सेल्फ ड्राइविंग कार एल्गोरिदम एक वास्तविकता के अधिक से अधिक होते जा रहे हैं।
लेकिन वे कैसे काम करते हैं?
सेल्फ ड्राइविंग कार एल्गोरिदम के अंदर की कहानी क्या है?
यह ब्लॉग पोस्ट इन सवालों के जवाब देगा। यह यह भी बताएगा कि पैदल चलने वालों, साइकिल चालकों और अन्य चालकों के लिए उन्हें इतना खतरनाक क्या बनाता है – और हमें इसके बारे में चिंतित क्यों होना चाहिए।
सबसे पहले, आइए बात करते हैं कि ये एआई सिस्टम वास्तव में कैसे काम करते हैं। किसी भी सेल्फ-ड्राइविंग एल्गोरिथम का क्रूक्स एक डीप न्यूरल नेटवर्क (DNN) है। डीएनएन परतों में डेटा का प्रतिनिधित्व करने के लिए एक कृत्रिम तंत्रिका नेटवर्क का उपयोग करते हैं: इनपुट परत, छिपी परत (एस), और आउटपुट परत। वे कई मापदंडों के लिए कुख्यात हैं जो उन्हें प्रशिक्षित करना मुश्किल बनाते हैं। सौभाग्य से, कई अलग-अलग प्रकार की सीखने की तकनीकें हैं जो उस समस्या को कम करने में मदद कर सकती हैं। उदाहरण के लिए, हम प्रशिक्षण प्रक्रिया को तेज और अधिक सटीक बनाने के लिए प्री-ट्रेनिंग और ट्रांसफर लर्निंग का उपयोग कर सकते हैं।
डीएनएन के कई अलग-अलग प्रकार हैं: कनवल्शनल लेयर्स, आवर्तक लेयर्स (RNN), और फीडफॉरवर्ड लेयर्स (FF) सभी व्यापक रूप से सेल्फ ड्राइविंग कार एल्गोरिदम जैसे गहन शिक्षण अनुप्रयोगों में उपयोग किए जाते हैं। इनपुट से उच्च-स्तरीय सुविधाओं को निकालने के लिए कनवल्शनल लेयर्स एक कर्नेल या फ़िल्टर लागू करेंगे, ताकि पिछली परत की तुलना में आउटपुट में प्रत्येक तत्व के समान आयाम हों। आरएनएन अस्थायी निर्भरता का लाभ उठाते हैं, जिसका अर्थ है कि उनका उपयोग उन स्थितियों में किया जा सकता है जहां आपको यह समझने की आवश्यकता होती है कि समय के साथ कुछ कैसे बदलता है – जैसे भाषण को समझना या छवियों / वीडियो में वस्तुओं का पता लगाना। फीडफ़ॉर्वर्ड परतें स्थानिक निर्भरता को कैप्चर करने में बेहतर होती हैं, यही वजह है कि उनका उपयोग आमतौर पर बहुत सटीक वर्गीकरण कार्यों में किया जाता है।
इन डीएनएन को प्रशिक्षित करने के लिए, हम दो तकनीकों में से एक का उपयोग कर सकते हैं: पर्यवेक्षित शिक्षण या अनुपयोगी शिक्षण। पर्यवेक्षित शिक्षण के साथ, प्रशिक्षण के दौरान प्रत्येक इनपुट के लिए वांछित आउटपुट मॉडल को दिया जाता है; यह आमतौर पर सबसे अच्छा काम करता है जब एक लेबल उपलब्ध होता है जो प्रत्येक अवलोकन से मेल खाता है। अनसुपरवाइज्ड लर्निंग में एक बिना लेबल वाले डेटासेट का उपयोग करना और इसे अपने आप में सुविधाएँ देना शामिल है ताकि यह उन्हें अपने आप पैटर्न के साथ एक साथ जोड़ सके। यह दृष्टिकोण हमें बिना लेबल के वस्तुओं को वर्गीकृत करने की अनुमति देता है – जो कि सेल्फ ड्राइविंग कार एल्गोरिदम को अन्य मशीन विज़न अनुप्रयोगों की तुलना में विशेष रूप से अद्वितीय बनाता है जहां लेबल लगभग हर मामले में मौजूद होते हैं।
