ยักษ์ใหญ่ด้านเทคโนโลยีอย่าง Tesla และ Google ทำให้ยานยนต์ขับเคลื่อนด้วยตัวเองเป็นหัวข้อที่พูดถึงกันมากในหมู่ผู้ที่ชื่นชอบเทคโนโลยี บริษัท ต่างๆทั่วโลกกำลังดำเนินการเพื่อพัฒนายานยนต์ขับเคลื่อนอัตโนมัติสำหรับพื้นที่ต่างๆ
เพื่อให้เทคโนโลยีการขับขี่อัตโนมัติที่เชื่อมต่อสามารถเข้าถึงได้ราคาไม่แพงและพร้อมใช้งานสำหรับทุกคน Swaayatt Robots จากโภปาลจึงเข้าร่วมกลุ่ม อย่างไรก็ตามด้วยความรู้มากมายเกี่ยวกับเทคโนโลยีทั้งหมดที่เกี่ยวข้องกับ Autonomous Robotics ซีอีโอของ บริษัท นาย Sanjeev Sharma ได้ทิ้ง บริษัท เทคโนโลยีหลายแห่งไว้เบื้องหลังการแข่งขัน ตั้งแต่ปี 2009 เขาได้ทำการค้นคว้ามากมายและอยู่ระหว่างการคำนวณทางคณิตศาสตร์ที่เกี่ยวข้องกับการหาวิธีแก้ปัญหาอันชาญฉลาดสำหรับรถยนต์ที่ขับเคลื่อนด้วยตัวเอง
เรามีโอกาสได้พูดคุยกับ Mr. Sanjeev และเรียนรู้เกี่ยวกับเทคโนโลยีที่อยู่เบื้องหลังยานยนต์และหุ่นยนต์อัตโนมัติที่ Swaayatt Robots กำลังดำเนินการและแผนการในอนาคตของพวกเขา ข้ามไปอ่านบทสนทนาทั้งหมดที่เรามีกับเขา หรือคุณสามารถดูวิดีโอด้านล่างเพื่อฟังการสนทนาระหว่างบรรณาธิการของเราและ Sanjeev เอง
ถามการทำให้เทคโนโลยีการขับขี่อัตโนมัติสามารถเข้าถึงได้และราคาไม่แพงสำหรับทุกคนถือเป็นภารกิจหลักของ Swaayatt Robots การเดินทางเริ่มต้นอย่างไร?
ฉันได้ทำการค้นคว้าเกี่ยวกับการนำทางด้วยตนเองมาตลอด 11 ปีที่ผ่านมา ย้อนกลับไปในปี 2009 ฉันได้รับแรงบันดาลใจจากDARPA Grand Challengesที่เกิดขึ้นในสหรัฐอเมริกา การขับขี่อัตโนมัติกลายเป็นเป้าหมายของฉันในช่วงหลายปีที่ผ่านมา หลายปีที่ผ่านมาฉันยังคงค้นคว้าและศึกษาด้วยตนเองโดยเฉพาะเกี่ยวกับการวางแผนการเคลื่อนไหวและการตัดสินใจภายใต้ความไม่แน่นอน จุดเน้นคือการใช้แมชชีนเลิร์นนิงการเรียนรู้แบบเสริมกำลังและเทคนิคต่างๆให้เกิดประโยชน์สูงสุด ฉันเริ่ม Swaayatt Robots ในปี 2014 แต่ไม่ใช่แค่การใช้การวิจัยและการศึกษาที่ฉันทำในช่วงไม่กี่ปีที่ผ่านมา การใช้แนวคิดบางอย่างในการเคลื่อนไหวและการตัดสินใจฉันต้องแก้ปัญหาการวางแผนการรับรู้และการแปลด้วย ฉันมีประสบการณ์การวิจัยเฉพาะในด้านการตัดสินใจและการวางแผนการเคลื่อนไหว แต่พื้นที่ของการรับรู้และการแปลเป็นภาษาท้องถิ่นค่อนข้างใหม่สำหรับฉัน พื้นฐานทางคณิตศาสตร์อันยิ่งใหญ่ของฉันช่วยฉันได้มาก
