Благодаря столкновению машинного обучения и Интернета вещей (IoT) беспилотные технологии быстро развиваются, и ожидается, что прогресс будет продолжаться по этой траектории, когда технологические гиганты, такие как Google, Intel, Mercedes и Tesla, будут работать над созданием самого умного автомобиля в мире. магазин.

Многие компании, работающие в этой области, обещают, что полностью автономные автомобили будут доступны менее чем через 5 лет, что, несомненно, окажет огромное влияние на бизнес и общество и может стать революционным в таких отраслях, как транспорт.

Теймур Садыхов — старший инженер по анализу транспортных средств в области автономного вождения в Mercedes-Benz R&D, где он работает над многими аспектами автономных транспортных средств; от разработки архитектуры принятия решений и поведения в беспилотных автомобилях до разработки их алгоритмов планирования траектории и адаптивного управления.

Я задал ему несколько вопросов перед его презентацией на саммите Машинный интеллект в автономных транспортных средствах в этом месяце, чтобы узнать больше о последних достижениях и ключевых проблемах в технологиях автономных транспортных средств, а также о том, что ждет нас в будущем. поле.

С чего началась ваша работа в области автономных транспортных средств?

Последние 9 лет я работаю над управлением и робототехникой для различных систем, от одноагентных до мультиагентных, от теоретического управления до прикладной мультиагентной робототехники. Имея опыт аэрокосмической инженерии, я работал над планированием траектории для автономных вертолетов в Исследовательском центре United Technologies, и это вместе с моей страстью к автономному вождению привело к моей работе в Лаборатории реактивного движения НАСА, где я занимался локализацией, контролем и планированием поведения нескольких агентов для автономные наземные транспортные средства. Я продолжал свою страсть на моей нынешней работе.

Какие ключевые факторы способствовали недавним достижениям в области автономных транспортных средств?

Ключевые факторы недавнего прогресса в области автономных транспортных средств в целом, включая воздушные и наземные транспортные средства, были обусловлены недавними достижениями в области робототехники и машинного обучения (МО). Более того, удешевление датчиков и вычислительной мощности также оказало большое влияние на достижения, потому что это позволило в режиме реального времени отслеживать и планировать такие виды систем, используя только встроенную вычислительную мощность. Если мы рассмотрим, в частности, автономные наземные транспортные средства, я бы сказал, что эти достижения были мотивированы и стимулированы DARPA (Агентство перспективных оборонных исследовательских проектов) Grand Challenge (2004, 2005) и Urban Challenge (2007), где автономные исследовательские транспортные средства из многих университетов и компании со всего мира соревновались в соревнованиях по автономному вождению. Эти события породили множество проектов, в том числе проект автономного вождения Google.

Каковы основные проблемы развития автономных транспортных средств?

Одной из ключевых проблем автономного вождения является вождение в городских условиях, поскольку оно сопряжено с множеством неопределенностей и множеством движущихся объектов, что, в свою очередь, создает проблемы для принятия решений. Я бы сказал, что вождение по шоссе — это почти решенная проблема, и в настоящее время все больше внимания уделяется городскому вождению. Более того, вычислительная мощность и стоимость датчиков по-прежнему создают проблемы для вывода технологии на рынок. Поэтому есть много компаний, которые пытаются создавать экономичные датчики, особенно лидары.

Еще одной проблемой могут стать правила, поскольку не существует полного набора правил, касающихся автономного вождения на дорогах общего пользования. Это справедливо и для автономных летательных аппаратов, поскольку FAA также не утвердило для них полные своды правил. Я бы сказал, что водители-люди создают еще одну проблему для автономного вождения, поскольку не всегда легко предсказать поведение водителей-людей. Если бы все автомобили были автономными, проблема упростилась бы.

Еще одной проблемой в этой области будет защита от вредоносных атак. С точки зрения машинного обучения объем собранных данных также может создавать проблемы.

Какие изменения мы можем ожидать в автономных транспортных средствах в ближайшие 5 лет?

Я считаю, что в ближайшие годы мы увидим множество разработок в области автономных транспортных средств, включая достижения в области робототехники и машинного обучения, более дешевые датчики и большую мощность графического процессора. Кроме того, мы надеемся, что правила будут установлены. Мы увидим полностью автоматизированное вождение на автомагистралях и взвод автономных грузовиков с прицепами. Однако предсказывать, что городское вождение будет полностью автономным и разрешенным законом, может быть немного преждевременно.

Какая область достижений в области машинного обучения вас больше всего волнует за пределами вашей области?

Я очень рад достижениям в машинном обучении в целом и глубоком обучении в частности. Например, недавние достижения IBM Watson и Google DeepMind очень многообещающи. Меня особенно воодушевляет тот факт, что машинное обучение используется для обработки огромного количества данных медицинских исследований и создания персонализированных и новых вариантов лечения для больных раком. Я верю, что однажды это поможет нам полностью искоренить рак, и надеюсь, что этот день наступит раньше, чем позже.

Теймур Садыхов выступит на Саммите по машинному интеллекту в автономных транспортных средствах, который пройдет одновременно с Саммитом по машинному интеллекту в Сан-Франциско. 23–24 мартач. Встречайтесь и учитесь у ведущих экспертов в области автономных транспортных средств, Интернета вещей, умной панели управления, методов машинного обучения и прогнозной аналитики. Зарегистрируйтесь для участия здесь.

Другими подтвержденными докладчиками являются Сэм Керат, старший руководитель группы автоматизации производства, Caterpillar; Гэри Маркус, директор лаборатории искусственного интеллекта в Uber; Лука Ригацио, технический директор Panasonic SV Lab; и Пратик Брахма, специалист по машинному обучению в компании Audi/VW. Посмотреть больше спикеров и темы здесь.

См. полный список мероприятий здесь для саммитов и ужинов, посвященных искусственному интеллекту, глубокому обучению и машинному интеллекту, которые проходят в Сан-Франциско, Лондоне, Амстердаме, Сан-Франциско, Бостоне, Нью-Йорке, Сингапуре, Гонконге и Монреале!