సంజీవ్ శర్మ, లియాడార్లు లేదా రాడార్లను ఉపయోగించకుండా బలమైన మరియు స్కేలబుల్ అటానమస్ డ్రైవింగ్ టెక్నాలజీని ఎలా నిర్మిస్తున్నారనే దానిపై స్వయాట్ రోబోట్ల సియో

టెస్లా మరియు గూగుల్ వంటి టెక్ దిగ్గజాలు సెల్-డ్రైవింగ్ వాహనాలను టెక్ ts త్సాహికులలో టాపిక్ గురించి ఎక్కువగా మాట్లాడుకునేలా చేశాయి. ప్రపంచవ్యాప్తంగా వివిధ సంస్థలు వివిధ భూభాగాల కోసం అటానమస్ డ్రైవింగ్ వాహనాలను అభివృద్ధి చేయడానికి కృషి చేస్తున్నాయి.

కనెక్ట్ చేయబడిన అటానమస్ డ్రైవింగ్ టెక్నాలజీని అందుబాటులోకి తీసుకురావడానికి, సరసమైనదిగా మరియు అందరికీ అందుబాటులో ఉంచడానికి, భోపాల్ ఆధారిత స్వయాట్ రోబోట్లు బ్యాండ్‌వాగన్‌లో చేరారు. ఏదేమైనా, సంస్థ యొక్క CEO అయిన అటానమస్ రోబోటిక్స్లో పాల్గొన్న అన్ని సాంకేతిక పరిజ్ఞానం గురించి అపారమైన జ్ఞానంతో, సంజీవ్ శర్మ పలు టెక్ కంపెనీలను రేసులో వదిలిపెట్టాడు. 2009 నుండి, అతను చాలా పరిశోధనలు చేస్తున్నాడు మరియు స్వీయ-డ్రైవింగ్ కార్ల కోసం స్మార్ట్ సొల్యూషన్స్‌తో ముందుకు రావడానికి గణిత గణనలకు లోనవుతున్నాడు.

మిస్టర్ సంజీవ్‌తో మాట్లాడటానికి మరియు స్వయాట్ రోబోట్స్ పనిచేస్తున్న అటానమస్ వెహికల్స్ మరియు రోబోటిక్స్ వెనుక ఉన్న ప్రతి సాంకేతిక పరిజ్ఞానాన్ని మరియు వారి భవిష్యత్ ప్రణాళికలను తెలుసుకోవడానికి మాకు అవకాశం లభించింది. మేము అతనితో చేసిన మొత్తం సంభాషణను చదవడానికి ఇక్కడికి గెంతు నొక్కండి. ప్రత్యామ్నాయంగా, మీరు మా ఎడిటర్ మరియు సంజీవ్ మధ్య సంభాషణను వినడానికి ఈ క్రింది వీడియోను కూడా చూడవచ్చు

ప్ర. స్వయంప్రతిపత్తమైన డ్రైవింగ్ టెక్నాలజీని అందరికీ అందుబాటులో ఉంచడం మరియు సరసమైనదిగా చేయడం స్వయాట్ రోబోట్ల ప్రధాన లక్ష్యం. ప్రయాణం ఎలా ప్రారంభమైంది?

