ٹیکلا اور گوگل جیسے ٹیک کمپنیاں خود سے چلنے والی گاڑیاں بناتے ہیں جن کی وجہ تکنیکی ماہرین کے درمیان بہت زیادہ بات ہوتی ہے۔ دنیا بھر کی متعدد کمپنیاں مختلف علاقوں میں خود مختار ڈرائیونگ گاڑیاں تیار کرنے کی سمت کام کر رہی ہیں۔
منسلک خود مختار ڈرائیونگ ٹکنالوجی کو قابل رسائی ، سستی اور سب کے ل available دستیاب بنانے کے لئے ، بھوپال میں مقیم سوایاٹ روبوٹس بینڈ ویگن میں شامل ہوگئے۔ تاہم ، خود مختار روبوٹکس میں شامل تمام ٹکنالوجی کے بے تحاشا علم کے ساتھ ، کمپنی کے سی ای او مسٹر سنجیو شرما نے ریس میں بہت سی ٹیک کمپنیوں کو پیچھے چھوڑ دیا۔ 2009 کے بعد سے ، وہ بہت زیادہ تحقیق کر رہے ہیں اور خود ڈرائیونگ کاروں کے سمارٹ حل لانے میں ملوث ریاضی کے حساب کتاب سے گزر رہے ہیں۔
ہمیں مسٹر سنجیو سے بات کرنے اور خود مختار گاڑیاں اور روبوٹکس کے پیچھے ہر اس ٹیکنالوجی کو جاننے کا موقع ملا جس میں سویاائٹ روبوٹس کام کررہے ہیں اور ان کے مستقبل کے منصوبے۔ اس کے ساتھ ہماری پوری گفتگو کو پڑھنے کے لئے چھلانگ لگائیں۔ متبادل کے طور پر ، آپ ہمارے ایڈیٹر اور خود سنجیو کے درمیان گفتگو سننے کے لئے نیچے دی گئی ویڈیو بھی دیکھ سکتے ہیں
س Dri خودمختار ڈرائیونگ ٹکنالوجی کو ہر ایک کے لئے قابل رسائی اور قابل تر بنانا سوایاٹ روبوٹس کا بنیادی مشن ہے۔ سفر کا آغاز کیسے ہوا؟
میں گذشتہ 11 سالوں سے خود مختار نیویگیشن کے شعبے میں تحقیق کر رہا ہوں۔ 2009 میں ، میں DARPA گرینڈ چیلنجوں سے متاثر ہوا تھاامریکہ میں ہوا۔ ان سالوں کے دوران خود مختار ڈرائیونگ میرا مقصد بن گیا۔ کئی سالوں سے ، میں نے تحقیق جاری رکھی اور غیر یقینی صورتحال کے تحت خاص طور پر تحریک منصوبہ بندی اور فیصلہ سازی پر خود مطالعہ کیا۔ توجہ مشین سیکھنے ، کمک سیکھنے اور مختلف تکنیکوں کے زیادہ سے زیادہ استعمال پر مرکوز تھی۔ میں نے سویاائٹ روبوٹس کو 2014 میں شروع کیا تھا لیکن اس میں محض پچھلے کچھ سالوں میں کی جانے والی تحقیق اور مطالعات کو محض استعمال نہیں کیا جا رہا تھا۔ تحریک اور فیصلہ سازی میں کچھ آئیڈیاز کا اطلاق کرتے ہوئے ، مجھے بھی خیال کی منصوبہ بندی اور لوکلائزیشن کے مسئلے کو حل کرنا پڑا۔ مجھے صرف فیصلہ سازی اور تحریک کی منصوبہ بندی کے شعبے میں تحقیق کا تجربہ تھا۔ لیکن احساس اور لوکلائزیشن کے شعبے میرے لئے کافی نئے تھے۔ میرے زبردست ریاضی کے پس منظر نے میری بہت مدد کی۔
