Gegants tècnics com Tesla i Google han convertit els vehicles amb conducció autònoma en el tema molt comentat entre els entusiastes de la tecnologia. Diverses empreses de tot el món estan treballant per desenvolupar vehicles de conducció autònoma per a diversos terrenys.
Per fer que la tecnologia de conducció autònoma connectada sigui accessible, assequible i disponible per a tothom, Swaayatt Robots, amb seu a Bhopal, es va unir al carro. No obstant això, amb un immens coneixement de tota la tecnologia implicada en la robòtica autònoma, el CEO de la companyia, el senyor Sanjeev Sharma, va deixar enrere a moltes empreses tecnològiques de la carrera. Des del 2009, ha estat investigant molt i ha estat sotmès a càlculs matemàtics relacionats amb l’elaboració de solucions intel·ligents per a automòbils autònoms.
Vam tenir l'oportunitat de parlar amb el senyor Sanjeev i conèixer totes les tecnologies que hi ha darrere dels vehicles i la robòtica autònoms en què treballa Swaayatt Robots i els seus plans de futur. Feu un salt per llegir tota la conversa que vam mantenir amb ell. Com a alternativa, també podeu veure el vídeo següent per escoltar la conversa entre el nostre editor i el mateix Sanjeev
P. Fer que la tecnologia de conducció autònoma sigui accessible i assequible per a tothom és la missió principal de Swaayatt Robots. Com va començar el viatge?
He estat investigant en l’àmbit de la navegació autònoma des de fa 11 anys. El 2009 em vaig inspirar en els grans desafiaments de DARPAaixò va passar als EUA. La conducció autònoma es va convertir en el meu objectiu durant aquells anys. Durant molts anys, vaig continuar investigant i vaig fer autoestudis específics sobre la planificació del moviment i la presa de decisions sota incerteses. Es va centrar a fer un ús òptim de l’aprenentatge automàtic, l’aprenentatge de reforç i diverses tècniques. Vaig començar Swaayatt Robots el 2014, però no es tractava simplement d’aplicar la investigació i els estudis que havia fet durant els darrers anys. Aplicant algunes idees en moviment i en la presa de decisions, també vaig haver de resoldre el problema de planificació i localització de la percepció. Vaig tenir experiència investigadora només en l’àmbit de la presa de decisions i la planificació del moviment. Però les àrees de percepció i localització eren bastant noves per a mi. El meu gran bagatge matemàtic em va ajudar molt.
Un cop vaig començar a desenvolupar els marcs algorítmics per permetre la conducció autònoma cap al 2015, em vaig adonar que això pot ser quelcom molt enorme i que realment podem resoldre el problema de la conducció autònoma en escenaris de trànsit adversos molt estocàstics. I des del 2014, treballo a temps complet en aquesta startup. La meva investigació, en particular, cobreix diverses branques, però, en particular, la major part de l’enfocament de la nostra empresa és desenvolupar algoritmes de presa de decisions i de planificació del moviment que permetin als vehicles autònoms afrontar nivells d’estocasticitat molt alts en la dinàmica del trànsit. Això suposa aproximadament un 65% a un 70% de la investigació que passa a Swaayatt Robots. Al voltant del 25% al 27% de la investigació va a l’àrea de percepció, que engloba tot tipus d’algoritmes que processen les dades del sensor d’un sistema robotitzat vehicular,i construeix una representació en 3D del món que l'envolta.
Per percepció, som una de les poques empreses del món que poden permetre als vehicles autònoms percebre l’entorn només mitjançant càmeres disponibles que funcionen durant el dia i la nit. Així ha estat aproximadament el viatge fins ara.
P. Vostè va començar el 2014 a validar les seves idees i després va completar el camí el 2015. Llavors, què hem de fer en aquest any? Com heu provat que es pugui conduir per si mateix a l'Índia?
