Teknikjättar som Tesla och Google har gjort självkörande fordon till det mycket omtalade ämnet bland teknikentusiaster. Olika företag runt om i världen arbetar för att utveckla autonoma fordon för olika terräng.
För att göra ansluten autonom körteknik tillgänglig, prisvärd och tillgänglig för alla, gick Bhopal-baserade Swaayatt Robots med i bandet. Men med enorm kunskap om all teknik som är involverad i Autonomous Robotics, företagets VD, lämnade Sanjeev Sharma många tekniska företag i loppet. Sedan 2009 har han forskat mycket och genomgått matematiska beräkningar för att komma med smarta lösningar för självkörande bilar.
Vi fick chansen att prata med Mr. Sanjeev och känna till lite av tekniken bakom autonoma fordon och robotik som Swaayatt Robots arbetar med och deras framtida planer. Ta ett hopp för att läsa om hela konversationen vi hade med honom. Alternativt kan du också titta på videon nedan för att höra konversationen mellan vår redaktör och Sanjeev själv
Fråga: Att göra autonom körteknik tillgänglig och prisvärd för alla är Swaayatt Robots huvudsakliga uppdrag. Hur började resan?
Jag har forskat inom autonom navigering de senaste 11 åren nu. Tillbaka 2009 blev jag inspirerad av DARPA Grand Challengesdet hände i USA. Autonom körning blev mitt mål under dessa år. Under många år fortsatte jag att forska och gjorde självstudier specifikt om rörelseplanering och beslutsfattande under osäkerhet. Fokus låg på att utnyttja maskininlärning, förstärkning och olika tekniker optimalt. Jag startade Swaayatt Robots 2014 men det var inte bara att tillämpa den forskning och de studier som jag hade gjort de senaste åren. Genom att tillämpa några idéer i rörelse och beslutsfattande var jag tvungen att lösa uppfattningsplanerings- och lokaliseringsproblemet också. Jag hade forskningserfarenhet endast inom beslutsfattande och rörelseplanering. Men områdena för perception och lokalisering var ganska nya för mig. Min enorma matematiska bakgrund hjälpte mig mycket.
När jag började utveckla de algoritmiska ramarna för att möjliggöra autonom körning runt 2015 insåg jag att detta kan vara något väldigt stort, och vi kan verkligen lösa problemet med autonom körning i mycket stokastiska kontroversiella trafikscenarier. Och sedan 2014 har jag arbetat heltid med denna start. Min forskning täcker i synnerhet flera grenar, men framför allt fokuserar vårt företag på att utveckla algoritmer för beslutsfattande och rörelseplanering som gör att autonoma fordon kan hantera mycket höga nivåer av stokasticitet i trafikdynamiken. Det uppgår till ungefär 65% till 70% av den forskning som sker på Swaayatt Robots. Cirka 25% - 27% av forskningen går in i uppfattningsområdet, som omfattar alla möjliga algoritmer som behandlar sensordata från ett fordonssystem,och bygga 3d-representation av världen runt den.
Enligt uppfattningen är vi ett av de få företag i världen som kan tillåta autonoma fordon att uppfatta miljön med endast hylskameror som också fungerar under dagen och natten. Så här har resan varit ungefär så långt.
Fråga: Du började 2014 för att validera dina idéer och gick sedan helt fram till 2015. Så vad ska vi göra under det här året? Hur testade du att självkörning kan göras i Indien?
Autonom körning är en blandning av tre algoritmiska rörledningar tillsammans. uppfattning, planering och lokalisering. Algoritmerna tar sensoriska data, bearbetar det och bygger en 3d-representation runt ett fordon. Vi kallar dem perception algoritmer. Lokaliseringsalgoritmer försöker globalt exakt bestämma fordonets position på vägen. Så här brukade robotar arbeta i akademiska miljöer. 2009 var denna modell för autonom körning banbrytande av Google. Innan ett autonomt fordon navigerar på en viss väg måste hela vägen kartläggas i mycket hög detalj i 3d. Vi kallar dessa kartor, högkvalitativa kartor. Dessa högkvalitativa kartor lagrar mycket mycket viktig information om miljön. De lagrar vanligtvis alla olika typer av avgränsare i miljön.
Innan det autonoma fordonet navigerar i en miljö kartläggs hela miljön på ett mycket exakt sätt. Alla filmarkörer, väggränser och alla typer av avgränsare i miljön lagras faktiskt i dessa typer av högkvalitativa kartor.
När fordonet navigerar genom en miljö där du redan har högkvalitativa kartor, fångar du igen data från olika sensorer på fordonet och försöker matcha data med en referenskarta som du har byggt. Denna matchningsprocess ger dig en posevektor som berättar var fordonet finns på planeten jorden och vad som är fordonets konfiguration. När du väl känner till fordonets position och konfiguration på vägen projiceras hela informationen som du hade lagrat i high-fidelity-kartorna ovanpå fordonets nuvarande konfiguration. När du projicerar denna information som vägmarkörer, körfältmarkörer och någon form av vägavgränsare eller miljöavgränsare; det autonoma fordonet vet var det är nu med avseende på en viss avgränsare eller från en viss körmarkör. Så,detta är vad lokaliseringsalgoritmer gör.