เมื่อฉันเริ่มพัฒนาอัลกอริทึมเฟรมเวิร์กเพื่อเปิดใช้งานการขับขี่อัตโนมัติในราวปี 2015 ฉันก็ตระหนักว่านี่อาจเป็นสิ่งที่ยิ่งใหญ่มากและเราสามารถแก้ปัญหาการขับรถอัตโนมัติในสถานการณ์การจราจรที่ไม่เป็นอันตรายแบบสุ่มได้ และตั้งแต่ปี 2014 ฉันทำงานเต็มเวลาในการเริ่มต้นนี้ โดยเฉพาะงานวิจัยของฉันครอบคลุมหลายสาขา แต่โดยเฉพาะอย่างยิ่งจุดสนใจส่วนใหญ่ของ บริษัท ของเราคือการพัฒนาอัลกอริธึมการวางแผนการตัดสินใจและการเคลื่อนไหวที่ช่วยให้ยานยนต์ที่เป็นอิสระสามารถจัดการกับความสุ่มในระดับสูงในพลวัตการจราจรได้ นั่นเป็นจำนวนประมาณ 65% ถึง 70% ของการวิจัยที่เกิดขึ้นที่ Swaayatt Robots ประมาณ 25% - 27% ของการวิจัยไปสู่การรับรู้ซึ่งครอบคลุมอัลกอริทึมทุกประเภทที่ประมวลผลข้อมูลเซ็นเซอร์จากระบบหุ่นยนต์สำหรับยานพาหนะและสร้างภาพ 3 มิติของโลกรอบตัว
จากการรับรู้เราเป็นหนึ่งใน บริษัท เพียงไม่กี่แห่งในโลกที่สามารถอนุญาตให้ยานยนต์ขับเคลื่อนอัตโนมัติรับรู้สภาพแวดล้อมโดยใช้กล้องนอกชั้นวางที่ทำงานในเวลากลางวันและกลางคืน นี่คือคร่าวๆว่าการเดินทางเป็นอย่างไร
ถาม: คุณเริ่มต้นในปี 2014 เพื่อตรวจสอบความคิดของคุณและจากนั้นคุณก็มาถึงเส้นทางโดยสมบูรณ์ภายในปี 2015 เราควรทำอย่างไรในหนึ่งปีนี้ คุณทดสอบว่าการขับรถด้วยตนเองทำได้อย่างไรในอินเดีย
การขับขี่อัตโนมัติเป็นการผสมผสานระหว่างท่ออัลกอริทึมสามแบบที่รวมเข้าด้วยกัน ได้แก่ การรับรู้การวางแผนและการแปล อัลกอริทึมรับข้อมูลทางประสาทสัมผัสประมวลผลและสร้างภาพ 3 มิติรอบ ๆ ยานพาหนะ เราเรียกมันว่าอัลกอริทึมการรับรู้ อัลกอริธึมการแปลภาษาพยายามกำหนดตำแหน่งของยานพาหนะบนท้องถนนอย่างแม่นยำทั่วโลก นี่คือวิธีที่หุ่นยนต์ใช้ทำงานในสถานศึกษา ในปี 2009 รูปแบบการขับขี่อัตโนมัตินี้ได้รับการบุกเบิกโดย Google ก่อนที่รถขับเคลื่อนอัตโนมัติจะแล่นไปบนถนนเส้นหนึ่งถนนทั้งเส้นจะต้องได้รับการกำหนดรายละเอียดสูงมากในรูปแบบ 3 มิติ เราเรียกแผนที่เหล่านี้ว่าแผนที่ความเที่ยงตรงสูง แผนที่ความเที่ยงตรงสูงเหล่านี้เก็บข้อมูลสำคัญบางอย่างเกี่ยวกับสิ่งแวดล้อม โดยทั่วไปแล้วพวกเขาจะเก็บตัวคั่นประเภทต่างๆไว้ในสภาพแวดล้อม
ก่อนที่รถขับเคลื่อนอัตโนมัติจะเคลื่อนที่ไปในสภาพแวดล้อมสภาพแวดล้อมทั้งหมดจะถูกทำแผนที่อย่างแม่นยำมาก เครื่องหมายแสดงช่องทางเดินรถขอบเขตถนนและตัวคั่นทุกประเภทในสภาพแวดล้อมจริง ๆ แล้วจะถูกเก็บไว้ในแผนที่ความเที่ยงตรงสูงประเภทนี้