La conducció autònoma és la barreja de tres gasoductes algorítmics units, és a dir, percepció, planificació i localització. Els algoritmes prenen les dades sensorials, les processen i construeixen una representació en 3D al voltant d’un vehicle. Els anomenem algoritmes de percepció. Els algoritmes de localització intenten determinar globalment amb precisió la posició del vehicle a la carretera. Així funcionaven els robots en entorns acadèmics. El 2009, Google va impulsar aquest model de conducció autònoma. Abans que un vehicle autònom navegi per una determinada carretera, s’ha de cartografiar tota la carretera amb un detall molt alt en 3D. A aquests mapes els anomenem mapes d’alta fidelitat. Aquests mapes d'alta fidelitat emmagatzemen informació molt clau sobre l'entorn. Normalment emmagatzemen tots els diferents tipus de delimitadors a l’entorn.
Abans que el vehicle autònom navegi en un entorn, tot l’entorn es mapeja de manera molt precisa. Tots els marcadors de carrils, els límits de la carretera i qualsevol tipus de delimitador de l’entorn s’emmagatzemen en aquests tipus de mapes d’alta fidelitat.
Quan el vehicle navega per un entorn per al qual ja teniu mapes d'alta fidelitat, torneu a capturar les dades de diversos sensors del vehicle i intenteu fer coincidir les dades amb un mapa de referència que heu creat. Aquest procés de concordança us proporciona un vector de posada que us indica on es troba el vehicle al planeta terra i quina és la configuració del vehicle. Un cop coneguda la posició i la configuració del vehicle a la carretera, tota la informació que teniu emmagatzemada als mapes d'alta fidelitat es projecta a sobre de la configuració actual del vehicle. Quan projecteu aquesta informació, com ara marcadors de carreteres, marcadors de carrils i qualsevol tipus de delimitador de carreteres o delimitador d’entorn; el vehicle autònom sap on es troba ara respecte a un delimitador concret o des d’un marcador de carril concret. Tan,això és el que fan els algoritmes de localització.
L’últim àmbit de la conducció autònoma és la planificació i la presa de decisions. Com més sofisticats i millors siguin els algorismes de planificació i presa de decisions, més capacitat tindrà el vostre vehicle autònom. Per exemple, els algoritmes de planificació i presa de decisions diferenciaran les empreses del nivell dos, nivell tres, nivell quatre i nivell cinc d'autonomia. Qualsevol algorisme responsable de la presa de decisions o de la planificació del moviment i el comportament del vehicle és un algorisme de planificació.
Com més sofisticació tingueu en els algoritmes de planificació, millor serà el vostre vehicle. Diversos planificadors de moviment i responsables de la presa de decisions ajuden a avaluar la seguretat del vehicle i el medi ambient, la velocitat a la qual navega, l’entorn del vehicle i tots els paràmetres que podeu calcular des del vostre entorn. Això és el que fan els algoritmes de planificació.
He estat investigant en l’àmbit de la planificació. Si teniu el tipus d’algoritmes que poden fer front a l’estocàstica de la dinàmica del trànsit a l’Índia. Si podeu fer front a això i si teniu algoritmes, heu demostrat que, si només podeu construir una pila de percepció i localització, teniu una tecnologia de conducció autònoma completa.
No cal que desenvolupeu tots els diferents algoritmes per verificar el que funciona millor. Només cal construir tres o quatre algoritmes diferents que sabeu que solucionaran el problema clau de la conducció autònoma. La seguretat és el principal problema pel qual no veieu vehicles autònoms comercials a la carretera. El cost i la resta de problemes són secundaris. Podria haver construït tota l’arrencada només amb un o dos algorismes, com ara l’aspecte de localització i mapatge de la conducció autònoma. Però el meu objectiu era desenvolupar un vehicle autònom de ple dret i no un o dos algoritmes aquí i allà. El fet d’haver demostrat l’aspecte clau en l’àmbit de la planificació i la presa de decisions em va donar la confiança per abordar tot el problema de la conducció autònoma en general.