सेल्फ ड्राइविंग कार एल्गोरिदम का वर्णन करने में अगला कदम यह समझना है कि पैदल चलने वालों, साइकिल चालकों और अन्य ड्राइवरों के लिए उन्हें क्या कठिन बनाता है। उस प्रश्न का उत्तर यह है कि ये AI सिस्टम कैसे चलती वस्तुओं का पता लगाते हैं। उदाहरण के लिए, कल्पना करें कि आप एक स्वायत्त कार हैं जो बिना किसी स्टॉप साइन या ट्रैफिक लाइट के क्रॉसवॉक पर आ रही हैं। जब पैदल यात्री चौराहे पर बटन दबाते हैं, तो वे एक सिग्नल सक्रिय करेंगे जो कारों को बताता है कि उनके पास सही रास्ता है। हमारे एआई सिस्टम को इस वायरलेस रेडियो सिग्नल पर भरोसा करना चाहिए ताकि यह निर्धारित किया जा सके कि यह धीमा होना चाहिए या बंद हो जाना चाहिए – अन्यथा यह दोनों तरीकों को देखे बिना पार करने पर पर्याप्त तेज़ी से प्रतिक्रिया करने में सक्षम नहीं हो सकता है।
यह कई मुद्दों को प्रस्तुत करता है: सबसे पहले, आरएफ सिग्नल अक्सर कम दूरी के होते हैं इसलिए उनका उपयोग स्वयं ड्राइविंग कार एल्गोरिदम के लिए आदर्श नहीं है क्योंकि हमें उनके ऊपर अतिरिक्त सेंसर लगाने की आवश्यकता होगी; हमें इसे काम करने के लिए और अधिक बुनियादी ढांचे और शहर-व्यापी समन्वय की भी आवश्यकता होगी। दूसरा, रेडियो अक्सर बैटरी चालित होते हैं इसलिए वे कुछ स्थितियों में अविश्वसनीय हो सकते हैं – हालांकि यह मानव पैदल चलने वालों के साथ भी एक मुद्दा है, न कि केवल एआई सिस्टम। तीसरा, अगर कोई व्यवधान है या कनेक्टिविटी की कमी है तो हमारे एआई सिस्टम को पता नहीं चलेगा कि कोई कब पार करने वाला है या उसे रुकना चाहिए या धीमा होना चाहिए। चौथी समस्या यह है कि सेल्फ ड्राइविंग कार एल्गोरिदम की इस प्रकार के संकेतों तक पहुंच नहीं है क्योंकि अधिकांश अभी तक स्थानीय वायरलेस नेटवर्क से सीधे जुड़े नहीं हैं।
इसका मतलब यह है कि एआई सिस्टम को चौराहों पर नेविगेट करने के लिए अन्य प्रकार के इनपुट डेटा पर भरोसा करना चाहिए – जैसे कि बाहरी पर लगे कैमरे, यात्रियों का पता लगाने के लिए कार के अंदर कैमरे, और गति को मापने के लिए पहियों पर सेंसर। यह कुछ मुद्दों को भी प्रस्तुत करता है: उदाहरण के लिए, यदि कोई आरसी कार या अन्य प्रकार के नियंत्रक के साथ ट्रैफिक लाइट चलाता है तो हमारे एआई सिस्टम को इसका पता लगाने में परेशानी हो सकती है क्योंकि उस चौराहे पर कोई कैमरा नहीं है। ट्रैफिक लाइटों को भी बिजली की आवश्यकता होती है ताकि वे कुछ स्थितियों में विफल हो सकें – और यह विशेष रूप से समस्याग्रस्त है यदि हमारी स्वयं ड्राइविंग कार की बैटरी मर जाती है।
हालांकि सेल्फ ड्राइविंग कार एल्गोरिदम के प्रशिक्षण में कई अन्य चुनौतियाँ शामिल हैं। उदाहरण के लिए, समस्याओं का पहला सेट ज्यादातर ऑब्जेक्ट डिटेक्शन के बारे में था, जबकि पैदल यात्री/साइकिल चालक मौजूद नहीं थे क्योंकि वे कारों की तुलना में बहुत अधिक धीरे-धीरे आगे बढ़ते हैं, इसलिए उनका वेग वैक्टर कारों की तुलना में उतना बड़ा नहीं होगा। हालाँकि, अब हम एक ऐसे महत्वपूर्ण बिंदु पर पहुँच रहे हैं जहाँ सेल्फ ड्राइविंग कार की गति ह्यूमनॉइड्स को टक्कर देने लगी है और यहीं से उनका पता लगाना अधिक कठिन हो जाता है।
