테슬라와 구글과 같은 거대 기술 기업들은 자율 주행 차를 기술 애호가들 사이에서 화제가되는 주제로 만들었다. 전 세계의 다양한 회사가 다양한 지형에서 자율 주행 차량을 개발하기 위해 노력하고 있습니다.
연결된 자율 주행 기술을 모든 사람이 접근 가능하고 저렴하며 사용할 수 있도록하기 위해 Bhopal에 기반을 둔 Swaayatt Robots가 밴드 웨건에 합류했습니다. 그러나 회사의 CEO 인 Autonomous Robotics에 관련된 모든 기술에 대한 방대한 지식을 가진 Sanjeev Sharma는 경주에서 많은 기술 회사를 떠났습니다. 2009 년부터 그는 자율 주행 자동차를위한 스마트 솔루션을 내놓기 위해 많은 것을 연구하고 수학적 계산을 받고 있습니다.
Sanjeev 씨와 이야기를 나누고 Swaayatt Robots가 작업하고있는 자율 주행 차량 및 로봇 공학의 모든 기술과 향후 계획을 알 수있는 기회를 얻었습니다. 점프를 쳐서 우리가 그와 나눈 전체 대화를 읽어보세요. 또는 아래 비디오를보고 편집자와 Sanjeev 자신의 대화를들을 수도 있습니다.
Q. 자율 주행 기술을 모든 사람이 이용할 수 있고 경제적으로 만드는 것이 Swaayatt Robots의 주요 임무입니다. 여정은 어떻게 시작 되었습니까?
저는 지난 11 년 동안 자율 주행 분야에서 연구를 해왔습니다. 2009 년에 저는 DARPA Grand Challenges 에서 영감을 얻었습니다.미국에서 일어난 일입니다. 자율 주행은 그동안 제 목표가되었습니다. 수년에 걸쳐 저는 불확실한 상황에서 모션 계획과 의사 결정에 대해 계속해서 연구하고 자체 연구를했습니다. 초점은 기계 학습, 강화 학습 및 다양한 기술을 최적으로 사용하는 데있었습니다. 저는 2014 년에 Swaayatt Robots를 시작했지만 단순히 지난 몇 년간 수행 한 연구와 연구를 적용한 것이 아닙니다. 움직임과 의사 결정에 몇 가지 아이디어를 적용하여 인식 계획 및 현지화 문제도 해결해야했습니다. 의사 결정 및 모션 계획 분야에서만 연구 경험이 있습니다. 그러나 인식과 지역화의 영역은 나에게 상당히 새로운 것이었다. 저의 엄청난 수학적 배경은 저에게 많은 도움이되었습니다.
2015 년경 자율 주행을 가능하게하는 알고리즘 프레임 워크를 개발하기 시작했을 때, 이것이 매우 큰 일이 될 수 있다는 것을 깨달았고, 매우 확률적인 적대적 교통 시나리오에서 자율 주행 문제를 실제로 해결할 수 있습니다. 2014 년부터 저는이 스타트 업에서 풀 타임으로 일하고 있습니다. 특히 저의 연구는 여러 분야를 다루고 있지만, 특히 우리 회사의 초점은 자율 주행 차가 교통 역학에서 매우 높은 수준의 확률 성을 처리 할 수 있도록하는 의사 결정 및 모션 계획 알고리즘을 개발하는 것입니다. Swaayatt Robots에서 진행되는 연구의 약 65 ~ 70 %에 해당합니다. 연구의 약 25 %-27 %는 차량 로봇 시스템의 센서 데이터를 처리하는 모든 종류의 알고리즘을 포함하는 인식 영역으로 이동합니다.주변 세계를 3D로 표현합니다.
우리는 자율 주행 차가 낮과 밤에도 작동하는 기성 카메라만을 사용하여 환경을인지 할 수있는 세계에서 몇 안되는 회사 중 하나입니다. 이것은 대략 지금까지의 여정이 어땠는지입니다.