Det sista området för autonom körning är planering och beslutsfattande. Ju mer sofistikerade och bättre planerings- och beslutsalgoritmer du har, desto mer kapabelt kommer ditt autonoma fordon att vara. Till exempel kommer planerings- och beslutsalgoritmer att skilja företag från att vara på nivå två, nivå tre, nivå fyra och nivå fem autonomi. Varje algoritm som är ansvarig för beslutsfattande eller planering av fordonets rörelse och beteende är en planeringsalgoritm.
Ju mer sofistikerad du har i planeringsalgoritmerna, desto bättre kommer ditt fordon att bli. Flera rörelseplanerare och beslutsfattare hjälper till att utvärdera fordonets och miljön, den hastighet du navigerar med, fordonets omgivning och alla parametrar som du kan beräkna från din miljö. Detta är vad planeringsalgoritmer gör.
Jag har forskat inom planeringsområdet. Om du har den typ av algoritmer som kan hantera stokasticiteten i trafikdynamiken i Indien. Om du kan hantera det och om du har algoritmer har du bevisat att om du bara kan bygga en uppfattnings- och lokaliseringsstack, har du en fullfjädrad autonom körteknik.
Du behöver inte utveckla alla olika algoritmer för att verifiera vad som fungerar bäst. Du behöver bara bygga tre eller fyra olika algoritmer som du vet kommer att lösa det viktigaste problemet i autonom körning. Säkerhet är den främsta frågan varför du inte ser autonoma kommersiella fordon på väg. Kostnad och alla andra frågor är sekundära. Jag kunde ha byggt hela start på bara en eller två algoritmer som lokalisering och kartläggning av autonom körning. Men mitt mål var att utveckla ett fullfjädrat autonomt fordon och inte en eller två algoritmer här och där. Efter att ha bevisat nyckelaspekten inom planering och beslutsfattande fick jag förtroendet att ta itu med hela problemet med autonom körning i stort.
F. Vilken nivå av autonom körning arbetar Swaayatt Robots med? Och vilken nivå tror du är möjlig i Indien?
Vårt mål är att uppnå autonomi på nivå 5 och säkerställa att tekniken är säker i sådana miljöer. Vi är någonstans mellan nivå tre och nivå fyra. En del av den algoritmiska undersökningen som vi gör är rörelseplanering och beslutsfattande som riktas mot nivå fem.
Vi arbetar också med att möjliggöra för autonoma fordon att kunna korsa korsningen vid högsta trafik timmar utan trafikljus. Vi siktar på att uppnå nivå fem autonomi genom att möjliggöra för autonoma fordon att hantera trångt utrymme med mycket stokastisk trafik. Vi har gjort autonom körning i en mycket trång miljö när ett fordon eller en cykel kom från andra sidan också. På POC-nivå har vi uppnått mellan tre och fyra nivåer. Vi har redan vänt POC för autonomi på nivå fyra genom att genomföra experiment i mycket stokastisk trafik med trånga utrymmen. Vårt nuvarande mål är att uppnå 101 kilometer i timmen autonom körning på indiska vägar.
När du väl har bevisat fordonets säkerhet i sådana miljöer kan du ta din teknik och använda den någon annanstans som i Nordamerika och Europa där trafiken är mycket mer strukturerad, där miljöer också är mycket strängare jämfört med indianen miljöer. Så nu är Indien en testplats för oss för att bevisa att vi har något som ingen annan har gjort just nu.
Fråga: Hur mycket har Swaayatt Robots gjort för att utveckla en lösning för autonom körning? Vilken körnivå arbetar du för närvarande med?
