Raksasa teknologi seperti Tesla dan Google telah menjadikan kendaraan self-driving sebagai topik yang banyak dibicarakan di kalangan penggemar teknologi. Berbagai perusahaan di seluruh dunia sedang berupaya mengembangkan kendaraan penggerak otonom untuk berbagai medan.
Untuk membuat teknologi mengemudi otonom yang terhubung dapat diakses, terjangkau, dan tersedia untuk semua orang, Swaayatt Robots yang berbasis di Bhopal bergabung dengan kereta musik. Namun, dengan pengetahuan luas tentang semua teknologi yang terlibat dalam Autonomous Robotics, CEO perusahaan, Mr. Sanjeev Sharma meninggalkan banyak perusahaan teknologi dalam perlombaan. Sejak 2009, dia telah banyak meneliti dan menjalani perhitungan matematis yang terlibat dalam menghasilkan solusi cerdas untuk mobil tanpa pengemudi.
Kami mendapat kesempatan untuk berbicara dengan Tuan Sanjeev dan mengetahui setiap bagian dari teknologi di balik Kendaraan Otonom dan Robotika yang sedang dikerjakan oleh Robot Swaayatt dan rencana masa depan mereka. Lakukan lompatan untuk membaca seluruh percakapan kami dengannya. Atau, Anda juga dapat menonton video di bawah ini untuk mendengarkan percakapan antara editor kami dan Sanjeev sendiri
Q. Membuat Teknologi Mengemudi Otonom Dapat Diakses dan Terjangkau untuk semua orang adalah misi utama Robot Swaayatt. Bagaimana perjalanannya dimulai?
Saya telah meneliti di bidang navigasi otonom selama 11 tahun terakhir sekarang. Di tahun 2009, saya terinspirasi oleh DARPA Grand Challengesyang terjadi di AS. Mengemudi otonom menjadi tujuan saya selama tahun-tahun itu. Selama bertahun-tahun, saya terus meneliti dan melakukan studi mandiri secara khusus tentang perencanaan gerak dan pengambilan keputusan di bawah ketidakpastian. Fokusnya adalah pada penggunaan pembelajaran mesin, pembelajaran penguatan, dan berbagai teknik secara optimal. Saya memulai Swaayatt Robots pada tahun 2014 tetapi itu tidak hanya menerapkan penelitian dan studi yang telah saya lakukan selama beberapa tahun terakhir. Menerapkan beberapa ide dalam gerakan dan pengambilan keputusan, saya harus menyelesaikan masalah perencanaan persepsi dan lokalisasi juga. Saya memiliki pengalaman penelitian hanya di bidang pengambilan keputusan dan perencanaan gerak. Tetapi bidang persepsi dan lokalisasi cukup baru bagi saya. Latar belakang matematis saya yang luar biasa banyak membantu saya.
Begitu saya mulai mengembangkan kerangka kerja algoritmik untuk mengaktifkan mengemudi otonom sekitar tahun 2015, saya menyadari bahwa ini bisa menjadi sesuatu yang sangat besar, dan kami benar-benar dapat menyelesaikan masalah mengemudi otonom dalam skenario lalu lintas permusuhan yang sangat stokastik. Dan sejak 2014, saya bekerja penuh waktu di startup ini. Riset saya secara khusus mencakup beberapa cabang tetapi, secara khusus, sebagian besar fokus perusahaan kami adalah mengembangkan algoritme pengambilan keputusan dan perencanaan gerakan yang memungkinkan kendaraan otonom menangani tingkat stokastik yang sangat tinggi dalam dinamika lalu lintas. Jumlah itu kira-kira 65% hingga 70% dari penelitian yang terjadi di Swaayatt Robots. Sekitar 25% - 27% dari penelitian masuk ke bidang persepsi, yang mencakup semua jenis algoritma yang memproses data sensor dari sistem robotik kendaraan,dan membangun representasi 3D dunia di sekitarnya.
Dalam persepsi, kami adalah salah satu dari sedikit perusahaan di dunia yang dapat mengizinkan kendaraan otonom untuk melihat lingkungan hanya dengan menggunakan kamera siap pakai yang juga berfungsi pada siang dan malam hari. Ini kira-kira bagaimana perjalanan sejauh ini.
T. Anda mulai pada tahun 2014 untuk memvalidasi ide-ide Anda dan kemudian Anda benar-benar berhasil mencapai jalannya pada tahun 2015. Jadi apa yang harus kita lakukan dalam satu tahun ini? Bagaimana Anda menguji bahwa mengemudi sendiri dapat dilakukan di India?