నేను గత 11 సంవత్సరాలుగా స్వయంప్రతిపత్త నావిగేషన్ ప్రాంతంలో పరిశోధన చేస్తున్నాను. తిరిగి 2009 లో, నేను DARPA గ్రాండ్ ఛాలెంజ్‌ల నుండి ప్రేరణ పొందానుఅది యుఎస్ లో జరిగింది. ఆ సంవత్సరాల్లో అటానమస్ డ్రైవింగ్ నా లక్ష్యంగా మారింది. చాలా సంవత్సరాలుగా, నేను అనిశ్చిత పరిస్థితులలో చలన ప్రణాళిక మరియు నిర్ణయం తీసుకోవడంలో ప్రత్యేకంగా పరిశోధనలు చేశాను మరియు స్వీయ అధ్యయనాలు చేసాను. యంత్ర అభ్యాసం, ఉపబల అభ్యాసం మరియు వివిధ పద్ధతులను వాంఛనీయంగా ఉపయోగించడంపై దృష్టి పెట్టారు. నేను 2014 లో స్వాయత్ రోబోట్లను ప్రారంభించాను, కానీ ఇది గత కొన్ని సంవత్సరాలుగా నేను చేసిన పరిశోధన మరియు అధ్యయనాలను వర్తించలేదు. చలన మరియు నిర్ణయం తీసుకోవడంలో కొన్ని ఆలోచనలను వర్తింపజేయడం, నేను గ్రహణ ప్రణాళిక మరియు స్థానికీకరణ సమస్యను కూడా పరిష్కరించాల్సి వచ్చింది. నిర్ణయం తీసుకోవడం మరియు మోషన్ ప్లానింగ్ రంగంలో మాత్రమే నాకు పరిశోధన అనుభవం ఉంది. కానీ అవగాహన మరియు స్థానికీకరణ రంగాలు నాకు చాలా కొత్తవి. నా విపరీతమైన గణిత నేపథ్యం నాకు చాలా సహాయపడింది.

ఒకసారి నేను 2015 లో స్వయంప్రతిపత్తమైన డ్రైవింగ్‌ను ప్రారంభించడానికి అల్గోరిథమిక్ ఫ్రేమ్‌వర్క్‌లను అభివృద్ధి చేయడం ప్రారంభించాను, ఇది చాలా పెద్దదిగా ఉంటుందని నేను గ్రహించాను మరియు చాలా యాదృచ్ఛిక విరోధి ట్రాఫిక్ దృశ్యాలలో స్వయంప్రతిపత్తమైన డ్రైవింగ్ సమస్యను మేము నిజంగా పరిష్కరించగలము. మరియు 2014 నుండి, నేను ఈ స్టార్టప్‌లో పూర్తి సమయం పనిచేస్తున్నాను. నా పరిశోధన ముఖ్యంగా అనేక శాఖలను కలిగి ఉంది, ప్రత్యేకించి, మా సంస్థ యొక్క ఎక్కువ దృష్టి స్వయంప్రతిపత్త వాహనాలు ట్రాఫిక్ డైనమిక్స్‌లో అధిక స్థాయి యాదృచ్ఛికతను ఎదుర్కోవటానికి అనుమతించే నిర్ణయాధికారం మరియు చలన ప్రణాళిక అల్గారిథమ్‌లను అభివృద్ధి చేయడం. ఇది స్వయాట్ రోబోట్స్‌లో జరిగే పరిశోధనలలో సుమారు 65% నుండి 70% వరకు ఉంటుంది. సుమారు 25% - 27% పరిశోధన అవగాహన ప్రాంతంలోకి వెళుతుంది, ఇది వాహన రోబోటిక్ వ్యవస్థ నుండి సెన్సార్ డేటాను ప్రాసెస్ చేసే అన్ని రకాల అల్గారిథమ్‌లను కలిగి ఉంటుంది,మరియు దాని చుట్టూ ఉన్న ప్రపంచం యొక్క 3 డి ప్రాతినిధ్యాన్ని నిర్మించండి.

అవగాహనలో, పగటి మరియు రాత్రి సమయాల్లో కూడా పనిచేసే ఆఫ్-ది-షెల్ఫ్ కెమెరాలను మాత్రమే ఉపయోగించి స్వయంప్రతిపత్త వాహనాలను పర్యావరణాన్ని గ్రహించటానికి అనుమతించే అతి కొద్ది సంస్థలలో మేము ఒకటి. ఇప్పటివరకు ప్రయాణం ఎలా ఉంది.

ప్ర) మీ ఆలోచనలను ధృవీకరించడానికి మీరు 2014 లో ప్రారంభించారు, ఆపై మీరు 2015 నాటికి పూర్తిగా మార్గాన్ని పట్టుకున్నారు. కాబట్టి ఈ ఒక సంవత్సరంలో మనం ఏమి చేయాలి? భారతదేశంలో సెల్ఫ్ డ్రైవింగ్ చేయవచ్చని మీరు ఎలా పరీక్షించారు?

