பேருந்தின் மறைவிலிருந்து ஒரு குழந்தை சாலையில் எட்டிப்பார்க்கிறது. அருகில் வரும் காரின் ஓட்டுநர் அதைக் கவனிப்பாரா? அந்த இருக்கையில் மனிதர் இல்லாவிட்டால், குழந்தையைப் பார்ப்பது யார்? இது ஒரு கற்பனைச் சாலைக் காட்சி. ஆனால், இதில் எழும் கேள்வி நிஜமானது. மனிதர் இயக்கும் வாகனத்தில் கண்கள் காட்சியைப் பார்க்கின்றன; அனுபவம் அதன் பொருளைப் புரிந்துகொள்ள உதவுகிறது. தானியங்கி வாகனத்திற்கு அந்தப் புரிதலை உருவாக்குவது எப்படி? அதற்காகத்தான் காரின் வெளியே பலவிதமான உணரிகள், அதாவது சென்சார்கள், பொருத்தப்படுகின்றன. ஒவ்வொன்றும் சுற்றுப்புறத்தின் ஒரு அம்சத்தை அளக்கிறது. அவற்றின் தகவல்களை இணைத்து, அருகில் என்ன இருக்கிறது என்பதை மென்பொருள் கணிக்கிறது.
இங்கே நாம் பேசுவது தன்னாட்சி வாகனங்கள் (Autonomous Vehicles) பற்றி. மனித ஓட்டுநரின் தொடர்ச்சியான கட்டுப்பாடின்றி, குறிப்பிட்ட சூழல்களில் தானாக இயங்கும் திறனுக்காக வடிவமைக்கப்படும் வாகனங்கள் இவை. ஓட்டுநருக்கு உதவும் தொழில்நுட்பமும், தன்னாட்சி இயக்கமும் ஒன்றல்ல. அப்படியானால், மனிதரின் கண்களும் அனுபவமும் செய்யும் வேலையை இந்த வாகனம் எப்படிச் செய்கிறது? அதற்கான முதல் படிதான் சுற்றுப்புறத்தை உணர்ந்து புரிந்துகொள்வது.
அதே காட்சியில் நீங்கள் காருக்குள் அமர்ந்திருப்பதாக நினைத்துக்கொள்ளுங்கள். சைக்கிளின் முன்சக்கரம் மட்டும் பேருந்தின் ஓரத்தில் தெரிகிறது; பின்னால் இன்னொரு வாகனம் நெருங்குகிறது. எதிரிலுள்ள சிக்னலும் மாறுகிறது. இந்தத் தகவல்கள் அனைத்தும் முக்கியமானவை. காரின் திரையில் அழகான படம் தெரிவதுடன் வேலை முடிவதில்லை. தெரியும் காட்சியைப் புரிந்துகொள்வதுடன், பார்வை மறையும் பகுதிகளையும் கணக்கில் கொள்வதே இங்கே முக்கியம்.
கேமரா சுற்றுப்புறத்தின் படங்களைப் பதிவு செய்கிறது. அவற்றிலிருந்து சிக்னலின் நிறம், சாலை அடையாளங்கள், பாதசாரிகள் போன்றவற்றை மென்பொருள் அடையாளம் காண முயல்கிறது. நம்மைப் போலவே காட்சித் தகவல் அதற்கு முக்கியம். ஆனால், எதிரொளி, மோசமான வெளிச்சம், மறைக்கப்பட்ட பார்வை ஆகியவை அந்தத் தகவலின் தரத்தைப் பாதிக்கலாம். ரேடார் (Radar) ரேடியோ அலைகளை அனுப்பி, திரும்பிவரும் அலைகளிலிருந்து பொருளின் தூரத்தையும் சார்பு வேகத்தையும் அளக்க உதவுகிறது. முன்னால் செல்லும் வாகனம் நம்மை ஒப்பிடும்போது நெருங்குகிறதா, விலகுகிறதா என்பதை அறிய இது பயன்படும். இருட்டிலும் சில மோசமான வானிலைச் சூழல்களிலும் இதற்குக் கூடுதல் பலம் உண்டு. இருப்பினும், ரேடார் ஒலியைக் கேட்கும் கருவி அல்ல.
