Les géants de la technologie comme Tesla et Google ont fait des véhicules autonomes le sujet dont les passionnés de technologie parlent beaucoup. Diverses entreprises du monde entier travaillent au développement de véhicules de conduite autonome pour différents terrains.
Pour rendre la technologie de conduite autonome connectée accessible, abordable et accessible à tous, Swaayatt Robots, basé à Bhopal, a rejoint le train en marche. Cependant, avec une immense connaissance de toutes les technologies impliquées dans Autonomous Robotics, le PDG de la société, M. Sanjeev Sharma, a laissé de nombreuses entreprises technologiques derrière dans la course. Depuis 2009, il effectue de nombreuses recherches et effectue des calculs mathématiques impliqués dans l'élaboration de solutions intelligentes pour les voitures autonomes.
Nous avons eu l'occasion de parler à M. Sanjeev et de connaître chaque élément de la technologie derrière les véhicules autonomes et la robotique sur laquelle Swaayatt Robots travaille et leurs projets futurs. Faites un saut pour lire l'intégralité de la conversation que nous avons eue avec lui. Alternativement, vous pouvez également regarder la vidéo ci-dessous pour entendre la conversation entre notre éditeur et Sanjeev lui-même
Q. Rendre la technologie de conduite autonome accessible et abordable à tous est la mission principale de Swaayatt Robots. Comment le voyage a-t-il commencé?
Je fais des recherches dans le domaine de la navigation autonome depuis 11 ans maintenant. En 2009, je me suis inspiré des Grands Défis DARPAcela s'est produit aux États-Unis. La conduite autonome est devenue mon objectif pendant ces années. Pendant de nombreuses années, j'ai continué à faire des recherches et à faire des auto-études spécifiquement sur la planification de mouvement et la prise de décision sous incertitudes. L'accent était mis sur l'utilisation optimale de l'apprentissage automatique, de l'apprentissage par renforcement et de diverses techniques. J'ai commencé Swaayatt Robots en 2014, mais il ne s'agissait pas simplement d'appliquer les recherches et les études que j'avais menées ces dernières années. En appliquant certaines idées en mouvement et en prenant des décisions, j'ai dû également résoudre le problème de planification de la perception et de localisation. J'avais de l'expérience en recherche uniquement dans le domaine de la prise de décision et de la planification de mouvement. Mais les domaines de la perception et de la localisation étaient assez nouveaux pour moi. Mon immense bagage mathématique m'a beaucoup aidé.
Une fois que j'ai commencé à développer les cadres algorithmiques pour permettre la conduite autonome vers 2015, j'ai réalisé que cela pouvait être quelque chose de très énorme et que nous pouvions vraiment résoudre le problème de la conduite autonome dans des scénarios de trafic contradictoires très stochastiques. Et depuis 2014, je travaille à plein temps sur cette startup. Mes recherches en particulier couvrent plusieurs branches mais, en particulier, l'objectif principal de notre entreprise est de développer des algorithmes de prise de décision et de planification de mouvement qui permettent aux véhicules autonomes de faire face à des niveaux très élevés de stochasticité dans la dynamique du trafic. Cela représente environ 65% à 70% de la recherche effectuée chez Swaayatt Robots. Environ 25% - 27% de la recherche porte sur le domaine de la perception, qui englobe toutes sortes d'algorithmes qui traitent les données des capteurs d'un système robotique véhiculaire,et construisez une représentation 3D du monde qui l'entoure.
En perception, nous sommes l'une des très rares entreprises au monde à permettre aux véhicules autonomes de percevoir l'environnement en utilisant uniquement des caméras standard qui fonctionnent également de jour comme de nuit. C'est à peu près comment s'est déroulé le voyage jusqu'à présent.
Q. Vous avez commencé en 2014 à valider vos idées et ensuite vous avez complètement pris le chemin d'ici 2015. Alors que devons-nous faire dans cette année? Comment avez-vous vérifié que la conduite autonome pouvait être pratiquée en Inde?