ایک بار جب میں نے 2015 کے ارد گرد خودمختاری ڈرائیونگ کے اہل بنانے کے ل al الگورتھمک فریم ورک تیار کرنا شروع کیا تو مجھے احساس ہوا کہ یہ بہت بڑی چیز ہوسکتی ہے ، اور ہم واقعی انتہائی اسٹاکسٹک اشتہاری ٹریفک منظرناموں میں خود مختار ڈرائیونگ کے مسئلے کو حل کرسکتے ہیں۔ اور 2014 کے بعد سے ، میں اس آغاز پر مکمل وقت سے کام کر رہا ہوں۔ خاص طور پر میری تحقیق میں متعدد شاخوں کا احاطہ کیا گیا ہے ، لیکن ، خاص طور پر ، ہماری کمپنی کا زیادہ تر فوکس فیصلہ سازی اور تحریک منصوبہ بندی الگورتھم تیار کرنا ہے جو خود مختار گاڑیوں کو ٹریفک حرکیات میں بہت اونچے درجے کے stochasticity سے نمٹنے کی اجازت دیتا ہے۔ یہ تقریباay 65 to سے 70 70 تحقیق ہے جو سویاائٹ روبوٹس میں ہوتا ہے۔ تقریبا 25٪ - 27٪ تحقیق تاثر کے علاقے میں جاتی ہے ، جس میں ہر طرح کے الگورتھم شامل ہوتے ہیں جو گاڑیاں روبوٹ سسٹم سے سینسر کے ڈیٹا پر کارروائی کرتے ہیں ،اور اس کے آس پاس کی دنیا کی 3 ڈی نمائندگی بنائیں۔
خیال میں ، ہم دنیا کی بہت کم کمپنیوں میں سے ایک ہیں جو خود مختار گاڑیوں کو صرف آف شیلف کیمرے استعمال کرکے ماحول کو دیکھنے کی اجازت دے سکتی ہیں جو دن اور رات کے اوقات میں بھی کام کرتی ہیں۔ ابھی تک یہ سفر اسی طرح کا ہے۔
س۔ آپ نے اپنے خیالات کی توثیق کے لئے 2014 میں آغاز کیا تھا اور پھر آپ نے 2015 تک پوری طرح سے راستہ اختیار کرلیا۔ لہذا اس ایک سال میں ہمیں کیا کرنا چاہئے؟ آپ نے یہ کیسے جانچا کہ خود ڈرائیونگ بھارت میں کی جاسکتی ہے؟
خود مختار ڈرائیونگ تین الگورتھم پائپ لائنوں کا مرکب ہے جیسے ایک ساتھ رکھی جاتی ہے۔ تاثر ، منصوبہ بندی اور لوکلائزیشن۔ الگورتھم حسی ڈیٹا لیتے ہیں ، اس پر کارروائی کرتے ہیں اور گاڑی کے آس پاس 3 ڈی نمائندگی تیار کرتے ہیں۔ ہم انہیں ادراک الگورتھم کہتے ہیں۔ لوکلائزیشن الگورتھم عالمی سطح پر سڑک پر موجود گاڑی کی پوزیشن کے درست تعین کرنے کی کوشش کرتے ہیں۔ اس طرح روبوٹ تعلیمی ترتیبات میں کام کرتے تھے۔ 2009 میں ، خودمختار ڈرائیونگ کا یہ ماڈل گوگل نے پیش کیا تھا۔ ایک خود مختار گاڑی کسی مخصوص سڑک پر جانے سے پہلے ، پوری سڑک کو بہت زیادہ تفصیل سے 3 ڈی میں نقش کرنا پڑتا ہے۔ ہم ان نقشوں ، اعلی مخلصانہ نقشوں کو کہتے ہیں۔ یہ اعلی مخلص نقشے ماحول کے بارے میں کچھ بہت اہم معلومات ذخیرہ کرتے ہیں۔ وہ عام طور پر ماحول میں تمام مختلف اقسام کے حدود ذخیرہ کرتے ہیں۔