అటానమస్ డ్రైవింగ్ అంటే మూడు అల్గోరిథమిక్ పైప్‌లైన్ల మిశ్రమం. అవగాహన, ప్రణాళిక మరియు స్థానికీకరణ. అల్గోరిథంలు ఇంద్రియ డేటాను తీసుకుంటాయి, దాన్ని ప్రాసెస్ చేస్తాయి మరియు వాహనం చుట్టూ 3 డి ప్రాతినిధ్యాన్ని నిర్మిస్తాయి. మేము వాటిని పర్సెప్షన్ అల్గోరిథంలు అని పిలుస్తాము. స్థానికీకరణ అల్గోరిథంలు రహదారిపై వాహనం యొక్క స్థానాన్ని ప్రపంచవ్యాప్తంగా ఖచ్చితంగా నిర్ణయించడానికి ప్రయత్నిస్తాయి. అకాడెమిక్ సెట్టింగులలో రోబోలు పని చేసేవి ఈ విధంగా ఉన్నాయి. 2009 లో, ఈ మోడల్ అటానమస్ డ్రైవింగ్ గూగుల్ ప్రారంభించింది. ఒక స్వయంప్రతిపత్త వాహనం ఒక నిర్దిష్ట రహదారిపై నావిగేట్ చేయడానికి ముందు, మొత్తం రహదారిని 3 డిలో చాలా ఎక్కువ వివరంగా మ్యాప్ చేయాలి. మేము ఈ పటాలను, అధిక విశ్వసనీయ పటాలను పిలుస్తాము. ఈ అధిక విశ్వసనీయ పటాలు పర్యావరణం గురించి చాలా ముఖ్యమైన సమాచారాన్ని నిల్వ చేస్తాయి. వారు సాధారణంగా పర్యావరణంలో అన్ని రకాల డీలిమిటర్లను నిల్వ చేస్తారు.

స్వయంప్రతిపత్త వాహనం వాతావరణంలో నావిగేట్ చేయడానికి ముందు, మొత్తం పర్యావరణం చాలా ఖచ్చితమైన పద్ధతిలో మ్యాప్ చేయబడుతుంది. అన్ని లేన్ గుర్తులు, రహదారి సరిహద్దులు మరియు వాతావరణంలో ఎలాంటి డీలిమిటర్ వాస్తవానికి ఈ రకమైన అధిక విశ్వసనీయ పటాలలో నిల్వ చేయబడతాయి.

మీరు ఇప్పటికే అధిక విశ్వసనీయ పటాలను కలిగి ఉన్న వాతావరణం ద్వారా వాహనం నావిగేట్ చేసినప్పుడు, మీరు మళ్ళీ వాహనంలోని వివిధ సెన్సార్ల నుండి డేటాను సంగ్రహించి, మీరు నిర్మించిన రిఫరెన్స్ మ్యాప్‌తో డేటాను సరిపోల్చడానికి ప్రయత్నించండి. ఈ మ్యాచింగ్ ప్రాసెస్ మీకు భంగిమ వెక్టర్ ఇస్తుంది, ఇది వాహనం గ్రహం భూమిపై ఎక్కడ ఉందో మరియు వాహనం యొక్క కాన్ఫిగరేషన్ ఏమిటో మీకు తెలియజేస్తుంది. రహదారిపై వాహనం యొక్క స్థానం మరియు ఆకృతీకరణ మీకు తెలిస్తే, మీరు అధిక-విశ్వసనీయ పటాలలో నిల్వ చేసిన మొత్తం సమాచారం వాహనం యొక్క ప్రస్తుత కాన్ఫిగరేషన్ పైన అంచనా వేయబడుతుంది. మీరు రహదారి గుర్తులను, లేన్ గుర్తులను మరియు ఏ విధమైన రహదారి డీలిమిటర్ లేదా పర్యావరణ డీలిమిటర్ వంటి సమాచారాన్ని ప్రొజెక్ట్ చేసినప్పుడు; స్వయంప్రతిపత్త వాహనం ఒక నిర్దిష్ట డీలిమిటర్‌కు సంబంధించి లేదా ఒక నిర్దిష్ట లేన్ మార్కర్ నుండి ఇప్పుడు ఎక్కడ ఉందో తెలుసు. కాబట్టి,స్థానికీకరణ అల్గోరిథంలు ఇదే చేస్తాయి.