பார்க்கிங் செய்யும்போது பயன்படும் மீயொலி உணரிகள் (Ultrasonic Sensors), மனிதக் காதுகளுக்குக் கேட்காத ஒலியை அனுப்பி அதன் எதிரொலியைப் பெறுகின்றன. அருகிலுள்ள தடையின் தூரத்தை மதிப்பிட இதுவே அடிப்படை. ஆக, தலைப்பிலுள்ள ‘கண்களும் காதுகளும்’ வெவ்வேறு அளவீட்டுத் திறன்களுக்கான ஒப்புமைகள். வாகனத்தின் அனைத்துப் பக்கங்களையும் கவனிக்க, சென்சார்கள் வெவ்வேறு இடங்களில் பொருத்தப்படுகின்றன. இத்தகைய உணரிகள் ஓட்டுநர் உதவி அமைப்புகளிலும் பயன்படுகின்றன; அவை இருப்பது மட்டுமே காரை முழுத் தானியங்கி வாகனமாக மாற்றாது.
சென்சாரின் திறனை அதன் தூர அளவால் மட்டும் மதிப்பிட முடியாது. அது எந்தக் கோணத்தில், எவ்வளவு பரப்பைப் பார்க்கிறது என்பதும் முக்கியம். இதைப் பார்வைப் பரப்பு (Field of View) என்கிறார்கள். வீட்டுவாசலில் பொருத்தும் கண்காணிப்புக் கேமராவை நினைத்துப்பாருங்கள். தெருமுனை தெளிவாகத் தெரிந்தாலும், வாசலுக்கு மிக அருகிலுள்ள ஓர் இடம் அதன் காட்சிக்கு வெளியே இருக்கலாம். வாகனத்திலும் பொருத்தப்படும் உயரம், கோணம், உடல் வடிவம் ஆகியவை கவனிக்கப்படுகின்றன.
Waymo தனது சென்சார் வடிவமைப்பு விளக்கத்தில், கருவிகள் ஒன்றையொன்று மறைக்காமல் அமைப்பது முக்கியம் எனக் குறிப்பிடுகிறது. ஒன்றுக்கு மேற்பட்ட சென்சார்களின் பார்வைப் பரப்புகள் ஒன்றோடொன்று கூடும் வகையிலும் வடிவமைக்கலாம். காருக்கான அமைப்பை உயரமான பேருந்தில் அப்படியே பொருத்துவது போதுமானதா என்பதும் சோதிக்கப்பட வேண்டும். நிறுத்தத்தின் அருகே நிற்கும் பயணி, பக்கவாட்டில் வரும் இருசக்கர வாகனம் போன்ற காட்சிகளும் அந்தச் சோதனையில் இடம்பெற வேண்டும். அகலமான பார்வைப் பரப்பும், தொலைவிலுள்ள சிறிய பொருளின் விவரங்களை அறியும் திறனும் வெவ்வேறு தேவைகள்; இரண்டையும் சோதிக்க வேண்டும்.
லைடார் (Light Detection and Ranging—Lidar) என்பது ஒளியின் உதவியால் பொருட்களையும் அவற்றின் தூரத்தையும் அளக்கும் தொழில்நுட்பம். பரவலாகப் பயன்படுத்தப்படும் ஒரு முறையில், குறுகிய லேசர் ஒளித்துடிப்புகள் அனுப்பப்படுகின்றன. அவை பொருட்களில் பட்டுத் திரும்பிவர எடுத்துக்கொள்ளும் நேரத்திலிருந்து தூரம் கணக்கிடப்படுகிறது.
பல திசைகளில் கிடைக்கும் அளவீடுகள், சுற்றுப்புறத்தின் முப்பரிமாணப் புள்ளித்தொகுப்பை (Point Cloud) உருவாக்குகின்றன. சாலையோரத் தடுப்பு, வாகனத்தின் உடல், மரத்தின் கிளைகள் ஆகியவற்றின் வடிவத்தைப் புரிந்துகொள்ள இந்தப் புள்ளிகள் உதவும். சாதாரணப் புகைப்படத்தில் தெரியும் நிறத்திற்கு மாறாக, இங்கே பொருட்களின் இடமும் உருவமும் முக்கியம். ஆனால், புள்ளிகளுக்கு ‘குழந்தை’, ‘சைக்கிள்’ என்று பெயர் எழுதப்பட்டிருக்காது. அவற்றைப் பொருளுடன் இணைத்துப் புரிந்துகொள்ள மென்பொருள் தேவை.