خود مختار گاڑی کسی ماحول میں تشریف لے جانے سے پہلے ، پورے ماحول کو بالکل درست انداز میں نقش کیا جاتا ہے۔ تمام لین مارکر ، سڑک کی حدود ، اور ماحول میں کسی بھی طرح کا حد بندی حقیقت میں اس قسم کے اعلی مخلص نقشوں میں محفوظ ہے۔
جب گاڑی کسی ایسے ماحول میں گھوم جاتی ہے جس کے لئے آپ کے پاس پہلے سے ہی مخلصانہ نقشے ہوتے ہیں ، تو آپ دوبارہ گاڑی پر موجود مختلف سینسروں سے کوائف لے لیتے ہیں اور آپ کے بنائے ہوئے حوالہ نقشے کے ساتھ ڈیٹا کو میچ کرنے کی کوشش کرتے ہیں۔ ملاپ کا یہ عمل آپ کو ایک پوز ویکٹر فراہم کرتا ہے جو آپ کو بتاتا ہے کہ گاڑی سیارے کی زمین پر کہاں ہے اور گاڑی کی تشکیل کیا ہے۔ ایک بار جب آپ کو سڑک پر گاڑی کی پوزیشن اور تشکیل کا پتہ چل جاتا ہے تو ، پوری معلومات جو آپ نے اعلی مخلصانہ نقشوں میں محفوظ کی تھی اس کا اندازہ گاڑی کی موجودہ ترتیب کے اوپر ہوجاتا ہے۔ جب آپ اس معلومات کو روڈ مارکر ، لین مارکر ، اور کسی بھی طرح کے سڑک کے ڈلیمیٹر یا ماحولیاتی حد بندی جیسے پیش کرتے ہیں۔ خودمختار گاڑی کو معلوم ہے کہ اب یہ کسی مخصوص حد بندی کے سلسلے میں یا کسی خاص لین مارکر کے حوالے سے ہے۔ تو ،لوکلائزیشن الگورتھم یہی کرتے ہیں۔
خود مختار ڈرائیونگ کا حتمی علاقہ منصوبہ بندی اور فیصلہ سازی ہے۔ آپ کے پاس جتنا نفیس اور بہتر منصوبہ بندی اور فیصلہ سازی کرنے والے الگورتھم ہیں ، آپ کی خود مختار گاڑی اتنی ہی زیادہ قابل ہوگی۔ مثال کے طور پر ، منصوبہ بندی کرنے اور فیصلہ سازی کرنے والے الگورتھم کمپنیوں کو سطح دو ، سطح تین ، سطح چار ، اور پانچ درجے کی خود مختاری سے الگ کردیں گے۔ فیصلہ کرنے یا گاڑی کی نقل و حرکت اور طرز عمل کی منصوبہ بندی کے لئے ذمہ دار کوئی بھی الگورتھم منصوبہ بندی الگورتھم ہے۔
منصوبہ بندی کے الگورتھم میں آپ کے جتنے زیادہ نفیس کام ہوں گے ، آپ کی گاڑی اتنی ہی بہتر ہوگی۔ متعدد تحریک منصوبہ سازوں اور فیصلہ سازوں نے گاڑی اور ماحول کی حفاظت ، جس رفتار سے آپ تشریف لے جارہے ہیں ، گاڑی کے آس پاس ، اور وہ تمام پیرامیٹرز جو آپ اپنے ماحول سے گنتی کرسکتے ہیں اس کا اندازہ کرنے میں مدد کرتے ہیں۔ یہی منصوبہ بندی الگورتھم کرتے ہیں۔
