Gigantes da tecnologia como a Tesla e o Google transformaram os veículos autônomos no assunto muito falado entre os entusiastas da tecnologia. Várias empresas em todo o mundo estão trabalhando para desenvolver veículos de direção autônoma para vários terrenos.
Para tornar a tecnologia de direção autônoma conectada acessível, acessível e disponível para todos, a Swaayatt Robots, sediada em Bhopal, aderiu ao movimento. No entanto, com imenso conhecimento de toda a tecnologia envolvida na Robótica Autônoma, o CEO da empresa, o Sr. Sanjeev Sharma deixou muitas empresas de tecnologia para trás na corrida. Desde 2009, ele pesquisa muito e faz cálculos matemáticos para encontrar soluções inteligentes para carros autônomos.
Tivemos a oportunidade de falar com o Sr. Sanjeev e conhecer cada detalhe da tecnologia por trás dos Veículos Autônomos e Robótica em que a Swaayatt Robots está trabalhando e seus planos futuros. Dê um pulo para ler toda a conversa que tivemos com ele. Alternativamente, você também pode assistir ao vídeo abaixo para ouvir a conversa entre nosso editor e o próprio Sanjeev
P. Tornar a tecnologia de direção autônoma acessível e acessível a todos é a principal missão da Swaayatt Robots. Como a jornada começou?
Venho pesquisando na área de navegação autônoma há 11 anos. Em 2009, fui inspirado pelos Grandes Desafios da DARPAque aconteceu nos EUA. A direção autônoma tornou-se o meu objetivo durante aqueles anos. Ao longo de muitos anos, continuei pesquisando e fazendo autoestudos especificamente sobre planejamento de movimento e tomada de decisão sob incertezas. O foco era fazer o uso ideal do aprendizado de máquina, aprendizado por reforço e várias técnicas. Comecei a Swaayatt Robots em 2014, mas não era simplesmente aplicar a pesquisa e os estudos que fiz ao longo dos últimos anos. Aplicando algumas ideias em movimento e tomada de decisão, tive que resolver o problema de planejamento de percepção e localização também. Eu tinha experiência em pesquisa apenas na área de tomada de decisão e planejamento de movimento. Mas as áreas de percepção e localização eram bastante novas para mim. Minha tremenda formação matemática me ajudou muito.
Depois que comecei a desenvolver as estruturas algorítmicas para permitir a direção autônoma por volta de 2015, percebi que isso pode ser algo muito grande e que podemos realmente resolver o problema da direção autônoma em cenários de tráfego adversários muito estocásticos. E desde 2014, trabalho em tempo integral nesta startup. Minha pesquisa em particular cobre vários ramos, mas, em particular, a maior parte do foco de nossa empresa é desenvolver algoritmos de planejamento de tomada de decisão e movimento que permitem que veículos autônomos lidem com níveis muito altos de estocasticidade na dinâmica do tráfego. Isso equivale a cerca de 65% a 70% da pesquisa que acontece na Swaayatt Robots. Cerca de 25% a 27% da pesquisa vai para a área de percepção, que engloba todos os tipos de algoritmos que processam os dados do sensor de um sistema robótico veicular,e construir uma representação 3D do mundo ao seu redor.
Em percepção, somos uma das poucas empresas no mundo que pode permitir que veículos autônomos percebam o ambiente usando apenas câmeras de prateleira que funcionam durante o dia e a noite também. É mais ou menos assim que a jornada tem sido até agora.
P. Você começou em 2014 para validar suas ideias e então pegou o caminho completamente em 2015. Então, o que devemos fazer neste ano? Como você testou se a direção autônoma pode ser feita na Índia?
A direção autônoma é a combinação de três pipelines algorítmicos colocados juntos viz. percepção, planejamento e localização. Os algoritmos pegam os dados sensoriais, os processam e constroem uma representação 3D em torno de um veículo. Nós os chamamos de algoritmos de percepção. Os algoritmos de localização tentam determinar com precisão global a posição do veículo na estrada. É assim que os robôs costumavam trabalhar em ambientes acadêmicos. Em 2009, esse modelo de direção autônoma foi inaugurado pelo Google. Antes que um veículo autônomo navegue em uma determinada estrada, toda a estrada deve ser mapeada com muitos detalhes em 3D. Chamamos esses mapas de mapas de alta fidelidade. Esses mapas de alta fidelidade armazenam algumas informações importantes sobre o ambiente. Eles normalmente armazenam todos os diferentes tipos de delimitadores no ambiente.
Antes que o veículo autônomo navegue em um ambiente, todo o ambiente é mapeado de maneira muito precisa. Todos os marcadores de faixa, limites de estrada e qualquer tipo de delimitador no ambiente são realmente armazenados nesses tipos de mapas de alta fidelidade.