เมื่อยานพาหนะเคลื่อนที่ผ่านสภาพแวดล้อมที่คุณมีแผนที่ความเที่ยงตรงสูงอยู่แล้วคุณจะจับข้อมูลจากเซ็นเซอร์ต่างๆบนรถอีกครั้งและพยายามจับคู่ข้อมูลด้วยแผนที่อ้างอิงที่คุณสร้างขึ้น กระบวนการจับคู่นี้ให้เวกเตอร์ท่าทางที่บอกคุณว่ายานพาหนะอยู่ที่ไหนบนโลกใบนี้และอะไรคือโครงสร้างของยานพาหนะ เมื่อคุณทราบตำแหน่งและรูปแบบของยานพาหนะบนท้องถนนแล้วข้อมูลทั้งหมดที่คุณเก็บไว้ในแผนที่ความเที่ยงตรงสูงจะถูกคาดการณ์ไว้ที่ด้านบนของโครงร่างปัจจุบันของรถ เมื่อคุณแสดงข้อมูลนี้เช่นเครื่องหมายถนนเครื่องหมายช่องทางเดินรถและตัวคั่นถนนหรือตัวคั่นสภาพแวดล้อมประเภทใด ๆ ยานพาหนะที่เป็นอิสระจะรู้ว่าตอนนี้อยู่ที่ใดในแง่ของตัวคั่นเฉพาะหรือจากเครื่องหมายระบุช่องทางเดินรถ ดังนั้น,นี่คือสิ่งที่อัลกอริทึมการแปลภาษาทำ
พื้นที่สุดท้ายของการขับขี่อัตโนมัติคือการวางแผนและการตัดสินใจ ยิ่งคุณมีอัลกอริธึมการวางแผนและการตัดสินใจที่ซับซ้อนและดีขึ้นเท่าใดยานยนต์อิสระของคุณก็จะมีความสามารถมากขึ้นเท่านั้น ตัวอย่างเช่นอัลกอริธึมการวางแผนและการตัดสินใจจะทำให้ บริษัท แตกต่างจากการเป็นเอกราชระดับสองระดับสามระดับสี่และระดับห้า อัลกอริทึมใด ๆ ที่รับผิดชอบในการตัดสินใจหรือวางแผนการเคลื่อนที่และพฤติกรรมของยานพาหนะเป็นอัลกอริธึมการวางแผน
ยิ่งคุณมีความซับซ้อนมากขึ้นในอัลกอริทึมการวางแผนยานพาหนะของคุณก็จะดีขึ้นเท่านั้น นักวางแผนการเคลื่อนไหวและผู้มีอำนาจตัดสินใจหลายคนช่วยในการประเมินความปลอดภัยของยานพาหนะและสภาพแวดล้อมความเร็วในการเดินเรือสภาพแวดล้อมโดยรอบของยานพาหนะและพารามิเตอร์ทั้งหมดที่คุณสามารถคำนวณได้จากสภาพแวดล้อมของคุณ นี่คือสิ่งที่อัลกอริทึมการวางแผนทำ
ฉันได้ทำการวิจัยในด้านการวางแผน หากคุณมีอัลกอริทึมประเภทที่สามารถจัดการกับความสุ่มเสี่ยงในพลวัตของการจราจรในอินเดีย หากคุณสามารถจัดการกับสิ่งนั้นได้และหากคุณมีอัลกอริทึมแสดงว่าคุณได้พิสูจน์แล้วว่าหากคุณสามารถสร้างการรับรู้และโลคัลไลเซชันสแต็กได้คุณก็มีเทคโนโลยีการขับขี่อัตโนมัติที่ครบครัน
คุณไม่จำเป็นต้องพัฒนาอัลกอริทึมที่แตกต่างกันทั้งหมดเพื่อตรวจสอบว่าอะไรทำงานได้ดีที่สุด คุณเพียงแค่ต้องสร้างอัลกอริทึมที่แตกต่างกันสามหรือสี่รายการที่คุณรู้ว่าจะช่วยแก้ปัญหาสำคัญในการขับขี่อัตโนมัติ ความปลอดภัยเป็นปัญหาหลักที่ทำไมคุณจึงไม่เห็นรถยนต์ที่เป็นอิสระเชิงพาณิชย์บนท้องถนน ค่าใช้จ่ายและปัญหาอื่น ๆ ทั้งหมดเป็นเรื่องรอง ฉันสามารถสร้างการเริ่มต้นทั้งหมดด้วยอัลกอริทึมเพียงหนึ่งหรือสองอย่างเช่นการแปลและการทำแผนที่ด้านการขับขี่อัตโนมัติ แต่เป้าหมายของฉันคือการพัฒนายานยนต์อิสระที่เต็มเปี่ยมไม่ใช่อัลกอริทึมหนึ่งหรือสองที่นี่ การได้พิสูจน์ประเด็นสำคัญในด้านการวางแผนและการตัดสินใจทำให้ฉันมีความมั่นใจในการจัดการกับปัญหาทั้งหมดของการขับขี่อัตโนมัติโดยรวม
ถาม: Swaayatt Robots กำลังทำงานอยู่ในระดับใด และคุณคิดว่าอินเดียมีความเป็นไปได้ในระดับใด?