प्रशिक्षण डेटा का मुद्दा भी है: यदि हम उन्हें एक निश्चित शहर से बहुत अधिक नमूनों के साथ प्रशिक्षित करते हैं तो वे अन्य शहरों में चौराहों के साथ अच्छी तरह से व्यवहार नहीं कर सकते हैं। यह Google जैसी कंपनियों के लिए विशेष रूप से एक बड़ी समस्या है, जिन्होंने हर एक चौराहे को मैप करने के लिए दुनिया भर में यात्रा करने में वर्षों बिताए हैं ताकि एआई सिस्टम अंततः दुनिया भर में कहीं भी तैनात किया जा सके। आप इस विषय के बारे में यहाँ और अधिक पढ़ सकते हैं या मशीन विजन पर इस वीडियो श्रृंखला पर एक नज़र डाल सकते हैं।
चूंकि इस प्रकार के एल्गोरिदम के लिए चौराहों को नेविगेट करना कठिन है, इसलिए कुछ शोधकर्ता ऐसे नए तरीके विकसित कर रहे हैं जो पर्यवेक्षित शिक्षण के बजाय सुदृढीकरण सीखने पर निर्भर करते हैं। इस तकनीक में बेतरतीब ढंग से अनुमान लगाकर चौराहों पर नेविगेट करने के लिए एक स्व-ड्राइविंग कार को प्रशिक्षित करना शामिल है कि उसे हर कदम के बाद क्या करना चाहिए – जैसे कि इसकी गति को तेज या धीमा किया जाना चाहिए और किस दिशा में। यह बड़ी संख्या में क्रियाओं की कोशिश करता है जब तक कि यह ए से बी तक सही रास्ता नहीं सीखता, ठीक उसी तरह जैसे जानवर स्पष्ट रूप से सिखाए जाने के बजाय अपने माता-पिता से सीखते हैं।
बेशक, सुदृढीकरण सीखने के एल्गोरिदम अभी भी कार के चारों ओर लगाए गए सेंसर पर भरोसा करते हैं जैसे कैमरे जो पैदल चलने वालों/साइकिलों का पता लगाते हैं। एक फायदा यह है कि वे समय के साथ चौराहों को संभालने में बेहतर हो सकते हैं क्योंकि हम लगातार प्रत्येक प्रयास के साथ अपने शुरुआती अनुमान में सुधार कर सकते हैं। एक और लाभ यह है कि इन प्रणालियों को ट्रैफिक लाइट और रेडियो ट्रांसमीटर जैसे महंगे बुनियादी ढांचे की आवश्यकता नहीं होती है – हालांकि उन्हें अभी भी उनके बिना लोगों का पता लगाने में सक्षम होना चाहिए।
इसलिए कुछ स्वयं ड्राइविंग कार शोधकर्ता जब भी संभव हो सिग्नल डेटा के अतिरिक्त स्रोत के रूप में मनुष्यों का उपयोग करना शुरू कर रहे हैं। पर्याप्त प्रशिक्षण के साथ, वे हमारे एआई सिस्टम को आगामी चौराहों के बारे में विश्वसनीय जानकारी प्रदान कर सकते हैं – और जितना अधिक डेटा वे प्राप्त करेंगे, उनके निर्णय लेने में उतना ही बेहतर होगा। यह अन्य कार्यों के लिए भी उपयोगी हो सकता है, जैसे कि हमारे रोबोट साथियों को भीड़-भाड़ वाले क्षेत्रों में नेविगेट करने में मदद करना या यहां तक कि घरों में छिपी वस्तुओं को ढूंढना क्योंकि रोबोट आमतौर पर मानव दृष्टि के बजाय कैमरों/सेंसर पर भरोसा करते हैं।