میں منصوبہ بندی کے شعبے میں تحقیق کر رہا ہوں۔ اگر آپ کے پاس اس قسم کا الگورتھم ہے جو ہندوستان میں ٹریفک حرکیات میں استحکام سے نمٹ سکتا ہے۔ اگر آپ اس سے نمٹ سکتے ہیں اور اگر آپ کے پاس الگورتھم ہیں تو آپ نے یہ ثابت کردیا کہ اگر آپ محض تصور اور لوکلائزیشن کا اسٹیک تیار کرسکتے ہیں تو آپ کے پاس ایک مکمل خودمختار ڈرائیونگ ٹکنالوجی ہے۔
آپ کو یہ تصدیق کرنے کے ل all آپ کو مختلف الگورتھم تیار کرنے کی ضرورت نہیں ہے کہ کیا بہتر کام کرتا ہے۔ آپ کو بس تین یا چار مختلف الگورتھم بنانے کی ضرورت ہے جو آپ جانتے ہو کہ خود مختار ڈرائیونگ میں کلیدی مسئلہ حل کرنے جا رہے ہیں۔ حفاظت کا بنیادی مسئلہ یہ ہے کہ آپ سڑک پر تجارتی خود مختار گاڑیاں کیوں نہیں دیکھتے ہیں۔ لاگت اور دیگر تمام مسائل ثانوی ہیں۔ میں صرف ایک یا دو الگورتھم جیسے خود مختار ڈرائیونگ کے لوکلائزیشن اور نقشہ سازی کے پہلوؤں پر پوری شروعات کرسکتی تھی۔ لیکن میرا مقصد یہ تھا کہ یہاں اور وہاں ایک یا دو الگورتھم نہیں بلکہ ایک مکمل خودمختار گاڑی تیار کرنا ہے۔ منصوبہ بندی اور فیصلہ سازی کے شعبے میں کلیدی پہلو کو ثابت کرنے کے بعد مجھے بڑے پیمانے پر خود مختار ڈرائیونگ کے پورے مسئلے سے نمٹنے کا اعتماد ملا۔
س Sw سویاattٹ روبوٹس کس خود مختار ڈرائیونگ پر کام کر رہے ہیں؟ اور آپ کے خیال میں ہندوستان میں کس سطح پر ممکن ہے؟
ہمارا مقصد 5 درجے کی خود مختاری حاصل کرنا ہے اور اس بات کو یقینی بنانا ہے کہ اس طرح کے ماحول میں ٹیکنالوجی محفوظ ہے۔ ہم کہیں سطح تین اور سطح چار کے درمیان ہیں۔ کچھ الگورتھمک تحقیق جو ہم کر رہے ہیں وہ تحریک کی منصوبہ بندی اور فیصلہ سازی میں ہے جو پانچویں درجے کی طرف ہے۔
ہم خود مختار گاڑیوں کو قابل بنائے جانے پر بھی کام کر رہے ہیں تاکہ ٹریفک لائٹس کے بغیر ٹریفک کے اوقات میں چوراہا عبور کرسکے۔ ہم انتہائی اسٹاکسٹک ٹریفک کے ساتھ تنگ جگہ سے نمٹنے میں خود مختار گاڑیوں کو چالو کرکے سطح پانچ خودمختاری حاصل کرنے کا ہدف بنا رہے ہیں۔ ہم نے انتہائی سخت ماحول میں خود مختار ڈرائیونگ کی ہے جب مخالف گاڑی سے بھی موٹر گاڑی یا موٹر سائیکل آرہی تھی۔ پی او سی کی سطح پر ، ہم نے تین اور چار سطح کے مابین کامیابی حاصل کی ہے۔ ہم نے پہلے ہی سخت جگہوں کے ساتھ انتہائی اسٹاکسٹک ٹریفک میں تجربات کرکے لیول فور فور خود مختاری کے لئے پی او سی کو تبدیل کردیا ہے۔ ہمارا موجودہ مقصد بھارتی سڑکوں پر 101 کلومیٹر فی گھنٹہ خود مختار ڈرائیونگ حاصل کرنا ہے۔