Quando o veículo navega por um ambiente para o qual você já possui mapas de alta fidelidade, você novamente captura os dados de vários sensores no veículo e tenta combinar os dados com um mapa de referência que você construiu. Esse processo de correspondência fornece um vetor de pose que informa onde o veículo está no planeta Terra e qual é a configuração do veículo. Depois de saber a posição e a configuração do veículo na estrada, todas as informações que você armazenou nos mapas de alta fidelidade são projetadas sobre a configuração atual do veículo. Quando você projeta essas informações, como marcadores de estrada, marcadores de faixa e qualquer tipo de delimitador de estrada ou delimitador de ambiente; o veículo autônomo sabe onde está agora em relação a um delimitador específico ou a partir de um marcador de faixa específico. Então,isso é o que os algoritmos de localização fazem.
A última área da direção autônoma é o planejamento e a tomada de decisões. Quanto mais sofisticados e melhores forem os algoritmos de planejamento e tomada de decisão que você tiver, mais capaz será seu veículo autônomo. Por exemplo, algoritmos de planejamento e tomada de decisão diferenciarão as empresas de estar no nível dois, nível três, nível quatro e nível cinco de autonomia. Qualquer algoritmo responsável pela tomada de decisão ou planejamento do movimento e comportamento do veículo é um algoritmo de planejamento.
Quanto mais sofisticação você tiver nos algoritmos de planejamento, melhor será o seu veículo. Vários planejadores de movimento e tomadores de decisão ajudam a avaliar a segurança do veículo e do ambiente, a velocidade em que você está navegando, o entorno do veículo e todos os parâmetros que você pode calcular de seu ambiente. Isso é o que os algoritmos de planejamento fazem.
Venho pesquisando na área de planejamento. Se você tiver o tipo de algoritmo que pode lidar com a estocasticidade na dinâmica do tráfego na Índia. Se você puder lidar com isso e tiver algoritmos, terá provado que, se puder apenas construir uma pilha de percepção e localização, terá uma tecnologia de direção autônoma completa.
Você não precisa desenvolver todos os algoritmos diferentes para verificar o que funciona melhor. Você só precisa construir três ou quatro algoritmos diferentes que você sabe que vão resolver o problema chave da direção autônoma. A segurança é a principal questão por que você não vê veículos comerciais autônomos na estrada. O custo e todas as outras questões são secundárias. Eu poderia ter construído toda a inicialização em apenas um ou dois algoritmos, como o aspecto de localização e mapeamento da direção autônoma. Mas meu objetivo era desenvolver um veículo autônomo completo e não um ou dois algoritmos aqui e ali. Ter comprovado o aspecto-chave na área de planejamento e tomada de decisão me deu confiança para lidar com todo o problema da direção autônoma em geral.
P. Em que nível de direção autônoma os robôs Swaayatt estão trabalhando? E qual nível você acha que é possível na Índia?
Nosso objetivo é atingir o nível 5 de autonomia e garantir que a tecnologia seja segura neste tipo de ambiente. Estamos em algum lugar entre o nível três e o nível quatro. Algumas das pesquisas algorítmicas que estamos fazendo estão em movimento de planejamento e tomada de decisão voltadas para o nível cinco.
Também estamos trabalhando para permitir que veículos autônomos consigam cruzar o cruzamento nos horários de pico do tráfego sem os semáforos. Nosso objetivo é alcançar o nível cinco de autonomia, permitindo que os veículos autônomos lidem com espaços apertados com tráfego altamente estocástico. Nós conduzimos de forma autônoma em um ambiente muito apertado quando um veículo ou uma bicicleta também vinha do lado oposto. No nível POC, alcançamos entre três e quatro níveis. Já transformamos os POCs para autonomia de nível quatro, conduzindo experimentos em tráfego altamente estocástico com espaços apertados. Nossa meta atual é atingir 101 quilômetros por hora de direção autônoma nas estradas indianas.
Depois de comprovar a segurança do veículo nesses tipos de ambiente, você pode pegar sua tecnologia e aplicá-la em qualquer outro lugar como na América do Norte e na Europa, onde o tráfego é muito mais estruturado, onde os ambientes também são muito mais rígidos em comparação com os indianos ambientes. Portanto, a partir de agora a Índia é um campo de testes para provarmos que temos algo que ninguém mais fez no momento.
P. Quanto a Swaayatt Robots progrediu no desenvolvimento de uma solução de direção autônoma? Em que nível de direção você está trabalhando atualmente?
