Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 رونمایی از موتور متن‌باز شبیه‌ساز واقعیت برای وسایل نقلیه خودران

رونمایی از موتور متن‌باز شبیه‌ساز واقعیت برای وسایل نقلیه خودران

محققان دانشگاه MIT از اولین موتور متن‌باز شبیه‌سازی رونمایی کردند که قادر است محیط‌های بسیار نزدیک به واقعیت را شبیه‌سازی کند. این محیط‌ها برای آموزش و انجام تست‌های رانندگی وسایل نقلیه خودران استفاده می‌شوند.

دنیاهای مجازی که بیشترین شباهت را به دنیای واقعی دارند، بهترین محیط برای آموزش رانندگی با وسایل نقلیه خودران به‌شمار می‌روند زیرا این محیط‌ها بستری مناسب برای آزمایش شرایط خطرناک رانندگی در اختیار محققان قرار می‌دهند. شرکت‌های تولید کننده وسایل نقلیه  خودران، از جمله تسلا و وایمو، برای اجرای شبیه‌‌سازی‌های نزدیک به واقعیت  خود که گران و اختصاصی هستند به داده‌های زیادی احتیاج دارند. در حالی‌که بازآفرینی صحنه‌های بسیار خطرسازی که ممکن است منجر به تصادف شوند و جمع‌آوری دادهای‌ دقیقِ مرتبط با آن‌ها نیز چندان آسان و مطلوب نیست.

به همین دلیل دانشمندان آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) دانشگاه MIT یک موتور شبیه‌ساز مبتنی بر داده ساخته‌اند. VISTA 2.0 موتور شبیه‌سازی است که وسایل نقلیه خودران می‌توانند با کمک آن در دنیای واقعی رانندگی کرده و موقعیت‌های نزدیک به تصادف را تجربه کنند. از همه مهم‌تر این که تمام کدهای این موتور متن‌باز در اختیار عموم قرار دارد.

تا امروز، نرم‌افزارهای شبیه‌سازی محیط با قابلیت‌هایی مشابه قابلیت‌های VISTA 2.0 تنها در انحصار شرکت‌ها بودند.  با انتشار این نسخه، جامعه تحقیقاتی نیز از ابزاری قدرتمند برای سرعت ‌بخشیدن به تحقیقات و توسعه کنترل تطبیقی مقاوم وسایل نقلیه خودران بهره‎مند می‌شوند.

این تیم تحقیقاتی VISTA 2.0 را از روی نسخه قبلی یعنی  VISTAساخته است. VISTA 2.0 مبتنی بر داده‌ است، به این معنا که با داده‌های برگرفته از دنیای واقعی ساخته و تصویر‌سازی شده است و در نتیجه ورود مستقیم آن به دنیای واقعی امکان‌پذیر است. به همین دلیل تفاوتی اساسی با دیگر شبیه‌سازهای وسایل نقلیه خودران موجود دارد. اگرچه تست اولیه تنها در مسیری تک بانده و با یک دوربین انجام شد، اما دستیابی به شبیه‌ساز‌ی‌هایی باکیفیت و مبتنی بر داده‌‌، مستلزم تجدید نظر در مبانی ترکیب حسگر‌های مختلف و تعاملات رفتاری است.

VISTA 2.0 سیستمی مبتنی بر داده است که می‌تواند انواع بیشماری از حسگرها، موقعیت‌ها و تعاملات را در مقیاس بزرگ شبیه‌‍سازی کند. اگرچه این تیم داده‌های بسیار کمتری نسبت به مدل‌های قبلی در اختیار داشت، اما موفق شد خودرویی را آموزش دهد که در مقایسه با خودروهای آموزش دیده با داده‌های واقعی کلان ، به طرز چشمگیری مقاوم‌تر بود.