P. En quin nivell de conducció autònoma treballa Swaayatt Robots? I quin nivell creieu que és possible a l’Índia?
El nostre objectiu és assolir l’autonomia de nivell 5 i garantir que la tecnologia sigui segura en aquest tipus d’entorns. Estem entre el nivell tres i el nivell quatre. Algunes de les investigacions algorítmiques que estem fent són la planificació de moviments i la presa de decisions orientades al nivell cinc.
També estem treballant perquè els vehicles autònoms puguin creuar la intersecció a les hores punta de trànsit sense els semàfors. Estem orientats a assolir l’autonomia del nivell cinc, permetent als vehicles autònoms tractar espais reduïts amb trànsit altament estocàstic. Hem fet una conducció autònoma en un entorn molt estret quan un vehicle o una bicicleta també provenien de l’extrem oposat. A nivell POC, hem aconseguit entre tres i quatre nivells. Ja hem convertit els POC en autonomia de nivell quatre realitzant experiments en trànsit altament estocàstic amb espais reduïts. El nostre objectiu actual és aconseguir una conducció autònoma de 101 quilòmetres per hora a les carreteres índies.
Un cop provada la seguretat del vehicle en aquest tipus d’entorns, podeu agafar la vostra tecnologia i aplicar-la a qualsevol altre lloc, com a Amèrica del Nord i Europa, on el trànsit és molt més estructurat, on els entorns també són molt més estrictes en comparació amb l’Índia entorns. Per tant, l’Índia és ara un camp de proves per demostrar que tenim alguna cosa que ningú no ha fet en aquest moment.
P. Quant ha avançat Swaayatt Robots en el desenvolupament d'una solució de conducció autònoma? En quin nivell de conducció esteu treballant actualment?
Actualment, tenim l’algoritme de planificació de moviment més ràpid del món que pot planificar trajectòries gairebé òptimes amb paràmetres de temps per a un vehicle autònom en 500 microsegons. Per tant, l'algorisme funciona aproximadament a 2.000 Hz. Disposem de la tecnologia per permetre fins a 80 quilòmetres per hora de conducció autònoma a les autopistes índies. Aconseguir aquest tipus de velocitat a les autopistes índies és molt difícil. Normalment, si podeu fer-ho, també podeu portar-lo a un altre lloc. Podeu aplicar-lo al trànsit estranger i, bàsicament, esteu molt a prop del nivell quatre. Per fer-vos una idea, hem estat treballant en el que anomenem anàlisi d’intencions i negociació de diversos agents. Aquest marc permet que el nostre vehicle no només calculi la probabilitat de les intencions d'altres vehicles o agents a la carretera.Pot calcular les probabilitats de tots els conjunts de camins que altres agents o vehicles o obstacles de l’entorn no poden fer. Tot i això, aquesta capacitat per si sola no és suficient. Per exemple, podeu construir un sistema computacionalment exigent que pugui predir les futures trajectòries de moviment i potser calcular les probabilitats de tots els conjunts de camins de vehicles diferents. Aquí és on us heu de centrar, és a dir, també en els requisits computacionals. La demanda computacional d’aquest problema d’anàlisi d’intencions multi-agents i negociacions creixerà exponencialment si no heu fet cap investigació, no heu utilitzat les matemàtiques correctament o si no les heu dissenyat correctament. Estic investigant alguns dels conceptes de matemàtiques aplicades, específicament en l'àrea de la teoria topològica. Estic fent servir alguns conceptes com ara mapes d’homotòpia,que permeten a la nostra tecnologia escalar els càlculs. Almenys a partir d’ara, és superlineal pel que fa al nombre d’agents en oposició a l’explosió exponencial que trobareu si no heu elaborat correctament les matemàtiques que hi ha darrere dels algoritmes.