La conduite autonome est le mélange de trois pipelines algorithmiques réunis à savoir. perception, planification et localisation. Les algorithmes prennent les données sensorielles, les traitent et construisent une représentation 3D autour d'un véhicule. Nous les appelons des algorithmes de perception. Les algorithmes de localisation tentent de déterminer globalement avec précision la position du véhicule sur la route. C'est ainsi que les robots fonctionnaient dans les milieux universitaires. En 2009, ce modèle de conduite autonome a été lancé par Google. Avant qu'un véhicule autonome ne navigue sur une certaine route, la route entière doit être cartographiée de manière très détaillée en 3D. Nous appelons ces cartes des cartes haute fidélité. Ces cartes haute fidélité stockent des informations très importantes sur l'environnement. Ils stockent généralement tous les différents types de délimiteurs dans l'environnement.
Avant que le véhicule autonome ne navigue dans un environnement, l'ensemble de l'environnement est cartographié de manière très précise. Tous les marqueurs de voie, les limites de route et tout type de délimiteur dans l'environnement sont en fait stockés dans ces types de cartes haute fidélité.
Lorsque le véhicule navigue dans un environnement pour lequel vous disposez déjà de cartes haute fidélité, vous capturez à nouveau les données de divers capteurs sur le véhicule et essayez de faire correspondre les données avec une carte de référence que vous avez créée. Ce processus de correspondance vous donne un vecteur de pose qui vous indique où se trouve le véhicule sur la planète Terre et quelle est la configuration du véhicule. Une fois que vous connaissez la position et la configuration du véhicule sur route, toutes les informations que vous aviez stockées dans les cartes haute fidélité sont projetées au-dessus de la configuration actuelle du véhicule. Lorsque vous projetez ces informations comme des marqueurs routiers, des marqueurs de voie et tout type de délimiteur de route ou délimiteur d'environnement; le véhicule autonome sait où il se trouve maintenant par rapport à un délimiteur particulier ou à partir d'un marqueur de voie particulier. Alors,c'est ce que font les algorithmes de localisation.
Le dernier domaine de la conduite autonome est la planification et la prise de décision. Plus vos algorithmes de planification et de prise de décision sont sophistiqués et meilleurs, plus votre véhicule autonome sera performant. Par exemple, les algorithmes de planification et de prise de décision différencieront les entreprises du niveau d'autonomie des niveaux deux, trois, quatre et cinq. Tout algorithme responsable de la prise de décision ou de la planification du mouvement et du comportement du véhicule est un algorithme de planification.
Plus les algorithmes de planification sont sophistiqués, meilleur sera votre véhicule. Plusieurs planificateurs de mouvement et décideurs vous aident à évaluer la sécurité du véhicule et de l'environnement, la vitesse à laquelle vous naviguez, l'environnement du véhicule et tous les paramètres que vous pouvez calculer à partir de votre environnement. C'est ce que font les algorithmes de planification.
J'ai fait des recherches dans le domaine de la planification. Si vous disposez du type d'algorithmes capables de gérer la stochasticité de la dynamique du trafic en Inde. Si vous pouvez gérer cela et si vous avez des algorithmes, vous avez prouvé que si vous pouvez simplement construire une pile de perception et de localisation, vous disposez d'une technologie de conduite autonome à part entière.
Vous n'avez pas besoin de développer tous les algorithmes différents pour vérifier ce qui fonctionne le mieux. Il vous suffit de construire trois ou quatre algorithmes différents dont vous savez qu'ils vont résoudre le problème clé de la conduite autonome. La sécurité est le principal problème pour lequel vous ne voyez pas de véhicules commerciaux autonomes sur la route. Le coût et tous les autres problèmes sont secondaires. J'aurais pu construire toute la startup sur un ou deux algorithmes comme l'aspect localisation et cartographie de la conduite autonome. Mais mon objectif était de développer un véhicule autonome à part entière et non pas un ou deux algorithmes ici et là. Avoir prouvé l'aspect clé dans le domaine de la planification et de la prise de décision m'a donné la confiance nécessaire pour aborder l'ensemble du problème de la conduite autonome en général.
Q. Sur quel niveau de conduite autonome les robots Swaayatt travaillent-ils? Et quel niveau pensez-vous possible en Inde?