เป้าหมายของเราคือบรรลุความเป็นอิสระระดับ 5 และเพื่อให้แน่ใจว่าเทคโนโลยีมีความปลอดภัยในสภาพแวดล้อมประเภทนี้ เราอยู่ที่ไหนสักแห่งระหว่างระดับสามและระดับสี่ การวิจัยอัลกอริทึมบางส่วนที่เรากำลังทำอยู่นั้นอยู่ในการวางแผนการเคลื่อนไหวและการตัดสินใจที่กำหนดเป้าหมายไปที่ระดับห้า
นอกจากนี้เรากำลังดำเนินการเพื่อให้ยานพาหนะที่เป็นอิสระสามารถข้ามสี่แยกในชั่วโมงที่มีการจราจรคับคั่งโดยไม่มีสัญญาณไฟจราจร เราตั้งเป้าหมายที่จะบรรลุความเป็นอิสระระดับห้าโดยการเปิดใช้ยานพาหนะที่เป็นอิสระในการจัดการกับพื้นที่แคบที่มีการจราจรที่มีความเสี่ยงสูง เราได้ทำการขับขี่แบบอิสระในสภาพแวดล้อมที่คับแคบเมื่อมียานพาหนะหรือจักรยานมาจากฝั่งตรงข้ามเช่นกัน ในระดับ POC เราประสบความสำเร็จระหว่างสามถึงสี่ระดับ เราได้เปลี่ยน POC สำหรับการปกครองตนเองระดับสี่แล้วโดยทำการทดลองในการเข้าชมที่มีความสุ่มเสี่ยงสูงและมีพื้นที่ จำกัด เป้าหมายปัจจุบันของเราคือการขับรถอัตโนมัติบนถนนในอินเดียให้ได้ 101 กิโลเมตรต่อชั่วโมง
เมื่อคุณได้พิสูจน์ความปลอดภัยของรถในสภาพแวดล้อมประเภทนี้แล้วคุณสามารถนำเทคโนโลยีของคุณไปใช้ที่อื่นได้เช่นในอเมริกาเหนือและยุโรปซึ่งการจราจรมีโครงสร้างที่ดีกว่ามากซึ่งสภาพแวดล้อมก็เข้มงวดกว่ามากเมื่อเทียบกับอินเดีย สภาพแวดล้อม ดังนั้นในตอนนี้อินเดียจึงเป็นสนามทดสอบสำหรับเราที่จะพิสูจน์ว่าเรามีบางสิ่งที่ยังไม่มีใครทำในขณะนี้
ถาม Swaayatt Robots มีความก้าวหน้าในการพัฒนาโซลูชัน Autonomous Driving มากแค่ไหน? ขณะนี้คุณกำลังขับรถอยู่ในระดับใด
ปัจจุบันเรามีอัลกอริธึมการวางแผนการเคลื่อนที่ที่เร็วที่สุดในโลกที่สามารถวางแผนวิถีที่กำหนดพารามิเตอร์ตามเวลาที่เหมาะสมที่สุดสำหรับยานยนต์อิสระใน 500 ไมโครวินาที ดังนั้นอัลกอริทึมจึงทำงานได้ประมาณ 2,000 เฮิรตซ์ เรามีเทคโนโลยีที่ช่วยให้สามารถขับขี่บนทางหลวงของอินเดียได้สูงสุด 80 กิโลเมตรต่อชั่วโมง การบรรลุความเร็วแบบนั้นบนทางหลวงของอินเดียถือเป็นเรื่องที่ท้าทายมาก โดยปกติถ้าคุณทำได้คุณสามารถนำไปที่อื่นได้เช่นกัน คุณสามารถนำไปใช้ในการเข้าชมจากต่างประเทศและโดยพื้นฐานแล้วคุณอยู่ใกล้ระดับสี่มาก เพื่อให้คุณทราบว่าเราได้ดำเนินการเกี่ยวกับสิ่งที่เราเรียกว่าการวิเคราะห์และการเจรจาต่อรองแบบหลายตัวแทนเจตนา กรอบนี้ช่วยให้รถของเราไม่เพียงแค่คำนวณความน่าจะเป็นของความตั้งใจของยานพาหนะหรือตัวแทนอื่น ๆ บนท้องถนนสามารถคำนวณความน่าจะเป็นของชุดเส้นทางทั้งหมดที่ตัวแทนหรือยานพาหนะอื่น