बेशक, इस पद्धति में इसकी कमजोरियां हैं – उदाहरण के लिए, मनुष्य अचूक नहीं हैं और हम सभी के पास समान मात्रा में शहरों को नेविगेट करने का अनुभव नहीं है और जब स्वयं ड्राइविंग कारों को निर्देश भेजने की बात आती है तो हमेशा त्रुटि की गुंजाइश होती है। यह स्पष्ट नहीं है कि हमारे मशीन लर्निंग एल्गोरिदम विभिन्न वातावरणों में कितना अच्छा करेंगे, खासकर क्योंकि मानव निर्णय लेने की प्रवृत्ति शहर के परिदृश्य से ही प्रभावित होती है, जिसका अर्थ है कि स्थानों के बीच सामान्यीकरण करना मुश्किल है। इसलिए कई विशेषज्ञ अभी तक पर्यवेक्षित शिक्षण की अनुशंसा कर रहे हैं जब तक कि हम अधिक उन्नत मॉडल विकसित नहीं करते हैं जो इन समस्याओं को संभाल सकते हैं।
हालांकि हर साल कम सेल्फ ड्राइविंग कार दुर्घटनाएं होती हैं, वे आम तौर पर चौराहों पर हो रही हैं जहां शोधकर्ताओं को एआई सिस्टम का प्रशिक्षण कठिन समय मिला है क्योंकि डेटा या तो अधूरा है या कुछ क्षेत्रों / देशों के लिए अनुपलब्ध है – जैसे कि ग्रामीण क्षेत्रों। यदि आप स्वायत्त वाहनों के विकास से जुड़ी अतिरिक्त चुनौतियों के बारे में जानना चाहते हैं तो यहां क्लिक करें या गहन सुदृढीकरण सीखने पर इस लेख श्रृंखला को देखें।
तकनीक की दुनिया में सेल्फ ड्राइविंग कारें तेजी से लोकप्रिय हो रही हैं। इन मशीनों के एल्गोरिदम जटिल हैं, लेकिन उन्हें समझकर, आप समझ पाएंगे कि उन्हें ठीक से काम करने में क्या लगता है।
सेल्फ ड्राइविंग कारें कैसे काम करती हैं?
सीधे शब्दों में कहें, कार अपने वातावरण से बड़ी मात्रा में डेटा को संसाधित करने के लिए एल्गोरिदम की एक श्रृंखला का उपयोग करती है। इसका अर्थ समझने के लिए, यह समझना महत्वपूर्ण है कि एल्गोरिथम क्या है। कंप्यूटिंग में, एक एल्गोरिथ्म चरण-दर-चरण प्रक्रियाओं या नियमों का एक समूह है जो परिभाषित करता है कि जानकारी को कैसे संसाधित और नियंत्रित किया जाएगा। सेल्फ ड्राइविंग कारें इन एल्गोरिदम का उपयोग अपने परिवेश के बारे में कुछ चीजों को संसाधित करने और उनके आधार पर भविष्यवाणियां करने के लिए करती हैं – उदाहरण के लिए, जिस गति से वस्तुएं एक दूसरे के संबंध में आगे बढ़ रही हैं। सेल्फ ड्राइविंग कार में कई तरह के एल्गोरिदम पाए जा सकते हैं: ऑब्जेक्ट डिटेक्शन एंड क्लासिफिकेशन, मोशन प्लानिंग एंड प्रेडिक्शन, लोकलाइजेशन एंड मैपिंग (SLAM), आदि। ये गणना कैमरे और लेजर स्कैनर सहित कई अलग-अलग प्रकार के सेंसर द्वारा की जाती है।