Notre objectif est d'atteindre le niveau d'autonomie 5 et de garantir la sécurité de la technologie dans ces types d'environnements. Nous sommes quelque part entre le niveau trois et le niveau quatre. Une partie de la recherche algorithmique que nous faisons concerne la planification du mouvement et la prise de décision ciblée vers le niveau cinq.
Nous travaillons également à permettre aux véhicules autonomes de pouvoir traverser l'intersection aux heures de pointe sans les feux. Nous visons à atteindre une autonomie de niveau cinq en permettant aux véhicules autonomes de gérer un espace restreint avec un trafic hautement stochastique. Nous avons fait de la conduite autonome dans un environnement très restreint lorsqu'un véhicule ou un vélo venait également de l'extrémité opposée. Au niveau du POC, nous avons atteint entre trois et quatre niveaux. Nous avons déjà transformé les POC pour l'autonomie de niveau quatre en menant des expériences dans un trafic hautement stochastique avec des espaces restreints. Notre objectif actuel est d'atteindre 101 kilomètres par heure de conduite autonome sur les routes indiennes.
Une fois que vous avez prouvé la sécurité du véhicule dans ces types d'environnements, vous pouvez emporter votre technologie et l'appliquer partout ailleurs, comme en Amérique du Nord et en Europe où le trafic est beaucoup plus structuré, où les environnements sont également beaucoup plus stricts que ceux de l'Inde. environnements. L'Inde est donc un terrain d'essai pour nous pour prouver que nous avons quelque chose que personne d'autre n'a fait pour le moment.
Q. Dans quelle mesure Swaayatt Robots a-t-il progressé dans le développement d'une solution de conduite autonome? Sur quel niveau de conduite travaillez-vous actuellement?
Actuellement, nous disposons de l'algorithme de planification de mouvement le plus rapide au monde, capable de planifier des trajectoires paramétrées dans le temps presque optimales pour un véhicule autonome en 500 microsecondes. Donc, l'algorithme fonctionne à peu près à 2000 hertz. Nous avons la technologie pour permettre jusqu'à 80 kilomètres par heure de conduite autonome sur les autoroutes indiennes. Atteindre ce genre de vitesse sur les autoroutes indiennes est très difficile. En règle générale, si vous pouvez le faire, vous pouvez également l'emmener ailleurs. Vous pouvez l'appliquer dans le trafic étranger et, fondamentalement, vous êtes très proche du niveau quatre. Pour vous donner une idée, nous avons travaillé sur ce que nous appelons l'analyse et la négociation d'intentions multi-agents. Ce cadre permet à notre véhicule de ne pas simplement calculer la probabilité des intentions d'autres véhicules ou agents sur la route.Il peut calculer les probabilités des ensembles de chemins entiers que d'autres agents ou véhicules ou obstacles dans l'environnement ne peuvent pas. Cependant, cette capacité seule n'est pas suffisante. Par exemple, vous pouvez construire un système très exigeant en termes de calcul qui peut prédire les futures trajectoires de mouvement et peut-être calculer les probabilités de tous les ensembles de trajectoires de différents véhicules. C'est là que vous devez vous concentrer, c'est-à-dire également sur l'exigence de calcul. La demande de calcul dans ce problème d'analyse d'intention multi-agents et de négociations augmentera de façon exponentielle si vous n'avez pas fait de recherche, n'avez pas utilisé les mathématiques correctement ou si vous ne les avez pas conçues correctement. Je recherche certains des concepts des mathématiques appliquées, en particulier dans le domaine de la théorie topologique. J'utilise certains des concepts comme les cartes d'homotopie,qui permettent à notre technologie de mettre à l'échelle les calculs. Au moins à partir de maintenant, il est super-linéaire en termes de nombre d'agents par opposition à l'explosion exponentielle que vous rencontreriez si vous n'avez pas correctement élaboré les mathématiques derrière les algorithmes.