అటానమస్ డ్రైవింగ్ యొక్క చివరి ప్రాంతం ప్రణాళిక మరియు నిర్ణయం తీసుకోవడం. మీ వద్ద ఉన్న మరింత అధునాతనమైన మరియు మంచి ప్రణాళిక మరియు నిర్ణయాత్మక అల్గోరిథంలు, మీ స్వయంప్రతిపత్త వాహనం మరింత సమర్థవంతంగా ఉంటుంది. ఉదాహరణకు, ప్రణాళిక మరియు నిర్ణయాత్మక అల్గోరిథంలు సంస్థలను స్థాయి రెండు, స్థాయి మూడు, స్థాయి నాలుగు మరియు స్థాయి ఐదు స్వయంప్రతిపత్తి నుండి వేరు చేస్తాయి. వాహనం యొక్క కదలిక మరియు ప్రవర్తనను నిర్ణయించడానికి లేదా ప్రణాళిక చేయడానికి బాధ్యత వహించే ఏదైనా అల్గోరిథం ఒక ప్రణాళిక అల్గోరిథం.

ప్లానింగ్ అల్గోరిథంలలో మీకు మరింత అధునాతనత ఉంటే, మీ వాహనం మెరుగ్గా ఉంటుంది. వాహనం మరియు పర్యావరణం యొక్క భద్రత, మీరు నావిగేట్ చేస్తున్న వేగం, వాహనం చుట్టూ మరియు మీ పర్యావరణం నుండి మీరు లెక్కించగల అన్ని పారామితులను అంచనా వేయడంలో అనేక మోషన్ ప్లానర్లు మరియు నిర్ణయాధికారులు సహాయం చేస్తారు. ప్లానింగ్ అల్గోరిథంలు ఇదే చేస్తాయి.

నేను ప్రణాళికా రంగంలో పరిశోధన చేస్తున్నాను. భారతదేశంలో ట్రాఫిక్ డైనమిక్స్‌లో యాదృచ్ఛికతను పరిష్కరించగల రకమైన అల్గోరిథంలు మీకు ఉంటే. మీరు దానితో వ్యవహరించగలిగితే మరియు మీకు అల్గోరిథంలు ఉంటే, మీరు ఒక అవగాహన మరియు స్థానికీకరణ స్టాక్‌ను నిర్మించగలిగితే, మీకు పూర్తి స్థాయి స్వయంప్రతిపత్త డ్రైవింగ్ సాంకేతికత ఉందని మీరు నిరూపించారు.

ఏది ఉత్తమంగా పనిచేస్తుందో ధృవీకరించడానికి మీరు అన్ని విభిన్న అల్గారిథమ్‌లను అభివృద్ధి చేయవలసిన అవసరం లేదు. స్వయంప్రతిపత్తమైన డ్రైవింగ్‌లోని ముఖ్య సమస్యను పరిష్కరించబోతున్నారని మీకు తెలిసిన మూడు లేదా నాలుగు వేర్వేరు అల్గారిథమ్‌లను మీరు నిర్మించాలి. వాణిజ్య స్వయంప్రతిపత్త వాహనాలను మీరు రహదారిపై ఎందుకు చూడలేదో భద్రత అనేది ప్రాధమిక సమస్య. ఖర్చు మరియు అన్ని ఇతర సమస్యలు ద్వితీయమైనవి. స్వయంప్రతిపత్తమైన డ్రైవింగ్ యొక్క స్థానికీకరణ మరియు మ్యాపింగ్ అంశం వంటి ఒకటి లేదా రెండు అల్గోరిథంలలో నేను మొత్తం ప్రారంభాన్ని నిర్మించగలిగాను. కానీ నా లక్ష్యం పూర్తి స్థాయి స్వయంప్రతిపత్త వాహనాన్ని అభివృద్ధి చేయడమే తప్ప ఇక్కడ మరియు అక్కడ ఒకటి లేదా రెండు అల్గోరిథంలు కాదు. ప్రణాళిక మరియు నిర్ణయం తీసుకునే రంగంలో కీలకమైన అంశాన్ని రుజువు చేసిన తరువాత, స్వయంప్రతిపత్తమైన డ్రైవింగ్ యొక్క మొత్తం సమస్యను పెద్దగా పరిష్కరించే విశ్వాసం నాకు లభించింది.