El marc de negociació d’anàlisi d’intencions de diversos agents es subdivideix en dues branques diferents en què estem treballant actualment. Un és el TSN (Tight Space Negotiator Framework) i l’altre és el model d’avançament. TSN permet als vehicles autònoms negociar tant els entorns reduïts com el trànsit estocàstic, tant a velocitat baixa com alta. Per tant, l’alta velocitat seria molt útil per als escenaris de trànsit estocàstic desordenats de la carretera i la baixa velocitat seria molt útil quan el vehicle navega en un escenari urbà, on sovint es troben els carrers més estrets amb massa trànsit i soroll al trànsit, cosa que significa allà hi ha massa incertesa en la dinàmica del trànsit.
Ja hi hem estat treballant durant els darrers dos anys i mig i ja ho hem desenvolupat en forma de POC. Alguns dels trossos d'aquests marcs que estic parlant es podrien mostrar a la demostració del nostre proper experiment, que tindrà com a objectiu aconseguir 101 quilòmetres per hora funcionant a les carreteres índies.
A més, també hem estat investigant en diferents branques de la IA. Utilitzem molt l’aprenentatge de l’aprenentatge, l’aprenentatge de reforç invers. Per tant, actualment estem treballant en la possibilitat d’avançar vehicles autònoms en carreteres típiques de dos carrils, tal com fan els conductors indis. Ho estem demostrant tant en simulació com en el món real en la mesura màxima possible amb un finançament limitat. Aquestes són algunes de les àrees de recerca que ja hem demostrat sobre el terreny i algunes d’elles es demostraran en els propers mesos.
A part d’això, som una de les úniques empreses del món que podem permetre la conducció autònoma en entorns completament desconeguts i invisibles per als quals no hi ha mapes d’alta fidelitat. Podem permetre la conducció autònoma sense l’ús de mapes d’alta fidelitat. Ens dediquem a eradicar completament la necessitat de mapes d’alta fidelitat i aquesta erradicació està permesa per dues de les nostres tecnologies clau. El nostre marc TSN està creat per establir un nou punt de referència regulador.
P. Parlant de l'arquitectura del maquinari, quin tipus de maquinari utilitzeu per al vostre propòsit computacional. A més, quin tipus de sensors i càmeres utilitzeu per cartografiar el món real amb els vostres vehicles autònoms?
A hores d’ara, només fem servir càmeres disponibles. Si veieu la nostra demostració d’un vehicle autònom, notareu que no havíem utilitzat res més que una càmera de 3000 Rs. Si mireu la investigació de la percepció que està passant a tot el món amb empreses autònomes o empreses de robòtica, utilitzen els tres sensors diferents, com ara càmeres, LiDAR i radars. Actualment, tots els nostres experiments de conducció autònoma només s’han fet amb càmeres. Quan vaig començar l’empresa, només tenia experiència en planificació, però des del 2016 em vaig adonar que treballs d’investigació d’última generació estiguessin allà on estiguessin treballant els laboratoris de tot el món; simplement no funciona al món real. Si funcionen, són massa computacionals i simplement no funcionen. Tan,També vaig prendre la percepció com la meva àrea principal de recerca i vaig dedicar al voltant del 25% al 27% del meu temps a fer investigacions sobre percepció. Ara, l'objectiu de recerca de la nostra empresa és permetre que els vehicles autònoms puguin percebre utilitzant només les càmeres sense la necessitat de LiDAR i radars. Aquesta és una ambició de recerca que volem aconseguir. Tot i aconseguir-ho, també ens hem assegurat que disposem de l’algoritme més ràpid del món per a qualsevol tasca comuna.
Tenim dos objectius de percepció. En primer lloc, l'algoritme ha de ser tan capaç que permeti als vehicles autònoms percebre només amb càmeres de dia i de nit. Hem ampliat aquesta capacitat de percepció no només durant el dia, sinó també a la nit, sense utilitzar res més que el far del vehicle i les càmeres RGB i NIR normals disponibles, el tipus de càmeres que podeu comprar per 3.000 Rs a mercat.
Ens centrem