Le cadre de négociation de l'analyse d'intention multi-agent est subdivisé en deux branches différentes sur lesquelles nous travaillons actuellement. L'un est le TSN (Tight Space Negotiator Framework) et l'autre est le modèle de dépassement. TSN permet aux véhicules autonomes de négocier à la fois les environnements serrés et le trafic stochastique, à la fois à basse et à haute vitesse. Ainsi, la vitesse élevée serait très utile pour les scénarios de trafic stochastique encombrés sur autoroute et la faible vitesse serait très utile lorsque le véhicule navigue dans un scénario urbain, où vous rencontrez souvent les rues les plus étroites avec trop de trafic et de bruit dans la circulation, ce qui signifie qu'il y a est trop d'incertitude dans la dynamique du trafic.
Nous y travaillons déjà depuis deux ans et demi, et nous l'avons déjà développé sous forme de POC. Certains des fragments de ces cadres dont je parle pourraient être montrés dans la démo de notre prochaine expérience, qui visera à atteindre 101 kilomètres à l'heure sur les routes indiennes.
En outre, nous avons également effectué des recherches dans différentes branches de l'IA. Nous utilisons fortement l'apprentissage par apprentissage, l'apprentissage par renforcement inverse. Nous travaillons donc actuellement à permettre aux véhicules autonomes de dépasser sur des routes à deux voies typiques, comme le font les conducteurs indiens. Nous prouvons à la fois dans la simulation et dans le monde réel dans la mesure du possible avec un financement limité. Ce sont quelques-uns des domaines de recherche que nous avons déjà prouvés sur le terrain, et certains d'entre eux vont l'être dans les prochains mois.
En dehors de cela, nous sommes l'une des seules entreprises au monde à pouvoir permettre la conduite autonome dans des environnements totalement inconnus et invisibles pour lesquels il n'y a pas du tout de cartes haute fidélité. Nous pouvons activer la conduite autonome sans utiliser de cartes haute fidélité. Notre objectif est d’éradiquer complètement le besoin de cartes haute fidélité et cette éradication est rendue possible par deux de nos technologies clés. Notre cadre TSN est conçu pour établir une nouvelle référence réglementaire.
Q. Parlant de l'architecture matérielle, quel type de matériel utilisez-vous pour vos besoins de calcul. De plus, quel type de capteurs et de caméras utilisez-vous pour cartographier le monde réel sur vos véhicules autonomes?
Pour le moment, nous n'utilisons que des caméras standard. Si vous voyez notre démo pour un véhicule autonome, vous remarquerez que nous n'avions utilisé rien de plus qu'une caméra 3000 Rs. Si vous regardez les recherches sur la perception qui se déroulent dans le monde entier avec les entreprises autonomes ou les sociétés de robotique, elles utilisent les trois capteurs différents comme les caméras, les LiDAR et les radars. Actuellement, toutes nos expériences de conduite autonome se sont déroulées uniquement à l'aide de caméras. Quand j'ai commencé l'entreprise, je n'avais qu'une expertise en planification, mais depuis 2016, j'ai réalisé que des documents de recherche de pointe, quels que soient les laboratoires du monde entier, travaillent; cela ne fonctionne tout simplement pas dans le monde réel. S'ils fonctionnent, ils nécessitent trop de calculs et ils ne fonctionnent tout simplement pas. Alors,J'ai également pris la perception comme mon domaine de recherche principal et j'ai consacré environ 25 à 27% de mon temps à faire de la recherche sur la perception. Désormais, l'objectif de recherche de notre société est de permettre aux véhicules autonomes de pouvoir percevoir en utilisant uniquement les caméras sans avoir besoin de LiDAR et de radars. C'est une ambition de recherche que nous voulons atteindre. Tout en réalisant cela, nous nous sommes également assurés de disposer de l'algorithme le plus rapide au monde pour toute tâche courante.
Nous avons deux objectifs en matière de perception. Premièrement, l'algorithme devrait être suffisamment performant pour permettre aux véhicules autonomes de percevoir en utilisant uniquement des caméras de jour comme de nuit. Nous avons étendu cette capacité de perception non seulement pour la journée mais aussi la nuit en utilisant uniquement le phare du véhicule et des caméras RVB et NIR standard standard, le type de caméras que vous pouvez acheter pour 3000 Rs dans le marché.
Nous nous concentrons