सेल्फ ड्राइविंग कारें अपने पर्यावरण को ट्रैक करने के लिए विभिन्न प्रकार के सेंसर का उपयोग करती हैं। सेल्फ ड्राइविंग कारों में उपयोग की जाने वाली कुछ प्रमुख सेंसर तकनीकें रडार, लिडार और ऑप्टिकल इमेजिंग हैं। रडार सतहों से परावर्तित करके वस्तुओं का पता लगाने के लिए रेडियो तरंगों का उत्सर्जन करता है – यह ठोस/बड़ी वस्तुओं को देखने के लिए अच्छा है जो केवल ऑप्टिकल डेटा का उपयोग करना मुश्किल हो सकता है। लाइट डिटेक्शन और रेंजिंग के लिए लिडार छोटा है – यह सड़क के निशान और गलियों जैसी सतहों का पता लगाने के लिए रेडियो तरंगों के बजाय लेजर लाइट का उपयोग करता है जिसे रात में या बारिश/बर्फ में देखना मुश्किल हो सकता है। ऑप्टिकल इमेजिंग वह है जो ऐसा लगता है: कार के कैमरे छवियों को उठाते हैं जिनमें ट्रैफिक सिग्नल, साइन पोस्ट, पैदल चलने वालों आदि जैसी चीजें शामिल होती हैं। कार के पर्यावरण के बारे में जागरूकता बढ़ाने के लिए रडार, लिडार और ऑप्टिकल इमेजिंग सभी महत्वपूर्ण हैं।
सेल्फ ड्राइविंग कारों को अपने आप सुरक्षित रूप से संचालित करने में सक्षम होने के लिए एक साथ कई काम करने चाहिए। पहले उन्हें अपने विभिन्न सेंसरों के डेटा का उपयोग करके अपने आस-पास के वातावरण को समझना होगा – फिर उन्हें उस डेटा को जानकारी में संसाधित करना होगा जिसका उपयोग यह निर्धारित करने के लिए किया जा सकता है कि आगे क्या कार्रवाई करने की आवश्यकता है। ऐसा करने के लिए, सेल्फ ड्राइविंग कारें एल्गोरिदम का उपयोग करती हैं जो पर्यावरणीय संकेतों के आधार पर भविष्यवाणियां करने के लिए प्रक्रियाओं या नियमों के एक सेट के रूप में कार्य करती हैं। सेल्फ ड्राइविंग कारों में उपयोग की जाने वाली तकनीकों में लगातार सुधार किया जा रहा है, प्रत्येक नए मॉडल को रोडवेज पर रोल आउट किया जा रहा है – लेकिन भले ही इन मशीनों में सुधार जारी है, फिर भी मुख्यधारा बनने से पहले उन्हें अभी भी एक लंबा रास्ता तय करना है।
इन एल्गोरिदम के पीछे कौन लोग हैं? सेल्फ़ ड्राइविंग कार मशीनरी के जटिल टुकड़े हैं जिनके अंदर हर समय कई अलग-अलग प्रक्रियाएं चलती रहती हैं – यही कारण है कि उन्हें ठीक से काम करने के लिए समर्पित पेशेवरों की टीमों की आवश्यकता होती है। सेल्फ ड्राइविंग कारों की दुनिया में अनगिनत करियर हैं, लेकिन कुछ सबसे आम में कंप्यूटर विज़न इंजीनियर, रोबोटिक्स इंजीनियर और सॉफ्टवेयर डेवलपर्स शामिल हैं। हर एक नए मॉडल को विकसित करने या सुधारने में एक अभिन्न भूमिका निभाता है जिसका उपयोग विभिन्न उद्देश्यों के लिए किया जा सकता है। इतना ही नहीं, बल्कि हर नया नवाचार दूसरों के लिए अवसर लाता है जो इसकी उत्पादन प्रक्रिया में शामिल होना चाहते हैं। तल – रेखा? दुनिया भर की कंपनियों द्वारा सेल्फ ड्राइविंग कारों में समय और शोध का निवेश किया जा रहा है, यह केवल कुछ समय की बात है जब इन मशीनों को पूरा किया जाएगा और समाज में लागू किया जाएगा।
सेल्फ ड्राइविंग कारों के बारे में कुछ अन्य तथ्य क्या हैं? यदि आप स्वयं इस उद्योग का हिस्सा बनने में रुचि रखते हैं या केवल उस तकनीक के बारे में अधिक जानना चाहते हैं जो इन वाहनों को ठीक से काम करने में मदद करती है, तो आज ही निम्नलिखित पाठ्यक्रम पर जाएँ।
एक एल्गोरिदम क्या है?