وسایل نقلیه خودران

به زعم پژوهشگران این پروژه، ساخت این شبیه‌ساز گامی بزرگ در راستای ارتقای قابلیت‌ شبیه‌سازی‌های مبتنی بر داده است که در وسایل نقلیه خودران استفاده می‌شوند. این پژوهش همچنین کوششی برای افزایش مقیاس و توانایی مواجهه با پیچیدگی‌های رانندگی است. VISTA 2.0 در شبیه‌سازی داده‌های بدست‌آمده از حسگرها، توانایی به مراتب فراتر از دوربین‌های RGB دوبعدی، لایدارهای سه بعدی میلیون نقطه‌ای، و دوربین‌های مبتنی بر رویداد از خود نشان داد و حتی می‌تواند از پس موقعیت‌های تعاملی و پویا با سایر خودروها برآید.

این تیم توانست پیچیدگی‌‌های رانندگی تعاملی در محیط‌های واقع‌گرایی را برای مواردی مانند سبقت گرفتن، تعقیب و گریز، و مذاکره کردن (برای مثال در موقعیت‌های چند عاملی) افزایش دهد.

از آنجا که داده‌های موجود برای آموزش مدل‌های هوش مصنوعی به‌کار رفته در وسایل نقلیه خودران بیشتر از سفرهای روز‌مره و بدون سانحه بدست می‌آیند، بدست‌آوردن داده‌های مرتبط با موقعیت‌های متنوع، عجیب و خطرناک برای تغذیه مدل دشوار است.

به تازگی، محققان محیط‌های شبیه‌سازی شده کلاسیکی را که انسان طراحی کرده است کنار گذاشته و به استفاده از محیط‌های شبیه‌سازی‌شده با داده‌های دنیای واقعی روی آورده‌اند. محیط‌های شبیه‌سازی کلاسیک به راحتی دوربین‌های مجازی و لایدارها را مدل‌سازی می‌کنند درحالی که محیط‌های جدیدتر بسیار به واقعیت نزدیک هستند. در این تغییر پارادایم، یک سوال کلیدی مطرح می‌شود: آیا می‌توان کیفیت و پیچیدگی تمام حسگرهایی را که وسایل نقلیه خودران به آن‌ها نیاز دارند (مانند لایدار و دوربین‌های مبتنی بر رویداد که بسیار کمیاب نیز هستند) به درستی با هم ترکیب کرد؟

تفسیر داده‌های بدست‌آمده از حسگرها در دنیای مجازی بسیار دشوار است (احتمالاً تا کنون ساخت ابر سه بعدی جدید با میلیون‌ها نقطه، آن هم از زاویه‌های معدود، را امتحان کرده‌اید). این تیم برای ساخت ابر نقطه‌های سه بعدی لایدار از داده‌های بدست‌آمده از یک اتومبیل استفاده کردند، سپس ابر نقطه را به شکل فضایی سه بعدی منعکس کرده و به خودروی مجازی جدیدی اجازه دادند در اطراف محلی که خودروی اول قرار داشت، شروع به حرکت کند. در پایان، با کمک شبکه‌های عصبی، تمام اطلاعات حسی را به چارچوب نمای خودروی مجازی جدید منتقل کردند.

با کمک شبیه‌سازی دوربین‌های مبتنی بر رویداد، که با سرعتی بیش از هزاران رویداد در ثانیه کار می‌کنند، این شبیه‌ساز توانست این اطلاعات چند مدلی را در لحظه شبیه‌سازی کند. با این قابلیت نه تنها آموزش شبکه‌های عصبی به صورت غیربرخط امکان‌پذیر می‌شود، بلکه با واقعیت افزوده امکان ارزیابی ایمنی وسایل نقلیه خودران نیز فراهم می‌آید. پاسخ مشخصی برای این سوال وجود ندارد که آیا استفاده همزمان از چندین عامل شبیه‌سازی، دراین مقیاس از پیچیدگی و واقع‌گرایی، در حوزه شبیه‌سازی مبتنی بر داده‌ امکان‌پذیر است یا خیر.