Q. 아이디어를 검증하기 위해 2014 년에 시작했고 2015 년까지 완전히 경로를 잡았습니다. 그렇다면 올해 우리는 무엇을해야할까요? 인도에서 자율 주행이 가능하다는 것을 어떻게 테스트 했습니까?
자율 주행은 세 가지 알고리즘 파이프 라인이 결합 된 것입니다. 인식, 계획 및 현지화. 알고리즘은 감각 데이터를 가져와 처리하고 차량 주변의 3D 표현을 만듭니다. 이를 인식 알고리즘이라고합니다. 현지화 알고리즘은 도로에서 차량의 위치를 전체적으로 정확하게 결정하려고합니다. 이것은 로봇이 학업 환경에서 일하는 방식입니다. 2009 년에이 자율 주행 모델은 Google에 의해 개척되었습니다. 자율 주행 차가 특정 도로를 주행하기 전에 전체 도로를 매우 세밀하게 3D로 매핑해야합니다. 우리는 이것을 고 충실도지도라고 부릅니다. 이러한 고 충실도 맵은 환경에 대한 매우 중요한 정보를 저장합니다. 일반적으로 환경에 모든 종류의 구분 기호를 저장합니다.
자율 주행 차가 한 환경에서 탐색하기 전에 전체 환경이 매우 정확한 방식으로 매핑됩니다. 모든 차선 표식, 도로 경계 및 환경의 모든 종류의 구분 기호는 실제로 이러한 종류의 고 충실도지도에 저장됩니다.
차량이 이미 고 충실도지도가있는 환경을 탐색 할 때 차량의 다양한 센서에서 데이터를 다시 캡처하고 데이터를 구축 한 참조지도와 일치 시키려고합니다. 이 일치 프로세스는 차량이 행성 지구에있는 위치와 차량의 구성을 알려주는 포즈 벡터를 제공합니다. 도로에서 차량의 위치와 구성을 알고 나면 고화질지도에 저장 한 전체 정보가 차량의 현재 구성 위에 투영됩니다. 도로 표시, 차선 표시 및 모든 종류의 도로 구분 기호 또는 환경 구분 기호와 같은 정보를 투영 할 때 자율 주행 차량은 특정 구분 기호 또는 특정 차선 표시와 관련하여 현재 위치를 알고 있습니다. 그래서,이것이 지역화 알고리즘이하는 일입니다.
자율 주행의 마지막 영역은 계획과 의사 결정입니다. 계획 및 의사 결정 알고리즘이 더 정교하고 우수할수록 자율 주행 차량은 더 많은 능력을 갖게 될 것입니다. 예를 들어, 계획 및 의사 결정 알고리즘은 기업이 레벨 2, 레벨 3, 레벨 4, 레벨 5 자율성과 차별화됩니다. 차량의 움직임과 행동을 결정하거나 계획하는 모든 알고리즘은 계획 알고리즘입니다.
계획 알고리즘이 정교할수록 차량이 더 좋아질 것입니다. 여러 모션 플래너와 의사 결정자가 차량 및 환경의 안전, 탐색 속도, 차량 주변 및 환경에서 계산할 수있는 모든 매개 변수를 평가하는 데 도움을줍니다. 이것이 계획 알고리즘이하는 일입니다.
나는 계획 분야에서 연구하고 있습니다. 인도 교통 역학의 확률 성을 다룰 수있는 알고리즘이 있다면. 이를 처리 할 수 있고 알고리즘이 있다면 인식 및 위치 파악 스택 만 구축 할 수 있다면 본격적인 자율 주행 기술이 있음을 입증 한 것입니다.
무엇이 가장 잘 작동하는지 확인하기 위해 모든 다른 알고리즘을 개발할 필요는 없습니다. 자율 주행의 핵심 문제를 해결할 3 ~ 4 개의 서로 다른 알고리즘을 구축하기 만하면됩니다. 도로에서 상업용 자율 주행 차량을 볼 수없는 주요 문제는 안전입니다. 비용 및 기타 모든 문제는 부차적입니다. 자율 주행의 로컬라이제이션 및 매핑 측면과 같은 하나 또는 두 개의 알고리즘만으로 전체 스타트 업을 구축 할 수있었습니다. 하지만 내 목표는 여기저기서 하나 또는 두 개의 알고리즘이 아닌 완전한 자율 주행 차량을 개발하는 것이 었습니다. 계획 및 의사 결정 분야의 핵심 측면을 입증 한 덕분에 자율 주행의 전체 문제를 전반적으로 해결할 수있는 자신감을 갖게되었습니다.
