अधिक यथार्थवादी ड्राइविंग सिमुलेशन
आज का दि ड्राइविंग सिम्युलेटर मेरी एक बड़ी समस्या है। विशेष रूप से, पृष्ठभूमि की वस्तुएं जैसे कि पेड़ और सड़क के चिह्न पर्याप्त रूप से यथार्थवादी नहीं लगते हैं। लेकिन शोधकर्ताओं ने सिमुलेटर के लिए फोटोरिअलिस्टिक इमेज बनाने का एक नया तरीका विकसित किया है, जिससे सेल्फ-ड्राइविंग कारों के बेहतर परीक्षण का मार्ग प्रशस्त हुआ है।
पारंपरिक कंप्यूटर ग्राफिक्स विस्तृत मॉडल, मेश और बनावट के साथ 3डी दृश्यों से 2डी छवियों को प्रस्तुत करता है। यह एक श्रमसाध्य प्रक्रिया है जो ऐसी छवियां उत्पन्न करती है जो अक्सर अवास्तविक होती हैं, खासकर पृष्ठभूमि में। हालांकि, जेनरेटिव एडवरसैरियल नेटवर्क (जीएएन) नामक मशीन लर्निंग फ्रेमवर्क का उपयोग करके, शोधकर्ता कार्यक्रमों की दृश्य निष्ठा (वास्तविकता के साथ कंप्यूटर ग्राफिक्स के प्रतिनिधित्व का स्तर) को बेहतर बनाने में सक्षम हैं, जिससे उन्हें वास्तविक दुनिया पर कब्जा करने की अनुमति मिलती है। हम सक्षम थे एक जैसे दिखने वाले वातावरण को बेतरतीब ढंग से उत्पन्न करने के लिए कार्यक्रम को प्रशिक्षित करें।
यह विशेष रूप से महत्वपूर्ण है जब यह परीक्षण किया जाता है कि जब वे सेल्फ-ड्राइविंग कार में होते हैं या कार के साथ सड़क पर होते हैं तो मनुष्य कैसे प्रतिक्रिया करते हैं।
“जब ड्राइविंग सिमुलेशन कंप्यूटर गेम जैसा दिखता है, तो ज्यादातर लोग इसे गंभीरता से नहीं लेते हैं। एकिम अल्तसेवरअध्ययन के पहले लेखक, शोधकर्ता ओहियो स्टेट यूनिवर्सिटी में इलेक्ट्रिकल और कंप्यूटर इंजीनियरिंग“इसलिए हम चाहते हैं कि सिमुलेशन यथासंभव वास्तविक दुनिया के करीब हो।”
अध्ययन एक जर्नल में प्रकाशित हुआ था इंटेलिजेंट ट्रांसपोर्टेशन सिस्टम पर आईईईई लेनदेन.
शोधकर्ताओं ने एक ओपन-सोर्स ड्राइविंग सिम्युलेटर CARLA के साथ शुरुआत की। फिर हमने इमारतों, वनस्पतियों और यहां तक कि आसमान जैसे पृष्ठभूमि तत्वों को प्रस्तुत करने के लिए एक GAN-आधारित छवि सिंथेसाइज़र का उपयोग किया, और उन्हें पारंपरिक रूप से प्रदान की गई वस्तुओं के साथ जोड़ा।
युर्टसेवर के अनुसार, ड्राइविंग सिमुलेशन के लिए पास की कारों जैसी प्रमुख वस्तुओं को प्रदर्शित करने के लिए पारंपरिक, श्रम-गहन ग्राफिक्स रेंडरिंग तकनीकों की आवश्यकता बनी रहेगी। हालांकि, कृत्रिम बुद्धिमत्ता के साथ, GAN को वास्तविक दुनिया के डेटा का उपयोग करके यथार्थवादी पृष्ठभूमि और अग्रभूमि उत्पन्न करने के लिए प्रशिक्षित किया जा सकता है।
शोधकर्ताओं ने जिन चुनौतियों का सामना किया उनमें से एक उनके वातावरण में पैटर्न को पहचानने के लिए कार्यक्रम पढ़ाना था। यह वाहनों, पेड़ों और छाया जैसी वस्तुओं का पता लगाने और बनाने और इन वस्तुओं को एक दूसरे से अलग करने के लिए आवश्यक कौशल है।
युर्टसेवर ने कहा: “हमारे पास फीचर रिकग्निशन के लिए एक टेम्प्लेट है, लेकिन न्यूरल नेटवर्क अपने आप सीखता है।”
उनके निष्कर्षों से पता चला है कि अग्रभूमि वस्तुओं को पृष्ठभूमि परिदृश्य की तुलना में अलग-अलग सम्मिश्रण करने से समग्र छवि के फोटोरिअलिज़्म में सुधार हुआ है।
लेकिन पूरे सिमुलेशन को एक बार में बदलने के बजाय, प्रक्रिया को फ्रेम दर फ्रेम करना पड़ा। लेकिन हम एक फ्रेम-दर-फ्रेम दुनिया में नहीं रहते हैं, इसलिए परियोजना में अगला कदम कार्यक्रम की अस्थायी स्थिरता में सुधार करना है। प्रत्येक फ्रेम पहले और बाद के फ्रेम के अनुरूप होता है, जिससे उपयोगकर्ताओं को एक सहज और आकर्षक अनुभव मिलता है। , युर्टसेवर ने कहा।
युर्टसेवर ने कहा कि फोटोरिअलिस्टिक तकनीक विकसित करने से वैज्ञानिकों को चालक व्याकुलता की जटिलताओं का अध्ययन करने और वास्तविक ड्राइवरों के साथ प्रयोगों में सुधार करने में मदद मिलेगी। और सड़क के किनारे के दृश्यों के बड़े डेटासेट तक पहुंच के साथ, अधिक इमर्सिव ड्राइविंग सिमुलेशन मानव और एआई सड़कों को साझा करने के तरीके को बदल सकते हैं।
“हमारा शोध नए विचारों की अवधारणा और परीक्षण में एक बहुत ही महत्वपूर्ण कदम है,” युर्टसेवर ने कहा। “आप वास्तव में वास्तविक दुनिया के परीक्षण को प्रतिस्थापित नहीं कर सकते हैं, लेकिन यदि आप सिमुलेशन में थोड़ा सुधार कर सकते हैं, तो आप बेहतर अंतर्दृष्टि प्राप्त कर सकते हैं कि सेल्फ-ड्राइविंग सिस्टम को कैसे बेहतर बनाया जा सकता है और वे उनके साथ कैसे बातचीत करते हैं। मैं यह कर सकता हूं।”
चटनी: ओहियो स्टेट यूनिवर्सिटी