கடைவாசலில் நிற்கும் மனித உருவப் பொம்மையை கார் பாதசாரியாக நினைத்துவிட்டால்? நம்மூர் ஜவுளிக்கடை வாசலில் இருக்கும் பொம்மைகளை நினைத்தால், இந்தச் சவால் புரியும். அமெரிக்காவின் லாஸ் ஏஞ்சலஸ் நகரிலுள்ள Fashion District பகுதியில், கடைகளுக்கு வெளியே நிறுத்தப்பட்டுள்ள பொம்மைகள் இத்தகைய அடையாளம் காணும் சவாலை உருவாக்குவதாக Waymo தனது 2020 வரைபட விளக்கத்தில் குறிப்பிட்டுள்ளது. இந்தச் சூழல்களைப் பதிவு செய்வது, அதன் அமைப்பைப் பயிற்றுவிக்கவும் மதிப்பிடவும் உதவுகிறது எனவும் நிறுவனம் கூறுகிறது.
மனித உருவம் இருப்பதால் மட்டுமே அது மனிதர் என்று முடிவுசெய்ய முடியாது; அசையாமல் நிற்கும் மனிதரைப் பொம்மையாகவும் கருதக்கூடாது. சுற்றுப்புறச் சூழலும் முக்கியம். தன் ஒளியை அனுப்புவதால் இருட்டிலும் தூரத்தை அளக்க முடிவது லைடாரின் பலம். எனினும், கனமழையும் அடர்ந்த மூடுபனியும் அதன் செயல்திறனைப் பாதிக்கலாம் என்று Texas Instruments தொழில்நுட்ப விளக்கம் குறிப்பிடுகிறது. பொருட்களின் மேற்பரப்பும் அளவீட்டில் தாக்கம் ஏற்படுத்தலாம். பேருந்துக்குப் பின்னால் முழுவதுமாக மறைந்திருக்கும் குழந்தையை நேரடியாகப் பார்க்கும் மந்திரக் கண் லைடாருக்கு இல்லை. பார்வை மறைவுகள் தொடர்ந்து கவனிக்கப்பட வேண்டிய சவால்.
ஒரு சைக்கிளை கேமரா வடிவத்தின் அடிப்படையில் அடையாளம் காண முயலலாம். ரேடார் அதன் சார்பு வேகத்தைப் பற்றிய தகவலை வழங்கலாம். லைடார் அதன் இடத்தையும் உருவத்தையும் அளக்க உதவலாம். இவை ஒரே சைக்கிளைப் பற்றிய தகவல்கள்தானா என்பதை இணைத்துப் புரிந்துகொள்ளும் செயல்முறையே உணரித் தகவல் ஒருங்கிணைப்பு (Sensor Fusion).
மருத்துவர் பல பரிசோதனை முடிவுகளை இணைத்துப் புரிந்துகொள்வதுபோல், சென்சார் தகவல்களையும் ஒருங்கிணைப்பது நம்பகத்தன்மையை மேம்படுத்த உதவுகிறது என Bosch விளக்குகிறது. கடையின் கண்ணாடியில் பிரதிபலிக்கும் சாலை அடையாளத்தைக் கேமரா கண்டால், அது உண்மையில் சாலையோரத்தில் இருக்கிறதா என்பதை லைடார் தகவல் தெளிவுபடுத்த உதவலாம். Waymo தனது தொழில்நுட்ப விளக்கத்தில் இதை உதாரணமாகக் குறிப்பிடுகிறது. பிரதிபலிப்பையும் உண்மையான பொருளையும் வேறுபடுத்துவதில், பல சென்சார்களின் கூட்டுப் பார்வை பயன்படுகிறது.
ஒரு புகைப்படத்தில் சைக்கிள் தெரிந்துவிட்டால், அதன் கதையெல்லாம் தெரிந்துவிடுமா? அது நின்றிருக்கிறதா, காரை நோக்கி நகர்கிறதா, பக்கவாட்டில் செல்கிறதா என்பதை அறிய தொடர்ச்சியான தகவல்கள் தேவை. பொருளை ஒரு கணத்தில் கண்டறிவது வேறு; அடுத்தடுத்த பதிவுகளிலும் அதே பொருளைத் தொடர்ந்து அடையாளம் காண்பது வேறு. இதுதான் பொருள் கண்காணிப்பு (Object Tracking).
ஒரு கற்பனைச் சந்திப்பில் இரண்டு சைக்கிள்கள் அருகருகே செல்வதாக நினைத்துக்கொள்ளுங்கள். அவை ஒன்றையொன்று கடக்கும்போது, எந்தப் பதிவு எந்தச் சைக்கிளுக்குச் சொந்தம் என்பதை மென்பொருள் பொருத்த வேண்டும். ஒரே மாதிரியான இரண்டு சைக்கிள்களின் பதிவுகள் குழம்பாமல் இருக்க, அவற்றின் இடம், தோற்றம், இயக்கம் ஆகியவை ஒப்பிடப்படுகின்றன.