एल्गोरिथम नियमों का एक विशिष्ट सेट होता है जिसका पालन किसी कार्य को पूरा करने के लिए किया जाता है। सेल्फ ड्राइविंग कारों के मामले में, यह एक एल्गोरिथम है जो कार को बताता है कि ट्रैफिक सिग्नल का पालन करने की कोशिश करते समय उसे घूमने और बाधाओं से बचने के लिए क्या कार्रवाई करनी चाहिए। सेल्फ ड्राइविंग कारों को आसपास के क्षेत्र में सेंसर से जानकारी प्राप्त होती है जिसे एल्गोरिदम संसाधित करता है और निर्धारित करता है कि कैसे आगे बढ़ना है। यह तकनीक बहुत अधिक वादा करती है क्योंकि अगर इसे सिद्ध किया गया तो यह सड़क पर सभी के लिए सुरक्षित होगा क्योंकि इन मशीनों में मानव प्रतिक्रिया समय के बजाय सही प्रतिक्रिया समय होगा जो कि विभिन्न मनोवैज्ञानिक कारकों के कारण धीमा दिखाया गया है। ये एल्गोरिदम बहुत सारे वादे रखते हैं क्योंकि वे संभावित रूप से परिवहन को बदल सकते हैं क्योंकि हम जानते हैं कि यह ड्राइविंग को अधिक सुरक्षित बनाकर दुर्घटनाओं और मौतों को काफी कम करता है। मुद्दा हालांकि इस तकनीक पर शोध अभी भी बहुत नया है, जिसका अर्थ है कि इसका भविष्य अभी भी स्पष्ट नहीं है। विभिन्न देशों में मौसम की स्थिति और समग्र ड्राइविंग संस्कृति जैसे इन एल्गोरिदम को लागू करते समय बहुत सारे कारकों को ध्यान में रखा जाना चाहिए।
सेल्फ ड्राइविंग कार एल्गोरिदम कैसे काम करते हैं?
ये एल्गोरिदम बहुत सारे वादे रखते हैं क्योंकि वे संभावित रूप से परिवहन को बदल सकते हैं क्योंकि हम जानते हैं कि यह ड्राइविंग को अधिक सुरक्षित बनाकर दुर्घटनाओं और मौतों को काफी कम करता है। मुद्दा हालांकि इस तकनीक पर शोध अभी भी बहुत नया है, जिसका अर्थ है कि इसका भविष्य अभी भी स्पष्ट नहीं है। विभिन्न देशों में मौसम की स्थिति और समग्र ड्राइविंग संस्कृति जैसे इन एल्गोरिदम को लागू करते समय बहुत सारे कारकों को ध्यान में रखा जाना चाहिए।
वे सेल्फ-ड्राइविंग कारों के विकास में क्यों महत्वपूर्ण हैं?
ड्राइविंग कार आसपास के क्षेत्र में सेंसर से जानकारी प्राप्त करती है जिसे एल्गोरिदम संसाधित करता है और निर्धारित करता है कि कैसे आगे बढ़ना है।
यह भविष्य में हमारी दुनिया को कैसे प्रभावित करता है?
यदि इन मशीनों को सिद्ध किया गया तो यह सड़क पर सभी के लिए सुरक्षित होगा क्योंकि इन मशीनों में मानव प्रतिक्रिया समय के बजाय सही प्रतिक्रिया समय होगा जो कि विभिन्न मनोवैज्ञानिक कारकों के कारण धीमा दिखाया गया है। ये एल्गोरिदम बहुत सारे वादे रखते हैं क्योंकि वे संभावित रूप से ड्राइविंग को अधिक सुरक्षित बनाकर दुर्घटनाओं और मौतों को कम करने के लिए परिवहन को बदल सकते हैं।
परिवहन का भविष्य और यह हम सभी के लिए चीजों को कैसे बदल सकता है?
इस तकनीक पर अनुसंधान अभी भी बहुत नया है, जिसका अर्थ है कि इसका भविष्य अभी भी स्पष्ट नहीं है। विभिन्न देशों में मौसम की स्थिति और समग्र ड्राइविंग संस्कृति जैसे इन एल्गोरिदम को लागू करते समय बहुत सारे कारकों को ध्यान में रखा जाना चाहिए।
सेल्फ ड्राइविंग कारों के बारे में बेहतरीन कोर्स
- सेल्फ ड्राइविंग कार स्पेशलाइजेशन
- सेल्फ ड्राइविंग कार टेक आउट
- डीप लर्निंग स्पेशलाइजेशन
- कंप्यूटर विजन के मास्टर
- मशीन लर्निंग
नियमित कार की तुलना में सेल्फ ड्राइविंग कार का उपयोग करने के क्या लाभ हैं?