ప్ర) స్వాయత్ రోబోట్లు ఏ స్థాయిలో స్వయంప్రతిపత్తమైన డ్రైవింగ్ చేస్తున్నాయి? భారతదేశంలో ఏ స్థాయిలో సాధ్యమని మీరు అనుకుంటున్నారు?

స్థాయి 5 స్వయంప్రతిపత్తి సాధించడం మరియు ఈ రకమైన వాతావరణాలలో సాంకేతికత సురక్షితంగా ఉండేలా చూడటం మా లక్ష్యం. మేము స్థాయి మూడు మరియు నాలుగవ స్థాయి మధ్య ఎక్కడో ఉన్నాము. మేము చేస్తున్న కొన్ని అల్గోరిథమిక్ పరిశోధన చలన ప్రణాళిక మరియు నిర్ణయం తీసుకోవడంలో ఉంది, అది ఐదవ స్థాయిని లక్ష్యంగా చేసుకుంటుంది.

ట్రాఫిక్ లైట్లు లేకుండా గరిష్ట ట్రాఫిక్ గంటలలో స్వయంప్రతిపత్త వాహనాలను కూడలిని దాటగలిగేలా మేము కృషి చేస్తున్నాము. అధిక యాదృచ్ఛిక ట్రాఫిక్‌తో గట్టి స్థలంతో వ్యవహరించడంలో స్వయంప్రతిపత్త వాహనాలను ప్రారంభించడం ద్వారా స్థాయి-ఐదు స్వయంప్రతిపత్తిని సాధించాలని మేము లక్ష్యంగా పెట్టుకున్నాము. ఒక వాహనం లేదా బైక్ ఎదురుగా నుండి వస్తున్నప్పుడు మేము చాలా గట్టి వాతావరణంలో స్వయంప్రతిపత్తమైన డ్రైవింగ్ చేసాము. పిఒసి స్థాయిలో, మేము మూడు మరియు నాలుగు-స్థాయిల మధ్య సాధించాము. గట్టి స్థలాలతో అధిక యాదృచ్ఛిక ట్రాఫిక్‌లో ప్రయోగాలు చేయడం ద్వారా మేము ఇప్పటికే స్థాయి-నాలుగు స్వయంప్రతిపత్తి కోసం POC లను మార్చాము. భారతీయ రహదారులపై గంటకు 101 కిలోమీటర్లు అటానమస్ డ్రైవింగ్ సాధించడమే మా ప్రస్తుత లక్ష్యం.

ఈ రకమైన వాతావరణాలలో మీరు వాహనం యొక్క భద్రతను రుజువు చేసిన తర్వాత, మీరు మీ సాంకేతిక పరిజ్ఞానాన్ని తీసుకొని, ట్రాఫిక్ మరింత నిర్మాణాత్మకంగా ఉన్న ఉత్తర అమెరికా మరియు ఐరోపాలో ఎక్కడైనా ఉపయోగించుకోవచ్చు, ఇక్కడ భారతీయులతో పోలిస్తే పర్యావరణాలు కూడా చాలా కఠినంగా ఉంటాయి. పరిసరాలు. కాబట్టి, ప్రస్తుతానికి భారతదేశం మనకు మరెవరూ చేయని పని ఉందని నిరూపించడానికి ఒక పరీక్షా మైదానం.

ప్ర. అటానమస్ డ్రైవింగ్ పరిష్కారాన్ని అభివృద్ధి చేయడంలో స్వాయత్ రోబోట్లు ఎంత పురోగతి సాధించాయి? మీరు ప్రస్తుతం ఏ స్థాయిలో డ్రైవింగ్ చేస్తున్నారు?