Q. Swaayatt Robots는 어떤 수준의 자율 주행을 수행하고 있습니까? 그리고 인도에서 어떤 수준이 가능하다고 생각하십니까?
우리의 목표는 레벨 5 자율성을 달성하고 이러한 종류의 환경에서 기술이 안전한지 확인하는 것입니다. 우리는 레벨 3과 레벨 4 사이에 있습니다. 우리가하고있는 알고리즘 연구 중 일부는 레벨 5를 목표로하는 모션 계획 및 의사 결정입니다.
또한 자율 주행 차가 교통량이 많은 시간대에 신호등없이 교차로를 건널 수 있도록 노력하고 있습니다. 우리는 고도로 확률적인 교통 체증으로 좁은 공간을 처리하는 자율 주행 차를 가능하게함으로써 레벨 5 자율성을 달성하는 것을 목표로하고 있습니다. 우리는 차량이나 자전거가 반대편에서 올 때도 매우 좁은 환경에서 자율 주행을했습니다. POC 수준에서 우리는 3-4 수준을 달성했습니다. 우리는 좁은 공간에서 매우 확률적인 트래픽에 대한 실험을 수행하여 레벨 4 자율성을위한 POC를 이미 전환했습니다. 우리의 현재 목표는 인도 도로에서 시속 101km의 자율 주행을 달성하는 것입니다.
이러한 종류의 환경에서 차량의 안전성을 입증 한 후에는 트래픽이 훨씬 더 구조화 된 북미 및 유럽과 같이 인도에 비해 환경이 훨씬 더 엄격한 곳에서 기술을 적용하여 적용 할 수 있습니다. 환경. 따라서 현재 인도는 우리가 현재 다른 누구도하지 않은 일이 있다는 것을 증명할 수있는 시험장입니다.
Q. Swaayatt Robots는 자율 주행 솔루션을 개발하는 데 얼마나 많은 진전을 보였습니까? 현재 어떤 수준의 운전을하고 있습니까?
현재 우리는 500 마이크로 초 안에 자율 주행 차에 대해 거의 최적화 된 시간 매개 변수화 된 궤도를 계획 할 수있는 세계에서 가장 빠른 모션 계획 알고리즘을 보유하고 있습니다. 따라서 알고리즘은 대략 2000 헤르츠에서 작동합니다. 우리는 인도 고속도로에서 시간당 최대 80km의 자율 주행을 가능하게하는 기술을 보유하고 있습니다. 인도 고속도로에서 이러한 속도를 달성하는 것은 매우 어렵습니다. 일반적으로 그렇게 할 수 있다면 다른 곳에서도 가져갈 수 있습니다. 해외 트래픽에 적용 할 수 있으며 기본적으로 레벨 4에 매우 가깝습니다. 아이디어를 제공하기 위해 우리는 다중 에이전트 의도 분석 및 협상이라고 부르는 작업을 해왔습니다. 이 프레임 워크를 통해 차량은 도로에서 다른 차량이나 에이전트의 의도 확률을 계산할 수 없습니다.다른 에이전트 나 차량 또는 환경의 장애물이 할 수없는 전체 경로 세트의 확률을 계산할 수 있습니다. 그러나이 기능만으로는 충분하지 않습니다. 예를 들어, 미래의 모션 궤적을 예측하고 다른 차량의 모든 경로 세트의 확률을 계산할 수있는 매우 계산량이 많은 시스템을 구축 할 수 있습니다. 여기에서 계산 요구 사항에도 집중해야합니다. 이 다중 에이전트 의도 분석 및 협상 문제의 계산 요구는 연구를 수행하지 않았거나 수학을 올바르게 사용하지 않았거나 제대로 설계하지 않은 경우 기하 급수적으로 증가 할 것입니다. 저는 응용 수학, 특히 위상 이론 분야의 개념 중 일부를 연구하고 있습니다. 호모 토피지도와 같은 개념을 사용하고 있습니다.우리 기술로 계산을 확장 할 수 있습니다. 적어도 지금은 알고리즘이면의 수학을 적절하게 해결하지 않은 경우 발생할 수있는 기하 급수적 폭발과는 대조적으로 에이전트 수 측면에서 초 선형입니다.