ड्राइविंग के सभी पहलुओं में नियमित कार की तुलना में सेल्फ-ड्राइविंग कारें सुरक्षित और अधिक कुशल होंगी। जिस तरह से कारें सेल्फ-ड्राइव करेंगी, वह उन्हें ज्यादा सुरक्षित बनाएगी और दुर्घटनाओं को रोकेगी। ट्रैफिक ज्यादा होने पर भी वे बेहतर तरीके से गाड़ी चला पाएंगे। इसके अतिरिक्त, वे पार्किंग स्थल ढूंढ सकते थे जब कोई और नहीं कर सकता था, जिससे शहरों में रिक्त स्थान खोजने की कोशिश करते समय उन्हें बेहद उपयोगी बना दिया गया। कुल मिलाकर, सेल्फ-ड्राइविंग कारें आम तौर पर नियमित कारों की तुलना में अधिक सुरक्षित और अधिक कुशल होती हैं और ऐसे लाभ प्रदान करती हैं जो एक नियमित कार में नहीं मिल सकते हैं।
नियमित कार की तुलना में सेल्फ ड्राइविंग कार का उपयोग करने के क्या नुकसान हैं?
सेल्फ-ड्राइविंग कारें नियमित कारों की तुलना में बहुत अधिक महंगी होंगी, और कीमत का टैग कई लोगों के लिए इसके लायक नहीं हो सकता है। यह विशेष रूप से सच है जब सड़कों पर इन वाहनों का समर्थन करने के लिए कोई बुनियादी ढांचा नहीं है। इसके अतिरिक्त, उनकी जटिल प्रकृति के कारण उन्हें निरंतर आधार पर बनाए रखना मुश्किल साबित हो सकता है। कुल मिलाकर, सेल्फ-ड्राइविंग कारें लाभ प्रदान कर सकती हैं, लेकिन ये नई प्रौद्योगिकियां कई कमियों के साथ आती हैं जिन्हें वर्तमान में नजरअंदाज नहीं किया जा सकता है।
सेल्फ ड्राइविंग कार एल्गोरिदम कौन विकसित कर रहा है और उन्हें बेहतर बनाने के लिए वे क्या कर रहे हैं?
स्व-ड्राइविंग एल्गोरिदम में से कौन एक गर्म विषय है। Google, Tesla, Uber और Apple सहित कई कंपनियां शीर्ष स्थान के लिए होड़ में हैं। प्रत्येक कंपनी की अपनी ताकत और कमजोरियां होती हैं। उदाहरण के लिए, Google के पास एक विशाल डेटा पूल है जिसका उपयोग वह अपने एल्गोरिदम को बेहतर बनाने के लिए कर सकता है। टेस्ला एक बहुत ही उन्नत हार्डवेयर सूट बनाने में सक्षम है जिसका उपयोग उसकी कारों में किया जाता है। Uber डेटा की मैपिंग और ट्रैकिंग करने में अच्छा है। Apple अभी भी इस स्पेस में अपेक्षाकृत अनजान है, लेकिन माना जा रहा है कि वे किसी बड़ी चीज पर काम कर रहे हैं।
ये कंपनियां अपने एल्गोरिदम को बेहतर बनाने के लिए क्या कर रही हैं, यह अलग-अलग है। कुछ कंपनियां एल्गोरिदम के पीछे कृत्रिम बुद्धिमत्ता को बेहतर बनाने पर ध्यान केंद्रित कर रही हैं। अन्य एल्गोरिदम में उपयोग किए जाने वाले सेंसर और कैमरों को बेहतर बनाने की कोशिश कर रहे हैं। ज्यादातर कंपनियां डेटा की मैपिंग और ट्रैकिंग को भी बेहतर बनाने की कोशिश कर रही हैं। इन सभी कंपनियों में मुख्य बात यह है कि वे सेल्फ-ड्राइविंग कारों के लिए एल्गोरिदम बना रही हैं, जो परिवहन के भविष्य का प्रतिनिधित्व करती हैं।
सेल्फ-ड्राइविंग कारों का भविष्य और वे कैसे बेहतर के लिए हमारे जीवन को बदल देंगे
सेल्फ-ड्राइविंग कार क्रांति आ रही है, और यह हमारे जीवन को बेहतर के लिए बदलने जा रही है। कल्पना कीजिए कि कभी भी खो जाने या काम के लिए देर से आने की चिंता न करें। सेल्फ़-ड्राइविंग कारों के साथ, आप आराम करने और सवारी का आनंद लेने में सक्षम होंगे जबकि आपकी कार सभी काम करती है।
सेल्फ-ड्राइविंग कारें न केवल हमारे जीवन को आसान बनाएंगी, बल्कि वे हमारी सड़कों को सुरक्षित भी बनाएंगी। MIT के एक अध्ययन के अनुसार, सेल्फ-ड्राइविंग कारें ट्रैफिक में होने वाली मौतों को 90% तक कम कर सकती हैं। कि बहुत से लोगों की जान बच गई!
