A DuckieNet segítségével a fejlesztők játékautókon tesztelhetik autonóm jármű rendszereiket
A robotikai kutatások nehezen reprodukálhatók, részben a robotok számtalan egymással kölcsönhatásban lévő alkatrészének köszönhetően. Ezek az összetevők általában összetettek, csak részben figyelhetők meg, és olyan mesterséges intelligencia-technikákkal vannak kiképezve, amelyeknél a teljesítmény nagymértékben változik az egyes környezetekben.
Az autonóm vezetési terület sajátos kihívásainak kezelése érdekében az ETH Zürich, a Toyota Technológiai Intézet, a montreali Mila és a NuTonomy kutatói kidolgozták az úgynevezett Decentralizált Városi Együttműködési Benchmarking Hálózatot (DuckieNet), amely a nyílt forráskódú Duckietown platform használatára épül. A DuckieNet keretet nyújt mind az észlelési, mind a navigációs algoritmusok fejlesztéséhez, teszteléséhez és telepítéséhez, a kutatók szerint nagyon jól skálázható, és olcsó az építése.
A Duckietown projektben, amelyet az MIT 2016-os végzős osztálya tervezett, olcsó, Duckiebots elnevezésű, kerekes robotokat alkalmaznak. Az egyetlen fedélzeti szenzor egy előre néző kamera; egy Raspberry Pi kezeli a számításokat és egy pár egyenáramú motor hajtja a kerekeket. A Duckietown edzőszőnyegekből és ragasztószalagokból épített utakból, valamint a robotok által használt navigációs táblákból áll. A közlekedési lámpák ugyanolyan hardverrel rendelkeznek, mint a Duckiebotok (a kerekeket leszámítva), és képesek érzékelni, számítani és működni LED-jeiken keresztül.
A DuckieNet a Duckietownra épül, speciális alkatrészek hozzáadásával a platformhoz.
A szerver gépi tanulási algoritmusokat, referenciaértékeket és eredményeket tárol. Kiszámítja a ranglistákat, feladatokat küld a kiértékelő gépeknek. Az értékelő gépek, amelyek lehetnek helyi vagy felhőalapúak, autonóm vezetési szimulációkat futtatnak. A DuckieNet telepítéssel rendelkező fizikai laboratóriumok valós kísérleteket végeznek, és az „őrtornyok” lokalizációs hálózata (alacsony költségű struktúrák, amelyek ugyanazt az érzékelést és számítást alkalmazzák, mint a Duckiebotok) nyomon követi a Duckiebotok testén elhelyezett címkéket.
A DuckieNet bizonyos szempontból hasonlít az AWS DeepRacerhez, az Amazon szolgáltatásához, amely felhőalapú szimulátort biztosít a fejlesztőknek az autonóm vezetési modellek fejlesztéséhez és egy modellautóba történő telepítéséhez. De a DuckieNet felhasználói meghatározhatnak olyan referenciaértékeket, mint az átlagos helyzeteltérés (egy Duckiebot oldalirányú elmozdulása a sáv közepétől) és az átlagos tájékozódási eltérés (az átlagos tájolás a sáv tájolásához viszonyítva) a szervernek elküldött Docker-tárolókban. (Az algoritmusokat Docker-tárolóként is be lehet nyújtani és meg lehet figyelni.) Ezenkívül olyan feladatok kivételével, mint a kísérletek alaphelyzetbe állítása és a Duckiebotok újratöltése, a platform teljesen autonóm.
A kutatók szerint a DuckieNet egyik legfontosabb alkalmazási lehetősége a kutatási versenyek megrendezése. Valójában a DuckieNet-et 2019 eleje óta használják az AI Vezetési Olimpián, amely egy kétévente megrendezésre kerülő verseny. Célja, hogy bemutassa az autonóm járművezetési fejlesztések aktuális állapotát. A DuckieNet bemutatja a teljesítménymutatókat és a ranglistákat, miközben hozzáférést biztosít az alapul szolgáló nyers adatokhoz, beleértve a nyílt forráskódú alapadatokat és a dokumentációt.
„Véleményünk szerint nagyobb erőfeszítésekre van szükség a robotika reprodukálható kutatása érdekében, és ennek eléréséhez az értékelést ugyanolyan feltételekkel kell figyelembe vennünk, mint magukat az algoritmusokat” – írták a kutatók munkájukat ismertető cikkükben. „Ily módon a kutatási és fejlesztési folyamatok alapján történő tervezéssel elérhetjük a reprodukálhatóságot. Ennek nagy léptékű elérése hozzájárul a robotika kutatásának szisztematikusabb értékeléséhez, és növeli a fejlesztés előrehaladását. ”
Forrás: VentureBeat