Atualmente, temos o algoritmo de planejamento de movimento mais rápido do mundo que pode planejar trajetórias parametrizadas por tempo quase ótimas para um veículo autônomo em 500 microssegundos. Portanto, o algoritmo funciona aproximadamente a 2.000 hertz. Temos a tecnologia para permitir até 80 quilômetros por hora de direção autônoma nas rodovias indianas. Alcançar esse tipo de velocidade nas rodovias indianas é muito desafiador. Normalmente, se você pode fazer isso, você pode levá-lo para outro lugar também. Você pode aplicá-lo no tráfego estrangeiro e, basicamente, você está muito perto do nível quatro. Para se ter uma ideia, estamos trabalhando no que chamamos de análise e negociação de intenções de vários agentes. Essa estrutura permite que nosso veículo não apenas calcule a probabilidade das intenções de outros veículos ou agentes na estrada.Ele pode calcular as probabilidades de todos os conjuntos de caminhos que outros agentes ou veículos ou obstáculos no ambiente não podem. No entanto, esse recurso por si só não é suficiente. Por exemplo, você pode construir um sistema muito exigente computacionalmente que pode prever as trajetórias de movimento futuras e talvez calcular as probabilidades de todos os conjuntos de caminhos de veículos diferentes. É aqui que você deve se concentrar, ou seja, também nos requisitos computacionais. A demanda computacional neste problema de análise e negociações de intenções de multiagentes aumentará exponencialmente se você não tiver feito nenhuma pesquisa, não tiver usado a matemática corretamente ou se não os tiver projetado adequadamente. Estou pesquisando alguns dos conceitos da matemática aplicada, especificamente na área de teoria topológica. Estou usando alguns dos conceitos, como mapas de homotopia,que permitem que nossa tecnologia dimensione os cálculos. Pelo menos a partir de agora, é superlinear em termos de número de agentes, em oposição à explosão exponencial que você encontraria se não tivesse trabalhado a matemática por trás dos algoritmos de maneira adequada.
A estrutura de negociação de análise de intenção de vários agentes é subdividida em duas ramificações diferentes nas quais estamos trabalhando no momento. Um é o TSN (Tight Space Negotiator Framework) e o outro é o modelo de ultrapassagem. O TSN permite que os veículos autônomos negociem tanto em ambientes apertados quanto no tráfego estocástico, tanto em baixa quanto em alta velocidade. Portanto, a alta velocidade seria muito útil para cenários de tráfego estocástico desordenado em rodovias e a baixa velocidade seria muito útil quando o veículo está navegando em um cenário urbano, onde você frequentemente encontra as ruas mais apertadas com muito tráfego e ruído no tráfego, o que significa que há é muita incerteza na dinâmica do tráfego.
Já estamos trabalhando nisso há dois anos e meio e já o desenvolvemos na forma de POC. Algumas das partes dessas estruturas de que estou falando podem ser mostradas na demonstração de nosso próximo experimento, que terá como objetivo atingir 101 quilômetros por hora de funcionamento em estradas indianas.
Além disso, também temos pesquisado em diferentes ramos da IA. Usamos intensamente a aprendizagem por aprendizagem, aprendizagem por reforço inverso. Portanto, estamos atualmente trabalhando para permitir que veículos autônomos ultrapassem em estradas de duas pistas típicas, assim como os motoristas indianos fazem. Estamos provando tanto em simulação quanto no mundo real o máximo possível com recursos limitados. Essas são algumas das áreas de pesquisa que já provamos no campo, e algumas delas serão provadas nos próximos meses.
Além disso, somos uma das únicas empresas no mundo que pode permitir a direção autônoma em ambientes completamente desconhecidos e invisíveis para os quais não existem mapas de alta fidelidade. Podemos habilitar a direção autônoma sem o uso de mapas de alta fidelidade. Nosso objetivo é erradicar completamente a necessidade de mapas de alta fidelidade e essa erradicação é possibilitada por duas de nossas tecnologias principais. Nossa estrutura TSN é feita para definir uma nova referência regulatória.
P. Falando sobre a arquitetura de hardware, que tipo de hardware você usa para fins computacionais. Além disso, que tipo de sensores e câmeras você usa para mapear o mundo real em seus veículos autônomos?
A partir de agora, usamos apenas câmeras prontas para uso. Se você vir nossa demo para um veículo autônomo, notará que não usamos nada mais do que uma câmera de 3000 Rs. Se você olhar para a pesquisa de percepção que está acontecendo em todo o mundo com as empresas autônomas ou empresas de robótica para esse assunto, eles estão usando todos os três sensores diferentes, como câmeras, LiDARs e radares. Atualmente, todos os nossos experimentos de direção autônoma aconteceram apenas usando câmeras. Quando eu comecei a empresa, eu só tinha experiência em planejamento, mas desde 2016, percebi que os papéis de pesquisa de ponta, sejam quais forem os laboratórios em todo o mundo; simplesmente não funciona no mundo real. Se funcionarem, exigem muito do computador e simplesmente não funcionam. Então,Eu tomei a percepção como minha área de pesquisa primária também e dediquei cerca de 25% - 27% do meu tempo fazendo pesquisas de percepção. Agora, o objetivo de pesquisa de nossa empresa é permitir que veículos autônomos sejam capazes de perceber usando apenas as câmeras, sem a necessidade de LiDARs e radares. Esta é uma ambição de pesquisa que queremos alcançar. Ao conseguir isso, também garantimos que temos o algoritmo mais rápido do mundo para qualquer tarefa comum.
Temos dois objetivos na percepção. Um, o algoritmo deve ser capaz de permitir que veículos autônomos percebam usando apenas câmeras durante o dia e a noite. Estendemos essa capacidade de percepção não apenas para o dia, mas também à noite, usando nada além do farol do veículo e câmeras RGB e NIR normais de prateleira, o tipo de câmeras que você pode comprar por 3000 Rs no mercado.
Nós focamos