ప్రస్తుతం, ప్రపంచంలోని వేగవంతమైన మోషన్ ప్లానింగ్ అల్గోరిథం 500 మైక్రో సెకన్లలో స్వయంప్రతిపత్త వాహనం కోసం సరైన-సమయ-పారామీటర్ చేయబడిన పథాలను ప్లాన్ చేయగలదు. కాబట్టి అల్గోరిథం సుమారు 2000 హెర్ట్జ్ వద్ద పనిచేస్తుంది. భారతీయ రహదారులపై గంటకు 80 కిలోమీటర్ల వరకు స్వయంప్రతిపత్తమైన డ్రైవింగ్ ప్రారంభించే సాంకేతికత మన వద్ద ఉంది. భారతీయ రహదారులపై ఆ రకమైన వేగాన్ని సాధించడం చాలా సవాలుగా ఉంది. సాధారణంగా, మీరు దీన్ని చేయగలిగితే, మీరు దానిని వేరే చోట కూడా తీసుకోవచ్చు. మీరు దీన్ని విదేశీ ట్రాఫిక్‌లో వర్తింపజేయవచ్చు మరియు ప్రాథమికంగా, మీరు నాలుగవ స్థాయికి చాలా దగ్గరగా ఉన్నారు. మీకు ఒక ఆలోచన ఇవ్వడానికి, మేము బహుళ-ఏజెంట్ ఉద్దేశ్య విశ్లేషణ మరియు సంధి అని పిలిచే వాటిపై పని చేస్తున్నాము. ఈ ఫ్రేమ్‌వర్క్ మా వాహనాన్ని రహదారిపై ఇతర వాహనాలు లేదా ఏజెంట్ల ఉద్దేశాల సంభావ్యతను లెక్కించకుండా అనుమతిస్తుంది.ఇతర ఏజెంట్లు లేదా వాహనాలు లేదా పర్యావరణంలోని అడ్డంకులు చేయలేని మొత్తం మార్గం సెట్ల యొక్క సంభావ్యతలను ఇది లెక్కించవచ్చు. అయితే, ఈ సామర్ధ్యం మాత్రమే సరిపోదు. ఉదాహరణకు, మీరు భవిష్యత్ గణన పథాలను అంచనా వేయగల మరియు వేర్వేరు వాహనాల యొక్క అన్ని పాత్ సెట్ల యొక్క సంభావ్యతలను లెక్కించగల చాలా గణనపరంగా డిమాండ్ చేసే వ్యవస్థను నిర్మించవచ్చు. ఇక్కడ మీరు గణన అవసరాలపై కూడా దృష్టి పెట్టాలి. మల్టీ-ఏజెంట్ ఉద్దేశం విశ్లేషణ మరియు చర్చల యొక్క ఈ సమస్యలో గణన డిమాండ్ మీరు ఏ పరిశోధన చేయకపోతే, గణితాన్ని సరిగ్గా ఉపయోగించకపోతే లేదా మీరు వాటిని సరిగ్గా రూపొందించకపోతే. నేను అనువర్తిత గణితం నుండి కొన్ని అంశాలను పరిశోధన చేస్తున్నాను, ప్రత్యేకంగా టోపోలాజికల్ సిద్ధాంతం యొక్క ప్రాంతంలో. నేను హోమోటోపీ మ్యాప్స్ వంటి కొన్ని భావనలను ఉపయోగిస్తున్నాను,ఇది గణనలను కొలవడానికి మా సాంకేతికతను అనుమతిస్తుంది. కనీసం ఇప్పటి వరకు, మీరు అల్గోరిథంల వెనుక ఉన్న గణితాన్ని సరిగ్గా పని చేయకపోతే మీరు ఎదుర్కొనే ఎక్స్‌పోనెన్షియల్ బ్లో-అప్‌కు వ్యతిరేకంగా ఏజెంట్ల సంఖ్య పరంగా ఇది సూపర్ లీనియర్.

