Ένα σύστημα το οποίο χρησιμοποιεί απλούς χάρτες και οπτικά δεδομένα για να επιτρέπει σε αυτόνομα οχήματα να πλοηγούνται σε νέα, πολύπλοκα περιβάλλοντα, ανέπτυξαν ερευνητές του ΜΙΤ. Όπως αναμεταδίδει η Ναυτεμπορική, σύμφωνα με το MIT News, σε σχετικό paper που παρουσιάστηκε στην International Conference on Robotics and Automation, οι ερευνητές περιγράφουν ένα αυτόνομο σύστημα ελέγχου που «μαθαίνει» τα μοτίβα κίνησης/ οδήγησης των ανθρώπων οδηγών καθώς πλοηγούνται σε δρόμους σε μικρές περιοχές, χρησιμοποιώντας μόνο εικόνες από βιντεοκάμερα και έναν απλό χάρτη τύπου GPS. Το σύστημα αυτό είναι σε θέση να ελέγχει ένα αυτόνομο όχημα κατά μήκος μιας προσχεδιασμένης διαδρομής σε μια εντελώς νέα περιοχή, μιμούμενο τον άνθρωπο οδηγό.
Παρόμοια με τους ανθρώπους οδηγούς, το σύστημα εντοπίζει επίσης αναντιστοιχίες μεταξύ του χάρτη και των χαρακτηριστικών του δρόμου. Με αυτόν τον τρόπο μπορεί να διαπιστώνει εάν η θέση, οι αισθητήρες ή η χαρτογράφησή του είναι σωστά ή λάθος, προκειμένου να διορθώνει την πορεία.
«Με το σύστημά μας δεν χρειάζεται εκπαίδευση για κάθε δρόμο εκ των προτέρων» λέει ο Αλεξάντερ Αμίνι, τελειόφοιτος του MIT και first author της έρευνας. «Μπορείτε να κατεβάσετε έναν νέο χάρτη για το αυτοκίνητο, ώστε να μπορεί να κινείται σε δρόμους τους οποίους δεν έχει ξαναδεί στο παρελθόν».
«Σκοπός μας είναι να επιτύχουμε αυτόνομη πλοήγηση που είναι ικανή να κινείται σε νέα περιβάλλοντα» λέει η Ντανιέλα Ρας, διευθύντρια του CSAIL (Computer Science and Artificial Intelligence Laboratory) και μία εκ των ερευνητών. «Για παράδειγμα, αν εκπαιδεύσουμε ένα αυτόνομο όχημα να κινείται σε αστικό περιβάλλον, όπως πχ τους δρόμους του Κέμπριτζ, το σύστημα θα έπρεπε να είναι επίσης σε θέση να οδηγά ομαλά στα δάση, ακόμα και αν αυτό είναι ένα περιβάλλον που δεν έχει δει ποτέ στο παρελθόν».
Το σύστημα χρησιμοποιεί ένα μοντέλο machine learning ονόματι convolutional neural network (CNN), που χρησιμοποιείται ευρέως στην αναγνώριση εικόνας. Κατά την εκπαίδευση, το σύστημα παρακολουθεί και μαθαίνει πώς να κινείται από έναν άνθρωπο οδηγό. Το CNN συσχετίζει τις κινήσεις του τιμονιού με τις καμπυλότητες στον δρόμο που παρατηρεί μέσω καμερών, καθώς και στον χάρτη. Εν τέλει, μαθαίνει τις κινήσεις/ εντολές που απαιτούνται στις περισσότερες περιπτώσεις, όπως πχ στην ευθεία, σε διασταυρώσεις κλπ. Το βασικό του πλεονέκτημα είναι πως χρησιμοποιεί χάρτες που είναι εύκολο να αποθηκεύονται και να χρησιμοποιούνται, δεδομένου ότι τα περισσότερα συστήματα αυτόνομης κίνησης κατά κανόνα χρησιμοποιούν LIDAR για να δημιουργούν μεγάλου μεγέθους, πολύπλοκους χάρτες των περιοχών όπου κινούνται.
