Các nhà chế tạo rô bốt đi đường dài để biên dịch dữ liệu có thể đào tạo ATV tự lái

Các nhà chế tạo rô bốt đi đường dài để biên dịch dữ liệu có thể đào tạo ATV tự lái

    [Vui lòng đăng ký trang Youtube của Pacific Group tại

    https://www.youtube.com/channel/UCAxje1GxiUpZD6MEcR0f5Jg/videos

    Chúng tôi có các buổi chia sẻ về kinh doanh thực tế hàng tuần]

    Các nhà chế tạo rô bốt đi đường dài để biên dịch dữ liệu có thể đào tạo ATV tự lái

    Carnegie Mellon Roboticists go off road to compile data that could train self-driving ATVs

    Các nhà robot học từ Đại học Carnegie Mellon thu thập dữ liệu để đào tạo ATV đường trường. Nhà cung cấp hình ảnh: Đại học Carnegie Mellon
    Các nhà nghiên cứu từ Đại học Carnegie Mellon đã lái một chiếc xe địa hình trên những chuyến đi hoang dã qua cỏ cao, sỏi rời và bùn để thu thập dữ liệu về cách ATV tương tác với môi trường địa hình đầy thử thách.

    Họ đã lái chiếc ATV được trang bị mạnh mẽ với tốc độ lên đến 30 dặm một giờ. Họ trượt qua các ngã rẽ, vượt lên và xuống đồi, thậm chí còn mắc kẹt trong bùn — tất cả trong khi thu thập dữ liệu như video, tốc độ của từng bánh xe và mức độ va chạm của hệ thống treo di chuyển từ bảy loại cảm biến.

    Tập dữ liệu kết quả, được gọi là TartanDrive, bao gồm khoảng 200.000 tương tác trong thế giới thực. Các nhà nghiên cứu tin rằng dữ liệu này là tập dữ liệu lớn nhất về lái xe địa hình, đa phương thức, trong thế giới thực, cả về số lượng tương tác và loại cảm biến. Năm giờ dữ liệu có thể hữu ích để huấn luyện xe tự lái điều hướng trên đường địa hình.

    Wenshan Wang, một nhà khoa học của dự án tại Viện Robotics (RI), cho biết: “Không giống như lái xe tự động trên đường phố, lái xe địa hình khó khăn hơn vì bạn phải hiểu động lực của địa hình để lái xe an toàn và lái xe nhanh hơn.

    Các công việc trước đây về lái xe địa hình thường liên quan đến các bản đồ có chú thích, cung cấp các nhãn như bùn, cỏ, thảm thực vật hoặc nước để giúp robot hiểu địa hình. Nhưng loại thông tin đó thường không có sẵn và ngay cả khi có, cũng có thể không hữu ích. Ví dụ: một khu vực bản đồ được gắn nhãn là "bùn", có thể có hoặc không thể lái được. Robot hiểu động lực học có thể suy luận về thế giới vật chất.

    Nhóm nghiên cứu nhận thấy rằng dữ liệu cảm biến đa phương thức mà họ thu thập được cho TartanDrive cho phép họ xây dựng các mô hình dự đoán vượt trội hơn so với những dữ liệu được phát triển với dữ liệu đơn giản hơn, không hợp thời trang. Samuel Triest, một sinh viên thạc sĩ năm thứ hai về robot học, cho biết việc lái xe mạnh mẽ cũng đã đẩy ATV vào một lĩnh vực hiệu suất nơi mà sự hiểu biết về động lực học trở nên cần thiết.

    Triest, tác giả chính của bài báo kết quả của nhóm cho biết: “Động lực của các hệ thống này có xu hướng trở nên khó khăn hơn khi bạn tăng thêm tốc độ. "Bạn lái xe nhanh hơn, bạn gặp phải nhiều thứ hơn. Rất nhiều dữ liệu mà chúng tôi muốn thu thập là cách lái xe hung hãn hơn, những con dốc thử thách hơn và thảm thực vật dày hơn vì đó là nơi một số quy tắc đơn giản hơn bắt đầu bị phá vỡ."

    Mặc dù hầu hết các công việc về xe tự lái tập trung vào việc lái xe trên đường phố, các ứng dụng đầu tiên có thể sẽ nằm ngoài đường trong các khu vực có kiểm soát, nơi hạn chế nguy cơ va chạm với người hoặc các phương tiện khác. Các thử nghiệm của nhóm được thực hiện tại một địa điểm gần Pittsburgh mà Trung tâm Kỹ thuật Robot Quốc gia của CMU sử dụng để thử nghiệm các phương tiện địa hình tự hành. Con người đã lái ATV, mặc dù họ sử dụng hệ thống truyền động bằng dây để kiểm soát lái và tốc độ.

    Wang nói: “Chúng tôi buộc con người phải sử dụng cùng một giao diện điều khiển như robot. "Theo cách đó, những hành động mà con người thực hiện có thể được sử dụng trực tiếp làm đầu vào cho cách thức hoạt động của robot."

    Nghiên cứu đã được xuất bản trên arXiv.

    Zalo
    Hotline