場合、それらは計算集約的すぎて、機能しません。そう、私は知覚も私の主要な研究分野としてとらえ、知覚研究を行うことに私の時間の約25％から27％を費やしました。現在、当社の研究目標は、自動運転車がLiDARやレーダーを必要とせずにカメラのみを使用して認識できるようにすることです。これは私たちが達成したい研究の野心です。それを達成する一方で、一般的なタスクに対して世界最速のアルゴリズムを使用できるようにしました。
知覚には2つの目標があります。1つは、アルゴリズムは、自動運転車が昼夜を問わずカメラのみを使用して認識できるようにする必要があります。この知覚機能は、昼間だけでなく夜間にも拡張されており、車両のヘッドライトと通常の既製のRGBおよびNIRカメラ（3000 Rsで購入できる種類のカメラ）のみを使用しています。市場。
焦点を合わせる