För närvarande har vi världens snabbaste algoritm för rörelseplanering som kan planera nästan optimala tidsparametrerade banor för ett autonomt fordon på 500 mikrosekunder. Så algoritmen fungerar ungefär vid 2000 hertz. Vi har tekniken för att möjliggöra autonom körning upp till 80 kilometer i timmen på indiska motorvägar. Att uppnå den typen av hastighet på indiska motorvägar är mycket utmanande. Vanligtvis, om du kan göra det, kan du också ta det någon annanstans. Du kan använda den i utländsk trafik och i princip är du väldigt nära nivå fyra. För att ge dig en uppfattning har vi arbetat med vad vi kallar analyser och förhandlingar om flera agenter. Detta ramverk gör att vårt fordon inte bara kan beräkna sannolikheten för andra fordon eller agenter på väg.Det kan beräkna sannolikheterna för hela banuppsättningarna som andra agenter eller fordon eller hinder i miljön inte kan. Denna kapacitet är dock inte tillräcklig. Du kan till exempel bygga ett mycket beräkningskrävande system som kan förutsäga framtida rörelsebaner och kanske beräkna sannolikheten för alla vägsatser för olika fordon. Det är här du måste fokusera, dvs också på beräkningskravet. Beräkningskravet i detta problem med analys och förhandlingar med flera agenter kommer att växa exponentiellt om du inte har gjort några undersökningar, inte har använt matematiken ordentligt eller om du inte har utformat dem korrekt. Jag undersöker några av begreppen från tillämpad matematik, särskilt inom området topologisk teori. Jag använder några av koncepten som homotopikartor,som gör att vår teknik kan skala beräkningarna. Åtminstone nu är det superlinjärt när det gäller antalet agenter i motsats till den exponentiella sprängning som du skulle stöta på om du inte har utarbetat matematiken bakom algoritmerna ordentligt.
Ramverket för förhandlingsanalyser för flera agenter är ytterligare indelat i två olika grenar som vi för närvarande arbetar med. Den ena är TSN (Tight Space Negotiator Framework) och den andra är omkörningsmodellen. TSN tillåter autonoma fordon att förhandla om både de trånga miljöerna och den stokastiska trafiken, både vid låga och höga hastigheter. Så hög hastighet skulle vara mycket användbart för röriga stokastiska trafikscenarier på motorvägar och låg hastighet skulle vara mycket användbart när fordonet navigerar i ett stadsscenario, där du ofta stöter på de tätaste gatorna med för mycket trafik och buller i trafiken vilket innebär att är för mycket osäkerhet i trafikdynamiken.
Vi har redan arbetat med detta under de senaste två och ett halvt år, och vi har redan utvecklat det i form av POC. Några av de bitar och bitar av dessa ramar som jag pratar om kan visas i demo i vårt nästa experiment som kommer att riktas mot att uppnå 101 kilometer i timmen som fungerar på indiska vägar.
Dessutom har vi också forskat i olika grenar av AI. Vi använder starkt lärlingsutbildning, invers förstärkning. Så vi arbetar för närvarande med att göra det möjligt för autonoma fordon att köra om på typiska tvåfältiga vägar precis som indiska förare gör. Vi bevisar både i simulering såväl som i den verkliga världen i största möjliga utsträckning med begränsad finansiering. Det här är några av de forskningsområden som vi redan har bevisat på marken, och några av dem kommer att bevisas de närmaste månaderna.
Bortsett från det är vi ett av de enda företagen i världen som kan möjliggöra autonom körning i helt okända och osedda miljöer för vilka det inte finns några högkvalitativa kartor alls. Vi kan möjliggöra autonom körning utan användning av högkvalitativa kartor. Vi arbetar med att helt utrota behovet av högkvalitativa kartor och denna utrotning möjliggörs av två av våra viktigaste tekniker. Vårt TSN-ramverk är utformat för att sätta upp ett nytt regelverk.
F. Om vi talar om hårdvaruarkitekturen, vilken typ av hårdvara använder du för ditt beräkningsändamål. Vilken typ av sensorer och kameror använder du för att kartlägga den verkliga världen på dina autonoma fordon?
Från och med nu använder vi bara hylla-kameror. Om du ser vår demo för ett autonomt fordon kommer du att märka att vi inte hade använt mer än en 3000 Rs-kamera. Om du tittar på den uppfattningsforskning som sker över hela världen med de autonoma företagen eller robotföretagen för den delen använder de alla tre olika sensorer som kameror, LiDAR och radar. För närvarande har alla våra autonoma körningsexperiment bara hänt med kameror. När jag startade företaget hade jag bara expertis inom planering men sedan 2016 insåg jag att toppmoderna forskningsdokument oavsett laboratorier över hela världen arbetar med; det fungerar bara inte i den verkliga världen. Om de fungerar är de för beräkningsintensiva och de fungerar bara inte. Så,Jag tog också perception som mitt primära forskningsområde och ägde cirka 25% - 27% av min tid på att göra perceptionforskning. Nu är vårt forskningsmål att göra det möjligt för autonoma fordon att kunna uppfatta att endast använda kamerorna utan behov av LiDAR och radar. Detta är en forskningsambition som vi vill uppnå. Samtidigt som vi uppnådde det har vi också säkerställt att vi har världens snabbaste algoritm för alla gemensamma uppgifter.
Vi har två mål i uppfattningen. En, algoritmen ska vara så kapabel att de gör det möjligt för autonoma fordon att uppfatta endast kameror både dag och natt. Vi har utökat denna uppfattningsförmåga inte bara för dagtid utan även på natten med hjälp av bilens strålkastare och vanliga RGB- och NIR-kameror, den typ av kameror som du kan köpa för 3000 Rs i marknadsföra.
Vi fokuserar