ایک بار جب آپ اس طرح کے ماحول میں گاڑی کی حفاظت کو ثابت کردیتے ہیں تو ، آپ اپنی ٹکنالوجی لے کر اسے شمالی امریکہ اور یورپ کی طرح کہیں اور بھی استعمال کرسکتے ہیں جہاں ٹریفک زیادہ منظم ہوتا ہے ، جہاں ہندوستانی کے مقابلے میں ماحول بھی بہت سخت ہوتا ہے۔ ماحولیات. لہذا ، ابھی تک ہندوستان ہمارے لئے یہ ایک آزمائشی میدان ہے کہ یہ ثابت کرنے کے لئے کہ ہمارے پاس ایسا کچھ ہے جو اس وقت کسی اور نے نہیں کیا ہے۔
س۔ سویاٹ روبوٹس نے ایک خودمختار ڈرائیونگ حل تیار کرنے میں کتنی ترقی کی ہے؟ آپ فی الحال کس سطح پر ڈرائیونگ پر کام کر رہے ہیں؟
فی الحال ، ہمارے پاس دنیا کی تیز رفتار تحریک منصوبہ بندی الگورتھم موجود ہے جو 500 مائیکرو سیکنڈ میں ایک خودمختار گاڑی کے ل. قریب سے زیادہ سے زیادہ وقتی پیرامیٹرائزڈ ٹریجیکٹریوں کا منصوبہ بناسکتی ہے۔ لہذا الگورتھم تقریبا 2000 ہرٹز میں کام کرتا ہے۔ ہمارے پاس ٹکنالوجی ہے کہ وہ ہندوستانی شاہراہوں پر 80 کلو میٹر فی گھنٹہ کی خود مختار ڈرائیونگ کو قابل بنائے۔ ہندوستانی شاہراہوں پر اس نوعیت کی رفتار حاصل کرنا بہت مشکل ہے۔ عام طور پر ، اگر آپ یہ کر سکتے ہیں تو ، آپ اسے کہیں اور بھی لے جا سکتے ہیں۔ آپ اسے غیر ملکی ٹریفک میں لاگو کرسکتے ہیں اور بنیادی طور پر ، آپ سطح چہارم کے بہت قریب ہیں۔ آپ کو ایک خیال دینے کے لئے ، ہم اس پر کام کر رہے ہیں جسے ہم ملٹی ایجنٹ ارادے کا تجزیہ اور گفت و شنید کہتے ہیں۔ اس فریم ورک سے ہماری گاڑی سڑک پر موجود دیگر گاڑیوں یا ایجنٹوں کے ارادوں کے احتمال کا محاسبہ نہیں کرسکتی ہے۔یہ پورے راستے کے امکانات کی گنتی کرسکتا ہے جو دوسرے ایجنٹ یا گاڑیاں یا ماحول میں رکاوٹوں کے حامل نہیں ہوسکتے ہیں۔ تاہم ، صرف یہ صلاحیت کافی نہیں ہے۔ مثال کے طور پر ، آپ ایک بہت ہی کمپیوٹیشنل ڈیمانڈنگ سسٹم تشکیل دے سکتے ہیں جو مستقبل کی رفتار کی رفتار کی پیش گوئی کرسکتا ہے اور مختلف گاڑیوں کے تمام راستوں کی امکانیات کا حساب کتاب کرسکتا ہے۔ یہ وہ جگہ ہے جہاں آپ کو کمپیوٹومیشنل ضرورت پر بھی توجہ دینا ہوگی۔ ملٹی ایجنٹ ارادے کے تجزیہ اور مذاکرات کے اس مسئلے میں کمپیوٹیشنل ڈیمانڈ اس وقت تیزی سے بڑھے گی اگر آپ نے کوئی تحقیق نہیں کی ہے ، ریاضی کا صحیح استعمال نہیں کیا ہے ، یا اگر آپ نے انھیں ٹھیک طرح سے ڈیزائن نہیں کیا ہے۔ میں لاگو ریاضی کے کچھ تصورات پر تحقیق کر رہا ہوں ، خاص طور پر ٹاپولوجیکل تھیوری کے شعبے میں۔ میں کچھ تصورات استعمال کر رہا ہوں جیسے ہوموپی نقشہ جات ،جو ہماری ٹکنالوجی کو کمپیوٹرز کو پیمانے کی اجازت دیتا ہے۔ کم از کم ابھی تک ، یہ ایجنٹوں کی تعداد کے لحاظ سے سپر لائنر ہے جس کی وجہ سے آپ نے اس الگورتھم کے پیچھے ریاضی کا صحیح طریقے سے کام نہیں کیا تو آپ کا سامنا کرنا پڑے گا۔