Penggerak otonom adalah perpaduan dari tiga jalur pipa algoritmik yang disatukan, yaitu. persepsi, perencanaan, dan lokalisasi. Algoritme mengambil data sensorik, memprosesnya, dan membangun representasi 3d di sekitar kendaraan. Kami menyebutnya algoritma persepsi. Algoritme pelokalan mencoba menentukan secara akurat posisi kendaraan di jalan raya. Ini adalah cara robot dulu bekerja dalam lingkungan akademis. Pada tahun 2009, model mengemudi otonom ini dipelopori oleh Google. Sebelum kendaraan otonom menavigasi di jalan tertentu, seluruh jalan harus dipetakan dengan sangat detail dalam 3d. Kami menyebut peta ini, peta kesetiaan tinggi. Peta dengan ketelitian tinggi ini menyimpan beberapa informasi penting tentang lingkungan. Mereka biasanya menyimpan semua jenis pembatas di lingkungan.
Sebelum kendaraan otonom menavigasi suatu lingkungan, seluruh lingkungan dipetakan dengan sangat tepat. Semua penanda jalur, batas jalan, dan segala jenis pembatas di lingkungan sebenarnya disimpan dalam jenis peta dengan ketelitian tinggi ini.
Saat kendaraan menavigasi melalui lingkungan yang sudah Anda miliki peta ketelitiannya tinggi, maka Anda kembali menangkap data dari berbagai sensor pada kendaraan dan mencoba mencocokkan datanya dengan peta referensi yang telah Anda buat. Proses pencocokan ini memberi Anda vektor pose yang memberi tahu Anda di mana letak kendaraan di planet bumi dan bagaimana konfigurasi kendaraan tersebut. Setelah Anda mengetahui posisi dan konfigurasi kendaraan di jalan raya, seluruh informasi yang Anda simpan di peta dengan ketelitian tinggi akan diproyeksikan di atas konfigurasi kendaraan saat ini. Saat Anda memproyeksikan informasi ini seperti penanda jalan, penanda jalur, dan segala jenis pembatas jalan atau pembatas lingkungan; Kendaraan otonom tahu di mana posisinya sekarang sehubungan dengan pembatas tertentu atau dari penanda jalur tertentu. Begitu,inilah yang dilakukan algoritme pelokalan.
Area terakhir dari mengemudi otonom adalah perencanaan dan pengambilan keputusan. Semakin canggih dan lebih baik algoritma perencanaan dan pengambilan keputusan yang Anda miliki, semakin mampu kendaraan otonom Anda nantinya. Misalnya, algoritme perencanaan dan pengambilan keputusan akan membedakan perusahaan dari otonomi level dua, level tiga, level empat, dan lima. Algoritma apa pun yang bertanggung jawab untuk pengambilan keputusan atau perencanaan gerakan dan perilaku kendaraan adalah algoritma perencanaan.
Semakin banyak kecanggihan yang Anda miliki dalam algoritme perencanaan, semakin baik kendaraan Anda nantinya. Beberapa perencana gerak dan pengambil keputusan membantu dalam mengevaluasi keselamatan kendaraan dan lingkungan, kecepatan Anda menavigasi, sekeliling kendaraan, dan semua parameter yang dapat Anda hitung dari lingkungan Anda. Inilah yang dilakukan algoritma perencanaan.
Saya telah meneliti di bidang perencanaan. Jika Anda memiliki jenis algoritma yang dapat menangani stochasticity dalam dinamika lalu lintas di India. Jika Anda dapat mengatasinya dan jika Anda memiliki algoritme, Anda telah membuktikan bahwa jika Anda dapat membangun tumpukan persepsi dan lokalisasi, Anda memiliki teknologi penggerak otonom yang lengkap.
Anda tidak perlu mengembangkan semua algoritme yang berbeda untuk memverifikasi apa yang bekerja paling baik. Anda hanya perlu membangun tiga atau empat algoritme berbeda yang Anda tahu akan menyelesaikan masalah utama dalam mengemudi otonom. Keselamatan adalah masalah utama mengapa Anda tidak melihat kendaraan otonom komersial di jalan raya. Biaya dan semua masalah lainnya bersifat sekunder. Saya bisa saja membangun keseluruhan startup hanya dengan satu atau dua algoritme seperti aspek lokalisasi dan pemetaan mengemudi otonom. Tapi tujuan saya adalah mengembangkan kendaraan otonom yang lengkap dan bukan satu atau dua algoritma di sana-sini. Setelah membuktikan aspek kunci dalam bidang perencanaan dan pengambilan keputusan, memberi saya kepercayaan diri untuk mengatasi seluruh masalah mengemudi otonom secara luas.