మల్టీ-ఏజెంట్ ఇంటెంట్ ఎనాలిసిస్ సంధి ఫ్రేమ్‌వర్క్ మేము ప్రస్తుతం పనిచేస్తున్న రెండు వేర్వేరు శాఖలుగా విభజించబడింది. ఒకటి టిఎస్‌ఎన్ (టైట్ స్పేస్ నెగోషియేటర్ ఫ్రేమ్‌వర్క్), రెండోది అధిగమించే మోడల్. TSN స్వయంప్రతిపత్త వాహనాలను తక్కువ మరియు అధిక వేగంతో గట్టి వాతావరణంలో మరియు యాదృచ్ఛిక ట్రాఫిక్ రెండింటినీ చర్చించడానికి అనుమతిస్తుంది. కాబట్టి హైవే అస్తవ్యస్తమైన యాదృచ్ఛిక ట్రాఫిక్ దృశ్యాలకు అధిక వేగం చాలా ఉపయోగకరంగా ఉంటుంది మరియు వాహనం పట్టణ దృశ్యంలో నావిగేట్ చేస్తున్నప్పుడు తక్కువ వేగం చాలా ఉపయోగకరంగా ఉంటుంది, ఇక్కడ మీరు ట్రాఫిక్‌లో ఎక్కువ ట్రాఫిక్ మరియు శబ్దంతో కఠినమైన వీధులను ఎదుర్కొంటారు. ట్రాఫిక్ డైనమిక్స్‌లో చాలా అనిశ్చితి.

మేము ఇప్పటికే గత రెండున్నర సంవత్సరాలుగా దీనిపై పని చేస్తున్నాము మరియు మేము దీనిని ఇప్పటికే POC రూపంలో అభివృద్ధి చేసాము. నేను మాట్లాడుతున్న ఈ ఫ్రేమ్‌వర్క్‌ల యొక్క కొన్ని బిట్‌లు మరియు ముక్కలు మా తదుపరి ప్రయోగంలో డెమోలో చూపించబడతాయి, ఇది భారతీయ రహదారులపై గంటకు 101 కిలోమీటర్ల పనితీరును సాధించడమే లక్ష్యంగా ఉంటుంది.

ఇంకా, మేము AI యొక్క వివిధ శాఖలలో కూడా పరిశోధన చేస్తున్నాము. మేము అప్రెంటిస్‌షిప్ లెర్నింగ్, విలోమ ఉపబల అభ్యాసాన్ని ఎక్కువగా ఉపయోగిస్తాము. కాబట్టి, మేము ప్రస్తుతం స్వయంప్రతిపత్త వాహనాలను భారతీయ డ్రైవర్ల మాదిరిగానే విలక్షణమైన రెండు లేన్ల రహదారులను అధిగమించటానికి కృషి చేస్తున్నాము. పరిమిత నిధులతో సాధ్యమైనంతవరకు మేము అనుకరణతో పాటు వాస్తవ ప్రపంచంలోనూ నిరూపిస్తున్నాము. ఇవి మనం ఇప్పటికే భూమిపై నిరూపించిన కొన్ని పరిశోధనా ప్రాంతాలు, మరికొన్నింటిని మరికొన్ని నెలల్లో నిరూపించబోతున్నారు.

అలా కాకుండా, పూర్తిగా తెలియని మరియు కనిపించని వాతావరణాలలో స్వయంప్రతిపత్తమైన డ్రైవింగ్‌ను ప్రారంభించగల ఏకైక సంస్థలలో మేము ఒకటి, దీని కోసం అధిక విశ్వసనీయ పటాలు లేవు. అధిక విశ్వసనీయ పటాలను ఉపయోగించకుండా మేము స్వయంప్రతిపత్తమైన డ్రైవింగ్‌ను ప్రారంభించవచ్చు. అధిక విశ్వసనీయ పటాల అవసరాన్ని పూర్తిగా నిర్మూలించే వ్యాపారంలో మేము ఉన్నాము మరియు ఈ నిర్మూలన మా రెండు కీలక సాంకేతిక పరిజ్ఞానాల ద్వారా ప్రారంభించబడింది. మా TSN ఫ్రేమ్‌వర్క్ కొత్త రెగ్యులేటరీ బెంచ్‌మార్క్‌ను సెట్ చేయడానికి తయారు చేయబడింది.