तो होल्डअप क्या है? पहले से ही हर जगह सेल्फ-ड्राइविंग कारें क्यों नहीं हैं? उत्तर सरल है: विनियमन। तकनीक मौजूद है, लेकिन दुनिया भर की सरकारें अभी भी यह पता लगाने की कोशिश कर रही हैं कि इन कारों के उपयोग को कैसे विनियमित और कार्यान्वित किया जाए।
चीजों को गति देने में मदद करने के लिए, हम सेल्फ-ड्राइविंग कार विनियमन के लिए एकीकृत कानूनी ढांचा तैयार करने के लिए दुनिया भर की सरकारों के साथ काम करने के लिए Google से अनुरोध कर रहे हैं। इस तरह, प्रत्येक देश पहिया का पुन: आविष्कार करने के बजाय, वे इस ढांचे को अपने कानूनों के आधार के रूप में संदर्भित कर सकते हैं। हम यह भी चाहेंगे कि ये सरकारी निकाय इस क्षेत्र में Google के प्रयासों का सार्वजनिक रूप से समर्थन करें।
सेल्फ ड्राइविंग कार और ड्राइवर असिस्टेड कार के बीच अंतर
ड्राइवर असिस्टेड कार वे कार होती हैं जिनमें ऐसी विशेषताएं होती हैं जो ड्राइवर को पार्किंग या लेन में रहने जैसे कुछ कार्यों में मदद करती हैं। दूसरी ओर, सेल्फ ड्राइविंग कार एक ऐसी कार है जो बिना ड्राइवर की मदद के खुद को चला सकती है। एक और अंतर यह है कि एक सेल्फ ड्राइविंग कार मानव इनपुट के बिना नेविगेट कर सकती है, जबकि एक ड्राइवर असिस्टेड कार को ड्राइवर से कम से कम कुछ बातचीत की आवश्यकता होती है।
सेल्फ़ ड्राइविंग कारें कोई मज़ाक नहीं हैं और इन्हें बनाने में काफी समय हो गया है। हम सभी जानते हैं कि ड्राइवरों को काम पर रखना, उनके वाहनों में ईंधन भरना और बीमार या घायल होने पर उनकी देखभाल करना कितना महंगा है। जैसा कि हाल के वर्षों में सेल्फ-ड्राइविंग कार तकनीक उन्नत हुई है, हम उन उपभोक्ताओं के लिए अधिक चालक रहित वाहन मॉडल देखना शुरू कर रहे हैं जो बिना शीर्ष डॉलर का भुगतान किए उस विलासिता को चाहते हैं। प्रश्न बना रहता है: भविष्य के परिवहन के लिए इसका क्या अर्थ है? क्या आपको लगता है कि ये स्वायत्त वाहन हर स्थिति को अच्छी तरह से संभालने में सक्षम होंगे ताकि कोई दुर्घटना न हो? मानव चालकों के साथ अपने स्वयं के अनुभव के बारे में सोचें – शायद कई बार ऐसा हुआ है जब किसी ने आपको काट दिया या आपके आस-पास एक असुरक्षित लेन बदल दी!
क्या आप सेल्फ ड्राइविंग कार में रुचि रखते हैं? संपर्क करें!