ๆ หรือสิ่งกีดขวางในสภาพแวดล้อมไม่สามารถทำได้ อย่างไรก็ตามความสามารถนี้เพียงอย่างเดียวไม่เพียงพอ ตัวอย่างเช่นคุณสามารถสร้างระบบที่ต้องการการคำนวณอย่างมากซึ่งสามารถทำนายวิถีการเคลื่อนที่ในอนาคตและอาจคำนวณความน่าจะเป็นของชุดเส้นทางทั้งหมดของยานพาหนะต่างๆ นี่คือที่ที่คุณต้องให้ความสำคัญเช่นความต้องการด้านการคำนวณ ความต้องการในการคำนวณในปัญหาของการวิเคราะห์และการเจรจาต่อรองแบบหลายตัวแทนจะเพิ่มขึ้นอย่างทวีคูณหากคุณไม่ได้ทำการวิจัยใด ๆ ไม่ได้ใช้คณิตศาสตร์อย่างเหมาะสมหรือหากคุณไม่ได้ออกแบบอย่างเหมาะสม ฉันกำลังค้นคว้าแนวคิดบางอย่างจากคณิตศาสตร์ประยุกต์โดยเฉพาะในเรื่องของทฤษฎีทอพอโลยี ฉันใช้แนวคิดบางอย่างเช่นแผนที่ homotopyซึ่งทำให้เทคโนโลยีของเราสามารถปรับขนาดการคำนวณได้ อย่างน้อย ณ ตอนนี้มันเป็น superlinear ในแง่ของจำนวนเอเจนต์เมื่อเทียบกับการระเบิดเลขชี้กำลังที่คุณจะพบหากคุณไม่ได้คำนวณคณิตศาสตร์ที่อยู่เบื้องหลังอัลกอริทึมอย่างถูกต้อง
กรอบการเจรจาการวิเคราะห์เจตนาแบบหลายตัวแทนยังแบ่งย่อยออกเป็นสองสาขาที่แตกต่างกันซึ่งเรากำลังดำเนินการอยู่ หนึ่งคือ TSN (Tight Space Negotiator Framework) และอีกแบบคือโมเดลแซงหน้า TSN ช่วยให้ยานพาหนะที่เป็นอิสระสามารถเจรจาทั้งในสภาพแวดล้อมที่คับแคบและการจราจรที่สุ่มเสี่ยงได้ทั้งที่ความเร็วต่ำและสูง ความเร็วสูงจะเป็นประโยชน์อย่างมากสำหรับสถานการณ์การจราจรที่ไม่เป็นระเบียบบนทางหลวงและความเร็วต่ำจะมีประโยชน์มากเมื่อรถแล่นในสถานการณ์ในเมืองซึ่งคุณมักจะต้องเจอกับถนนที่คับแคบซึ่งมีการจราจรและเสียงรบกวนมากเกินไปในการจราจรซึ่งหมายความว่ามี มีความไม่แน่นอนมากเกินไปในการเปลี่ยนแปลงการจราจร
เราได้ดำเนินการเรื่องนี้มาแล้วในช่วงสองปีครึ่งที่ผ่านมาและเราได้พัฒนาในรูปแบบของ POC แล้ว บิตและชิ้นส่วนบางส่วนของเฟรมเวิร์กเหล่านี้ที่ฉันกำลังพูดถึงอาจแสดงอยู่ในการสาธิตในการทดลองครั้งต่อไปของเราซึ่งจะมีเป้าหมายเพื่อให้ได้ 101 กิโลเมตรต่อชั่วโมงบนถนนในอินเดีย
นอกจากนี้เรายังได้ทำการวิจัยในสาขาต่างๆของ AI เราใช้การเรียนรู้การฝึกงานอย่างมากการเรียนรู้แบบเสริมแรงผกผัน ดังนั้นขณะนี้เรากำลังดำเนินการเพื่อให้ยานพาหนะอัตโนมัติสามารถแซงบนถนนสองเลนทั่วไปได้เช่นเดียวกับคนขับรถในอินเดีย เรากำลังพิสูจน์ทั้งในสถานการณ์จำลองและในโลกแห่งความเป็นจริงในขอบเขตสูงสุดเท่าที่จะเป็นไปได้ด้วยเงินทุนที่ จำกัดนี่คืองานวิจัยบางส่วนที่เราได้พิสูจน์แล้วในพื้นที่และบางส่วนกำลังจะได้รับการพิสูจน์ในอีกไม่กี่เดือนข้างหน้า