ప్ర. హార్డ్‌వేర్ ఆర్కిటెక్చర్ గురించి మాట్లాడుతూ, మీ గణన ప్రయోజనం కోసం మీరు ఎలాంటి హార్డ్‌వేర్‌ను ఉపయోగిస్తున్నారు. అలాగే, మీ స్వయంప్రతిపత్త వాహనాలపై వాస్తవ ప్రపంచాన్ని మ్యాప్ చేయడానికి మీరు ఎలాంటి సెన్సార్లు మరియు కెమెరాలను ఉపయోగిస్తున్నారు?

ప్రస్తుతానికి, మేము ఆఫ్-ది-షెల్ఫ్ కెమెరాలను ఉపయోగిస్తాము. మీరు స్వయంప్రతిపత్త వాహనం కోసం మా డెమోని చూసినట్లయితే, మేము 3000 రూపాయల కెమెరా కంటే ఎక్కువ ఏమీ ఉపయోగించలేదని మీరు గమనించవచ్చు. ఆ విషయానికి సంబంధించి స్వయంప్రతిపత్త సంస్థలు లేదా రోబోటిక్స్ కంపెనీలతో ప్రపంచవ్యాప్తంగా జరుగుతున్న గ్రహణ పరిశోధనను మీరు పరిశీలిస్తే, వారు కెమెరాలు, లిడార్లు మరియు రాడార్లు వంటి మూడు వేర్వేరు సెన్సార్లను ఉపయోగిస్తున్నారు. ప్రస్తుతం, మా స్వయంప్రతిపత్తమైన డ్రైవింగ్ ప్రయోగాలు కెమెరాలను ఉపయోగించి మాత్రమే జరిగాయి. నేను సంస్థను ప్రారంభించినప్పుడు, నాకు ప్రణాళికలో నైపుణ్యం మాత్రమే ఉంది, కానీ 2016 నుండి, ప్రపంచవ్యాప్తంగా ఉన్న ప్రయోగశాలలు ఏమైనా పనిచేస్తున్నాయని అత్యాధునిక పరిశోధనా పత్రాలు ఉన్నాయని నేను గ్రహించాను; ఇది వాస్తవ ప్రపంచంలో పనిచేయదు. వారు పని చేస్తే, అవి చాలా గణనపరంగా ఇంటెన్సివ్, మరియు అవి పనిచేయవు. కాబట్టి,నేను అవగాహనను నా ప్రాధమిక పరిశోధనా ప్రాంతంగా తీసుకున్నాను మరియు గ్రహణ పరిశోధన చేయడంలో నా సమయాన్ని 25% - 27% కేటాయించాను. ఇప్పుడు, మా సంస్థ యొక్క పరిశోధనా లక్ష్యం ఏమిటంటే, స్వయంప్రతిపత్త వాహనాలను లిడార్లు మరియు రాడార్ల అవసరం లేకుండా కెమెరాలను మాత్రమే ఉపయోగించుకునేలా చేయడం. ఇది మనం సాధించాలనుకునే పరిశోధన ఆశయం. దాన్ని సాధించేటప్పుడు, ఏదైనా సాధారణ పనికి ప్రపంచంలోని వేగవంతమైన అల్గోరిథం ఉందని మేము కూడా నిర్ధారించాము.

అవగాహనలో మాకు రెండు లక్ష్యాలు ఉన్నాయి. ఒకటి, అల్గోరిథం చాలా సామర్థ్యం కలిగి ఉండాలి, అవి స్వయంప్రతిపత్త వాహనాలను పగలు మరియు రాత్రి సమయంలో కెమెరాలను మాత్రమే ఉపయోగించుకునేలా చేస్తాయి. మేము ఈ అవగాహన సామర్థ్యాన్ని పగటి సమయానికి మాత్రమే కాకుండా రాత్రి వేళలో కూడా విస్తరించాము, వాహనం యొక్క హెడ్‌లైట్ మరియు రెగ్యులర్ ఆఫ్-ది-షెల్ఫ్ RGB మరియు NIR కెమెరాలు, మీరు 3000 రూపాయలకు కొనుగోలు చేయగల కెమెరాలు సంత.

మేము దృష్టి పెడతాము