Q. Di level mana dari mengemudi otonom yang sedang dikerjakan Robot Swaayatt? Dan menurut Anda, tingkat apa yang mungkin dilakukan di India?
Tujuan kami adalah untuk mencapai otonomi level 5 dan untuk memastikan bahwa teknologi aman di lingkungan seperti ini. Kami berada di antara level tiga dan level empat. Beberapa penelitian algoritmik yang kami lakukan adalah dalam perencanaan gerak dan pengambilan keputusan yang ditargetkan menuju level lima.
Kami juga mengupayakan agar kendaraan otonom dapat melintasi persimpangan pada jam-jam sibuk tanpa lampu lalu lintas. Kami menargetkan untuk mencapai otonomi tingkat lima dengan memungkinkan kendaraan otonom dalam menangani ruang sempit dengan lalu lintas yang sangat stokastik. Kami telah melakukan mengemudi otonom di lingkungan yang sangat ketat ketika kendaraan atau sepeda juga datang dari ujung yang berlawanan. Di tingkat POC, kami telah mencapai antara tiga dan empat tingkat. Kami telah mengubah POC untuk otonomi level empat dengan melakukan eksperimen dalam lalu lintas stokastik tinggi dengan ruang sempit. Sasaran kami saat ini adalah mencapai 101 kilometer per jam mengemudi otonom di jalan raya India.
Setelah Anda membuktikan keamanan kendaraan di lingkungan seperti ini, Anda dapat menggunakan teknologi Anda dan menerapkannya di tempat lain seperti di Amerika Utara dan Eropa di mana lalu lintas jauh lebih terstruktur, di mana lingkungan juga jauh lebih ketat dibandingkan dengan di India. lingkungan. Jadi, India saat ini adalah tempat pengujian bagi kami untuk membuktikan bahwa kami memiliki sesuatu yang belum dilakukan orang lain saat ini.
T. Seberapa besar kemajuan Swaayatt Robots dalam mengembangkan solusi Autonomous Driving? Level mengemudi apa yang sedang Anda kerjakan?
Saat ini, kami memiliki algoritme perencanaan gerakan tercepat di dunia yang dapat merencanakan lintasan berparameter waktu yang mendekati optimal untuk kendaraan otonom dalam 500 mikrodetik. Jadi algoritme bekerja kira-kira pada 2000 hertz. Kami memiliki teknologi untuk memungkinkan mengemudi otonom hingga 80 kilometer per jam di jalan raya India. Mencapai kecepatan seperti itu di jalan raya India sangat menantang. Biasanya, jika Anda bisa melakukannya, Anda juga bisa membawanya ke tempat lain. Anda dapat menerapkannya di lalu lintas luar negeri dan pada dasarnya, Anda sangat dekat dengan level empat. Untuk memberi Anda gambaran, kami telah mengerjakan apa yang kami sebut analisis niat multi-agen dan negosiasi. Kerangka kerja ini memungkinkan kendaraan kami untuk tidak hanya menghitung kemungkinan niat kendaraan atau agen lain di jalan raya.Ia dapat menghitung probabilitas dari seluruh set jalur yang tidak dapat dilakukan oleh agen atau kendaraan lain atau hambatan di lingkungan. Namun kemampuan ini saja tidak cukup. Misalnya, Anda dapat membangun sistem yang sangat menuntut komputasi yang dapat memprediksi lintasan gerakan di masa mendatang dan mungkin menghitung probabilitas semua kumpulan jalur kendaraan yang berbeda. Di sinilah Anda harus fokus, yaitu pada persyaratan komputasi juga. Permintaan komputasi dalam masalah analisis niat multi-agen dan negosiasi ini akan tumbuh secara eksponensial jika Anda belum melakukan penelitian apa pun, belum menggunakan matematika dengan benar, atau jika Anda belum merancangnya dengan benar. Saya sedang meneliti beberapa konsep dari matematika terapan, khususnya di bidang teori topologi. Saya menggunakan beberapa konsep seperti peta homotopy,yang memungkinkan teknologi kami mengukur komputasi. Setidaknya untuk saat ini, ini superlinier dalam hal jumlah agen yang bertentangan dengan ledakan eksponensial yang akan Anda hadapi jika Anda belum mengerjakan matematika di balik algoritme dengan benar.