ویدئو شبیه‌ساز واقعیت برای وسایل نقلیه خودران

با این ابداع، مدارس آموزش رانندگی از دور خارج خواهند شد. در این شبیه‌ساز، می‌توانید در اطراف برانید؛ انواع مختلفی از کنترل‌کننده‌ها را در اختیار داشته باشید؛ رویداد‌های مختلفی را شبیه سازی کنید؛ موقعیت‌های تعاملی ایجاد کنید و با اتومبیل‌های کاملاً جدیدی روبه‌رو‌ شوید که در داده‌های اصلی وجود نداشته‌اند. این تیم تحقیقاتی شبیه‌ساز را به لحاظ راندن در مسیر مستقیم، تغییر لاین، تعقیب سایر اتومبیل‌ها، و موقعیت‌های پرخطر دیگر مانند سبقت استاتیک و پویا (دیدن موانع و حرکت به طرفین برای اجتناب از برخورد) ارزیابی کردند. در این سیستم چندعاملی، عامل‌های واقعی و شبیه‌سازی‌شده  با هم در تعامل هستند و علاوه بر آن می‌توان عواملی جدید را به صحنه اضافه و در مسیرهای دلخواه کنترل کرد.

این تیم پژوهشی اتومبیلی را در ابعاد واقعی در منطقه دِوِنز، ماساچوست، آورده نتایج را در آن بررسی کردند و شاهد ناکامی‌ها و موفقیت‌ها‌ی آن بودند. آنها همچنین موفق شدند تا «مقاومت» را به عنوان قابلیت جادویی اتومبیل‌های خودران را به نمایش بگذارند. این تیم پژوهشی نشان دادند وسایل نقلیه خودرانی که به طور کامل با VISTA 2.0 آموزش دیده‌بودند ، در دنیای واقعی به قدری مقاوم بودند که توانستند با موفقیت چالش‌ها را پشت سر بگذارند.

احساسات یکی دیگر مسائل ایمنی انسان است و کسی تا کنون موفق به شبیه‌سازی آن نشده است. این تیم قصد دارد در تحقیقات بعدی خود به ظرافت‌های بیشتری،از جمله سر یا دست‌ تکان دادن‌های دوستانه یا چراغ زدن‌های رانندگان بپردازد.

الگوریتم اصلی این تحقیق نحوه‌ انتخاب دیتاست و همچنین ساخت دنیایی کاملا ً مصنوعی برای یادگیری و استقلال عامل‌های هوش مصنوعی. این پژوهش به مثابه سکوی پرتابی است که روزی منجر به گسترش حوزه روباتیک در جهت‌های مختلف خواهد شد؛ نه تنها در حوزه وسایل نقلیه خودران، بلکه در تمامی زمینه‌هایی که به بینایی و بروز رفتارهای پیچیده متکی هستند. این محققان از انتشار VISTA 2.0 برای کمک به جامعه پژوهشی در جمع‌آوری داده‌های خود و تبدیل آن‌ها به دنیای مجازی ابراز خرسندی کردند. به این ترتیب پژوهشگران مختلف می‌توانند مستقیماً وسایل نقلیه خودران مجازی خود را شبیه سازی کرده و در اطراف دیگر خودروهای مجازی رانندگی کنند، شبکه‌ عصبی وسایل نقلیه خودران خود را آموزش دهند و در نهایت اتومبیل‌های خودران واقعی بسازند.

پژوهشگران این پروژه عبارتند از: الکساندر امینی، تسان هوسان وانگ، و ژیجیان لیو دانشجوی دکتری در آزمایشگاه علوم کامپیوتر و هوش مصنوعی دانشگاه MIT؛ ایگور گلیتشنسکی، استادیار علوم کامپیوتری در دانشگاه تورنتو؛ ویلکو شوارتینگ، پژوهشگر تحقیقات هوش مصنوعی در آزمایشگاه علوم کامپیوتر و هوش مصنوعی دانشگاه MIT؛ سانگ هان دانشیار دپارتمان مهندسی الکترونیک و علوم کامپیوتری دانشگاه MIT؛ سرتاک کارامان، دانشیار گروه هوافضای دانشگاه MIT؛ دانیل داس مدیر آزمایشگاه  CSAIL و استاد دانشگاه MIT.

این مقاله در کنفرانس بین المللی IEEE با موضوع روباتیک و اتوماسیون (ICRA) در فیلادلفیا ارائه شد.

لازم به ذکر است که بنیاد ملی علوم و انستیتوی تحقیقات تویوتا، از این پژوهش پشتیبانی می‌کند و شرکت NVIDIA با اهدای درایو AGX Pegasus نیز از این تیم حمایت کرده است.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.