Zelfrijdende auto's trainen om off-road te rijden is net zo moeilijk als het lijkt Een autonoom voertuig leert rijden in off-road terreinen. Carnegie Mellon University/YouTube Dit artikel stond oorspronkelijk op The Drive. De toekomst voor autonoom rijdende auto's is misschien niet beperkt tot alleen wegen. TartanDrive is een enorme dataset met bijna 200.000 offroad-interacties die toekomstige programmeurs kunnen helpen de natuurkunde te begrijpen, zodat voertuigen het terrein intuïtiever kunnen interpreteren. Dat heeft echt nut in een snel veranderende wereld waar infrastructurele rampen heel plotseling kunnen gebeuren. Onlangs presenteerde Carnegie Mellon University haar rapport over TartanDrive om de manier waarop autonome voertuigen landschappen interpreteren te helpen veranderen. Op dit moment is de manier waarop een robot naar offroad-omgevingen kijkt, oppervlakken zoals 'modder', 'gras', 'rotsen' enz. te identificeren. Maar dat is niet echt handig om te bepalen hoe eroverheen moet worden gereden. Iedereen die ooit off-road is gegaan, weet dat er veel verschillende soorten modder zijn. Identificeren welk type oppervlak is één ding, maar het is veel belangrijker om te kunnen reageren op hoe het de auto behandelt. Daar heb je natuurkunde voor nodig. Voor natuurkunde wend je je tot wetenschappers, dus namen onderzoekers een Yamaha Viking-terreinvoertuig dat gleed en reed over elk oppervlak waarop ze de wielen konden leggen. Er werden meer dan 200.000 datapunten verzameld, die kunnen worden gebruikt om voertuigen te maken die slimmer en responsiever zijn in offroad-contexten, waarbij de wereld fysiek wordt geïnterpreteerd in plaats van via in kaart gebrachte labels. Je vraagt je misschien af waarom een autonoom voertuig in vredesnaam off-road zou moeten gaan, en dat is een terechte vraag. Maar daar is een goede reden voor, en het is niet zo dat robots je lokale offroad-park kunnen overnemen. Off-road rijden is voor ervaren chauffeurs die weten wat ze doen, wat geweldig is als je naar het park of een trail gaat, of in een context waarin je verwacht off-road te gaan. Maar dat is niet altijd het geval; als er een natuurramp is, zoals overstromingen of omstandigheden die ervoor zorgen dat wegen instorten, hebben bestuurders die die ervaring niet hebben het plotseling nodig, misschien in noodsituaties. Als robotica beter begrijpt hoe off-road te gaan, betekent dit dat rijhulpmiddelen voor die situaties zodanig kunnen worden verbeterd dat als een hulpverlener bij een geschikt voertuig kan komen, hij relatief veilig het terrein kan oversteken zonder dat hij speciaal opgeleid. Het zou natuurlijk ideaal zijn als elke paramedicus of eerstehulpverlener een superheld was, maar als dat niet gebeurt, kunnen we het op zijn minst voor mensen gemakkelijker maken om bij noodgevallen te komen. Het bericht Zelfrijdende auto's trainen om off-road te rijden is zo moeilijk als het lijkt verscheen eerst op Popular Science.
Dit artikel stond oorspronkelijk op The Drive.
De toekomst voor autonoom rijdende auto's is misschien niet beperkt tot alleen wegen. TartanDrive is een enorme dataset met bijna 200.000 offroad-interacties die toekomstige programmeurs kunnen helpen de natuurkunde te begrijpen, zodat voertuigen het terrein intuïtiever kunnen interpreteren. Dat heeft echt nut in een snel veranderende wereld waar infrastructurele rampen heel plotseling kunnen gebeuren.
Onlangs presenteerde Carnegie Mellon University haar rapport over TartanDrive om de manier waarop autonome voertuigen landschappen interpreteren te helpen veranderen. Op dit moment is de manier waarop een robot naar offroad-omgevingen kijkt, oppervlakken zoals 'modder', 'gras', 'rotsen' enz. te identificeren. Maar dat is niet echt handig om te bepalen hoe eroverheen moet worden gereden.
Iedereen die ooit off-road is gegaan, weet dat er veel verschillende soorten modder zijn. Identificeren welk type oppervlak is één ding, maar het is veel belangrijker om te kunnen reageren op hoe het de auto behandelt.
Daar heb je natuurkunde voor nodig. Voor natuurkunde wend je je tot wetenschappers, dus namen onderzoekers een Yamaha Viking-terreinvoertuig dat gleed en reed over elk oppervlak waarop ze de wielen konden leggen. Er werden meer dan 200.000 datapunten verzameld, die kunnen worden gebruikt om voertuigen te maken die slimmer en responsiever zijn in offroad-contexten, waarbij de wereld fysiek wordt geïnterpreteerd in plaats van via in kaart gebrachte labels.
Je vraagt je misschien af waarom een autonoom voertuig in vredesnaam off-road zou moeten gaan, en dat is een terechte vraag. Maar daar is een goede reden voor, en het is niet zo dat robots je lokale offroad-park kunnen overnemen.
Off-road rijden is voor ervaren chauffeurs die weten wat ze doen, wat geweldig is als je naar het park of een trail gaat, of in een context waarin je verwacht off-road te gaan. Maar dat is niet altijd het geval; als er een natuurramp is, zoals overstromingen of omstandigheden die ervoor zorgen dat wegen instorten, hebben bestuurders die die ervaring niet hebben het plotseling nodig, misschien in noodsituaties.
Als robotica beter begrijpt hoe off-road te gaan, betekent dit dat rijhulpmiddelen voor die situaties zodanig kunnen worden verbeterd dat als een hulpverlener bij een geschikt voertuig kan komen, hij relatief veilig het terrein kan oversteken zonder dat hij speciaal opgeleid. Het zou natuurlijk ideaal zijn als elke paramedicus of eerstehulpverlener een superheld was, maar als dat niet gebeurt, kunnen we het op zijn minst voor mensen gemakkelijker maken om bij noodgevallen te komen.
Het bericht Zelfrijdende auto's trainen om off-road te rijden is zo moeilijk als het lijkt verscheen eerst op Popular Science.