다중 에이전트 인 텐트 분석 협상 프레임 워크는 현재 작업중인 두 가지 분기로 더 세분화됩니다. 하나는 TSN (Tight Space Negotiator Framework)이고 다른 하나는 추월 모델입니다. TSN을 사용하면 자율 주행 차가 협소 한 환경과 확률 적 트래픽을 저속 및 고속으로 모두 협상 할 수 있습니다. 따라서 고속은 혼잡 한 고속도로의 확률 적 교통 시나리오에 매우 유용하며 저속은 차량이 교통 체증과 소음이 너무 많은 가장 좁은 도로를 자주 만나는 도시 시나리오에서 매우 유용합니다. 교통 역학에 너무 많은 불확실성이 있습니다.
우리는 이미 지난 2 년 반 동안이 작업을 해왔으며 이미 POC 형태로 개발했습니다. 제가 이야기하고있는 이러한 프레임 워크의 일부는 인도 도로에서 시속 101km를 달성하는 것을 목표로하는 다음 실험의 데모에서 보여줄 수 있습니다.
또한 우리는 AI의 여러 분야에서 연구하고 있습니다. 우리는 견습 학습, 역 강화 학습을 많이 사용합니다. 따라서 우리는 현재 인도 운전자처럼 일반적인 2 차선 도로에서 자율 주행 차량이 추월 할 수 있도록 노력하고 있습니다. 우리는 제한된 자금으로 가능한 최대 범위까지 시뮬레이션과 실제 세계에서 모두 증명하고 있습니다. 이것들은 우리가 이미 현장에서 입증 한 연구 분야 중 일부이며, 그중 일부는 향후 몇 달 안에 입증 될 것입니다.
그 외에도 우리는 고 충실도지도가 전혀없는 완전히 알려지지 않은 보이지 않는 환경에서 자율 주행을 가능하게하는 세계 유일의 회사 중 하나입니다. 우리는 고 충실도지도를 사용하지 않고도 자율 주행을 가능하게 할 수 있습니다. 우리는 고 충실도지도의 필요성을 완전히 없애는 사업을하고 있으며이 근절은 두 가지 핵심 기술에 의해 가능해졌습니다. TSN 프레임 워크는 새로운 규제 벤치 마크를 설정하기 위해 만들어졌습니다.
Q. 하드웨어 아키텍처에 대해 말하자면, 컴퓨팅 목적으로 어떤 종류의 하드웨어를 사용하십니까? 또한 자율 주행 차량에서 실제 세계를 매핑하는 데 어떤 종류의 센서와 카메라를 사용하십니까?
현재로서는 기성 카메라 만 사용합니다. 자율 주행 차량에 대한 데모를 보면 3000 Rs 카메라 만 사용했음을 알 수 있습니다. 자율적 기업이나 로봇 공학 기업과 함께 전 세계에서 일어나고있는 인식 연구를 살펴보면 카메라, LiDAR, 레이더와 같은 세 가지 센서를 모두 사용하고 있습니다. 현재 우리의 모든 자율 주행 실험은 카메라를 통해서만 이루어졌습니다. 회사를 시작했을 때 저는 계획에 대한 전문 지식 만 가지고 있었지만 2016 년부터는 전 세계의 모든 실험실에서 작업하는 최첨단 연구 논문이 있다는 것을 깨달았습니다. 실제 세계에서는 작동하지 않습니다. 작동하면 너무 계산 집약적이며 작동하지 않습니다. 그래서,저는 인식을 주요 연구 분야로 삼았고 인식 연구를하는 데 약 25 %-27 %를 투자했습니다. 이제 우리 회사의 연구 목표는 자율 주행 차가 LiDAR 및 레이더 없이도 카메라만으로 인식 할 수 있도록하는 것입니다. 이것은 우리가 성취하고자하는 연구 야망입니다. 이를 달성하는 동안 우리는 모든 일반적인 작업에 대해 세계에서 가장 빠른 알고리즘을 확보했습니다.
지각에는 두 가지 목표가 있습니다. 첫째, 알고리즘은 자율 주행 차가 낮과 밤 모두 카메라 만 사용하여 인식 할 수 있도록 능력이 있어야합니다. 우리는 낮 시간뿐만 아니라 밤에도 차량의 헤드 라이트와 일반 상용 RGB 및 NIR 카메라를 사용하여 이러한 인식 기능을 확장했습니다. 시장.
우리는 집중한다