ملٹی ایجنٹ ارادے کے تجزیہ سے متعلق گفتگو کا فریم ورک مزید دو مختلف شاخوں میں تقسیم کردیا گیا ہے جن پر ہم فی الحال کام کر رہے ہیں۔ ایک TSN (ٹائٹ اسپیس مذاکرات فریم ورک) اور دوسرا اوورٹیکنگ ماڈل۔ ٹی ایس این خود مختار گاڑیوں کو سخت ماحول اور اسٹاکسٹک ٹریفک ، دونوں کو کم اور تیز رفتار دونوں پر بات چیت کرنے کی اجازت دیتا ہے۔ ہائی وے بے ترتیبی اسٹاکسٹک ٹریفک منظرناموں کے لئے تیزرفتاری بہت کارآمد ہوگی اور جب شہری شہری منظر نامے پر گاڑی چل رہی ہو تو کم رفتار بہت کارآمد ثابت ہوگی ، جہاں آپ اکثر ٹریفک میں بہت زیادہ ٹریفک اور شور مچانے والی سخت گلیوں کا سامنا کرتے ہیں جس کا مطلب ہے وہاں ٹریفک حرکیات میں بہت زیادہ غیر یقینی صورتحال ہے۔
ہم پچھلے ڈھائی سالوں سے پہلے ہی اس پر کام کر رہے ہیں ، اور ہم نے اسے پہلے ہی پی او سی کی شکل میں تیار کیا ہے۔ ان فریم ورک کے کچھ بٹس اور ٹکڑے جن کے بارے میں میں بات کر رہا ہوں اسے ہمارے اگلے تجربے میں ڈیمو میں دکھایا جاسکتا ہے جسے ہندوستانی سڑکوں پر چلتے ہوئے 101 کلو میٹر فی گھنٹہ کی رفتار حاصل کرنے کی نشاندہی کی جائے گی۔
مزید یہ کہ ، ہم اے آئی کی مختلف شاخوں میں بھی تحقیق کر رہے ہیں۔ ہم اپرنٹس شپ لرننگ ، الٹا کمک سیکھنے کا بہت زیادہ استعمال کرتے ہیں۔ لہذا ، ہم فی الحال خود مختار گاڑیوں کو قابل بنانے پر کام کر رہے ہیں جیسے ہندوستانی ڈرائیوروں کی طرح عام دو لین سڑکوں پر آگے نکل جائیں۔ ہم محدود فنڈز کے ذریعہ زیادہ سے زیادہ حد تک تخروپن کے ساتھ ساتھ اصلی دنیا میں بھی دونوں کو ثابت کررہے ہیں۔ یہ تحقیق کے کچھ شعبے ہیں جو ہم زمین پر پہلے ہی ثابت کر چکے ہیں ، اور ان میں سے کچھ آئندہ مہینوں میں بھی ثابت ہوجائیں گے۔
اس کے علاوہ ، ہم دنیا کی واحد کمپنیوں میں سے ایک ہیں جو مکمل طور پر نامعلوم اور دیکھے ہوئے ماحول میں خود مختار ڈرائیونگ کا اہل بناسکتی ہیں جس کے لid بالکل بھی مخلصانہ نقشہ جات موجود نہیں ہیں۔ ہم اعلی مخلص نقشوں کے استعمال کے بغیر خود مختار ڈرائیونگ کو اہل بنا سکتے ہیں۔ ہم اعلی مخلص نقشوں کی ضرورت کو مکمل طور پر ختم کرنے کے کاروبار میں ہیں اور یہ خاتمہ ہماری دو کلیدی ٹیکنالوجیز کے ذریعہ قابل عمل ہے۔ ہمارا TSN فریم ورک ایک نیا ریگولیٹری معیار قائم کرنے کے لئے بنایا گیا ہے۔