นอกเหนือจากนั้นเราเป็นหนึ่งใน บริษัท เดียวในโลกที่สามารถเปิดใช้งานการขับขี่อัตโนมัติในสภาพแวดล้อมที่ไม่รู้จักและมองไม่เห็นซึ่งไม่มีแผนที่ความเที่ยงตรงสูงเลย เราสามารถเปิดใช้งานการขับขี่อัตโนมัติโดยไม่ต้องใช้แผนที่ความเที่ยงตรงสูง เราอยู่ในธุรกิจของการกำจัดความต้องการแผนที่ความเที่ยงตรงสูงโดยสิ้นเชิงและการกำจัดนี้เปิดใช้งานโดยเทคโนโลยีหลักสองอย่างของเรา กรอบ TSN ของเราจัดทำขึ้นเพื่อกำหนดเกณฑ์มาตรฐานด้านกฎระเบียบใหม่
ถามเกี่ยวกับสถาปัตยกรรมฮาร์ดแวร์คุณใช้ฮาร์ดแวร์ประเภทใดเพื่อวัตถุประสงค์ในการคำนวณของคุณ นอกจากนี้คุณใช้เซ็นเซอร์และกล้องชนิดใดในการทำแผนที่โลกแห่งความเป็นจริงบนยานยนต์อิสระของคุณ
ณ ตอนนี้เราแค่ใช้กล้องนอกชั้นวาง หากคุณเห็นการสาธิตของเราสำหรับยานยนต์อิสระคุณจะสังเกตได้ว่าเราไม่ได้ใช้กล้องอะไรมากไปกว่ากล้อง 3000 Rs หากคุณดูการวิจัยการรับรู้ที่เกิดขึ้นทั่วโลกกับ บริษัท อิสระหรือ บริษัท หุ่นยนต์สำหรับเรื่องนั้นพวกเขาใช้เซ็นเซอร์ทั้งสามแบบที่แตกต่างกันเช่นกล้อง LiDAR และเรดาร์ ปัจจุบันการทดลองขับรถอัตโนมัติทั้งหมดของเราเกิดขึ้นโดยใช้กล้องเท่านั้น เมื่อฉันเริ่มก่อตั้ง บริษัท ฉันมีเพียงความเชี่ยวชาญในการวางแผน แต่ตั้งแต่ปี 2559 ฉันตระหนักว่าเอกสารการวิจัยที่ทันสมัยไม่ว่าห้องปฏิบัติการใด ๆ ทั่วโลกกำลังดำเนินการอยู่ มันใช้ไม่ได้ในโลกแห่งความเป็นจริง หากพวกเขาทำงานพวกเขาใช้การคำนวณมากเกินไปและก็ไม่ได้ผล ดังนั้น,ฉันใช้การรับรู้เป็นพื้นที่การวิจัยหลักของฉันและฉันทุ่มเทเวลาประมาณ 25% - 27% ในการทำวิจัยการรับรู้ ตอนนี้เป้าหมายการวิจัยของ บริษัท ของเราคือการทำให้ยานยนต์ที่เป็นอิสระสามารถรับรู้ได้โดยใช้กล้องเพียงอย่างเดียวโดยไม่ต้องใช้ LiDAR และเรดาร์ นี่คือความใฝ่ฝันในการวิจัยที่เราต้องการบรรลุ ในขณะที่บรรลุเป้าหมายนั้นเรายังมั่นใจว่าเรามีอัลกอริทึมที่เร็วที่สุดในโลกสำหรับงานทั่วไป
เรามีเป้าหมายสองประการในการรับรู้ ประการแรกอัลกอริทึมควรมีความสามารถมากจนทำให้ยานพาหนะที่เป็นอิสระสามารถรับรู้โดยใช้กล้องเพียงอย่างเดียวทั้งในเวลากลางวันและกลางคืน เราได้ขยายความสามารถในการรับรู้นี้ไม่เพียง แต่ในเวลากลางวัน แต่ในเวลากลางคืนเช่นกันโดยไม่ต้องใช้อะไรเลยนอกจากไฟหน้าของรถและกล้อง RGB และ NIR นอกชั้นวางทั่วไปซึ่งเป็นประเภทของกล้องที่คุณสามารถซื้อได้ในราคา 3,000 Rs ใน ตลาด.
เรามุ่งเน้น