Kerangka kerja negosiasi analisis niat multi-agen dibagi lagi menjadi dua cabang berbeda yang sedang kami kerjakan. Salah satunya adalah TSN (Kerangka Negosiator Ruang Ketat) dan yang lainnya adalah model penyalaan. TSN memungkinkan kendaraan otonom untuk mengatasi lingkungan yang ketat dan lalu lintas stokastik, baik pada kecepatan rendah maupun tinggi. Jadi kecepatan tinggi akan sangat berguna untuk skenario lalu lintas stokastik jalan raya yang berantakan dan kecepatan rendah akan sangat berguna ketika kendaraan sedang menavigasi dalam skenario perkotaan, di mana Anda sering menjumpai jalan yang paling sempit dengan terlalu banyak lalu lintas dan kebisingan lalu lintas yang berarti di sana terlalu banyak ketidakpastian dalam dinamika lalu lintas.
Ini sudah kami kerjakan selama dua setengah tahun terakhir, dan sudah kami kembangkan dalam bentuk POC. Beberapa bagian dari kerangka kerja ini yang saya bicarakan dapat ditampilkan dalam demo di eksperimen kami berikutnya yang akan ditargetkan untuk mencapai 101 kilometer per jam yang berfungsi di jalan-jalan India.
Selain itu, kami juga telah meneliti di berbagai cabang AI. Kami banyak menggunakan pembelajaran magang, pembelajaran penguatan terbalik. Jadi, kami saat ini sedang berupaya untuk memungkinkan kendaraan otonom menyalip di jalan dua jalur seperti yang dilakukan pengemudi India. Kami membuktikan baik dalam simulasi maupun di dunia nyata semaksimal mungkin dengan dana terbatas. Ini adalah beberapa area penelitian yang telah kami buktikan di lapangan, dan beberapa di antaranya akan dibuktikan dalam beberapa bulan ke depan.
Selain itu, kami adalah satu-satunya perusahaan di dunia yang dapat mengaktifkan pengemudian otomatis di lingkungan yang benar-benar tidak dikenal dan tidak terlihat yang tidak memiliki peta dengan ketepatan tinggi sama sekali. Kami dapat mengaktifkan mengemudi otonom tanpa menggunakan peta dengan ketepatan tinggi. Kami berada dalam bisnis untuk sepenuhnya memberantas kebutuhan akan peta dengan ketelitian tinggi dan pemberantasan ini dimungkinkan oleh dua teknologi utama kami. Kerangka TSN kami dibuat untuk menetapkan tolok ukur regulasi baru.
T. Berbicara tentang arsitektur perangkat keras, jenis perangkat keras apa yang Anda gunakan untuk tujuan komputasi Anda. Selain itu, jenis sensor dan kamera apa yang Anda gunakan untuk memetakan dunia nyata pada kendaraan otonom Anda?
Saat ini, kami hanya menggunakan kamera siap pakai. Jika Anda melihat demo kami untuk kendaraan otonom, Anda akan melihat bahwa kami tidak menggunakan lebih dari kamera 3000 Rs. Jika Anda melihat penelitian persepsi yang terjadi di seluruh dunia dengan perusahaan otonom atau perusahaan robotika, mereka menggunakan ketiga sensor berbeda seperti kamera, LiDAR, dan radar. Saat ini, semua eksperimen mengemudi otonom kami terjadi hanya dengan menggunakan kamera. Ketika saya memulai perusahaan, saya hanya memiliki keahlian dalam perencanaan tetapi sejak 2016, saya menyadari bahwa makalah penelitian mutakhir, apa pun yang sedang dikerjakan oleh laboratorium di seluruh dunia; itu tidak akan berhasil di dunia nyata. Jika berhasil, mereka terlalu intensif secara komputasi, dan mereka tidak berfungsi. Begitu,Saya mengambil persepsi sebagai bidang penelitian utama saya juga dan saya mencurahkan sekitar 25% - 27% waktu saya dalam melakukan penelitian persepsi. Sekarang, tujuan penelitian dari perusahaan kami adalah memungkinkan kendaraan otonom dapat melihat hanya dengan menggunakan kamera tanpa perlu LiDAR dan radar. Ini adalah ambisi penelitian yang ingin kami capai. Saat mencapai itu, kami juga memastikan bahwa kami memiliki algoritme tercepat di dunia untuk tugas umum apa pun.
Kami memiliki dua tujuan dalam persepsi. Pertama, algoritme harus sedemikian mumpuni sehingga memungkinkan kendaraan otonom untuk melihat hanya dengan menggunakan kamera baik pada siang maupun malam hari. Kami telah memperluas kemampuan persepsi ini tidak hanya untuk siang hari tetapi di malam hari juga tidak menggunakan apa pun kecuali lampu depan kendaraan dan kamera RGB dan NIR biasa, jenis kamera yang dapat Anda beli seharga 3000 Rs di pasar.
Kami fokus