Q. ہارڈ ویئر کے فن تعمیر کے بارے میں بات کرتے ہوئے ، آپ اپنے کمپیوٹیشنل مقصد کے لئے کس طرح کا ہارڈ ویئر استعمال کرتے ہیں؟ نیز ، آپ اپنی خودمختار گاڑیوں پر حقیقی دنیا کا نقشہ بنانے کے لئے کس قسم کے سینسر اور کیمرے استعمال کرتے ہیں؟
ابھی تک ، ہم صرف آف شیلف کیمرے استعمال کرتے ہیں۔ اگر آپ خود مختار گاڑی کیلئے ہمارا ڈیمو دیکھتے ہیں تو آپ دیکھیں گے کہ ہم نے 3000 روپے والے کیمرا کے علاوہ کچھ نہیں استعمال کیا ہے۔ اگر آپ اس معاملے کے لئے خود مختار کمپنیوں یا روبوٹکس کمپنیوں کے ساتھ پوری دنیا میں پائے جانے والے تاثراتی تحقیق کو دیکھیں تو وہ تینوں ہی مختلف سینسر جیسے کیمرے ، لیڈارس اور ریڈار استعمال کررہے ہیں۔ فی الحال ، ہمارے تمام خودمختار ڈرائیونگ تجربات صرف کیمرے استعمال کرکے ہوئے ہیں۔ جب میں نے کمپنی شروع کی ، مجھے صرف منصوبہ بندی میں مہارت حاصل تھی لیکن २०१ 2016 سے ، مجھے احساس ہوا کہ جدید ترین تحقیقی مقالے جو پوری دنیا میں لیبز پر کام کر رہے ہیں۔ یہ صرف حقیقی دنیا میں کام نہیں کرتا ہے۔ اگر وہ کام کرتے ہیں تو ، وہ کمپیوٹیشنل طور پر انتہائی گہری ہیں ، اور وہ کام نہیں کرتے ہیں۔ تو ،میں نے اپنے بنیادی تحقیقاتی شعبے کی حیثیت سے بھی ادراک لیا اور میں نے تقریبا perception 25٪ - 27٪ وقت کا ادراک تحقیق کرنے میں صرف کیا۔ اب ، ہماری کمپنی کا تحقیقی ہدف خود مختار گاڑیاں اس قابل بنانا ہے کہ وہ بغیر کسی کیمرے کے استعمال کے لیڈروں اور راڈاروں کی ضرورت کے قابل ہوسکے۔ یہ وہ تحقیقی تمنا ہے جو ہم حاصل کرنا چاہتے ہیں۔ اس مقصد کو حاصل کرتے ہوئے ، ہم نے یہ بھی یقینی بنایا ہے کہ ہمارے پاس کسی بھی مشترکہ کام کے لئے دنیا کا تیز ترین الگورتھم موجود ہے۔
ہمارے خیال میں دو مقاصد ہیں۔ ایک ، الگورتھم اتنا قابل ہونا چاہئے کہ وہ خود مختار گاڑیوں کو صرف اور صرف دونوں کیمرے دن کے رات استعمال کرنے کا اہل بنائیں۔ ہم نے اس خیال کی صلاحیت کو صرف دن کے وقت کے لئے نہیں بلکہ رات کے وقت گاڑی کی ہیڈلائٹ اور باقاعدگی سے آف شیلف آر جی بی اور این آئی آر کیمرے کے استعمال کے علاوہ کچھ اور استعمال کیا ہے ، اس طرح کے کیمرے جو آپ 3000 روپے میں خرید سکتے ہیں مارکیٹ.
ہم توجہ مرکوز کرتے ہیں