புதிய அளவீடுகள் வரும்போதெல்லாம் கணிப்பு புதுப்பிக்கப்படுகிறது. கூட்டத்தில் ஒரு பொருள் தற்காலிகமாக மறைந்தால், அதன் முந்தைய இயக்கத்திலிருந்து இருப்பிடத்தை மதிப்பிடலாம்; அது தற்போதைய நேரடி பார்வைக்கு இணையான உறுதி அல்ல. மீண்டும் தெரிந்ததும் தகவலைச் சரிபார்க்க வேண்டும். ஆக, காரின் சுற்றுப்புறப் புரிதல் ஒரு நொடியில் எடுத்த படத்துடன் நிற்பதில்லை; மாறிக்கொண்டிருக்கும் காட்சியுடன் தொடர்ந்து புதுப்பிக்கப்படுகிறது. கேமரா, ரேடார் அளவீடுகள் முரண்பட்டால், அவற்றின் நம்பகத்தன்மை, பொருத்தப்பட்ட கோணம், பதிவான நேரம் ஆகியவற்றைச் சரிபார்க்க வேண்டும். நேர வேறுபாடுகளைத் தவறாக இணைப்பதும் பிழையை ஏற்படுத்தலாம்.
‘நிச்சயமாகத் தெரிகிறது’ என்பதுடன் ‘இன்னும் தெளிவில்லை’ என்பதையும் கணக்கிடுவது முக்கியம். ஒரு சென்சாரின் குறையை மற்றொன்று ஓரளவு ஈடுசெய்யலாம்; எல்லாக் குறைகளும் தானாக மறைந்துவிடாது. அடர்ந்த மூடுபனி கேமராவையும் லைடாரையும் ஒரே நேரத்தில் பாதிக்கலாம். அதனால், ஒருங்கிணைந்த தகவலிலும் தெளிவின்மை இருக்கலாம். இங்கே ‘மூளை’ என்பது இத்தகைய தகவல்களைப் பொருளுள்ள சுற்றுப்புறக் காட்சியாக மாற்றும் கணக்கீட்டிற்கான ஒப்புமை.
கேமரா, ரேடார், லைடார் உள்ளிட்ட உணரிகளின் தகவல்களை ஒருங்கிணைத்து, வாகனத்தின் கணினி (AI Computer/ECU) சுற்றுப்புறத்தைப் புரிந்துகொள்ள உதவுகிறது. அதன் அடிப்படையில் எடுக்கப்படும் இயக்க முடிவுகளை, மின்னணுக் கட்டுப்பாட்டு அமைப்புகள் (Drive-by-Wire) ஸ்டீயரிங், வேகக் கட்டுப்பாடு, பிரேக் ஆகியவற்றுக்கான செயல்களாக மாற்றுகின்றன. இவற்றுக்குத் தேவையான மின்சாரத்தையும் துணை அமைப்புகள் வழங்குகின்றன.
அருகில் என்ன இருக்கிறது என்பதை அறிந்தாலும், சாலையில் தன் இடத்தை வாகனம் அறிய வேண்டும். எந்தத் தடத்தில் இருக்கிறது? எந்தத் திசையை நோக்கியுள்ளது? இதுதான் இருப்பிட அறிதல் (Localisation). செயற்கைக்கோள் வழிகாட்டி அமைப்பு (Global Navigation Satellite System—GNSS) இருப்பிடத் தகவலை வழங்குகிறது. ஆனால், கட்டடங்கள், பாலங்கள், சுரங்கங்கள் போன்றவை சிக்னலை மறைக்கலாம்; கட்டடங்களில் பிரதிபலிக்கும் சிக்னல்களும் கணிப்பைப் பாதிக்கலாம் என்று GPS.gov விளக்குகிறது. ஆகவே, செயற்கைக்கோள் தகவலுடன் பிற அளவீடுகளையும் இணைக்க வேண்டியுள்ளது.
இயக்கத்தை அளக்கும் கருவி (Inertial Measurement Unit—IMU), வேகமாற்றத்தையும் திரும்பும் இயக்கத்தையும் உணர்கிறது. சக்கரங்களின் சுழற்சித் தகவலும் உதவுகிறது. கேமரா அல்லது லைடார் பதிவு செய்யும் சுற்றுப்புற அடையாளங்களை வரைபடத்துடன் ஒப்பிட்டு இருப்பிடத்தைக் கணிக்கலாம். Bosch தனது இருப்பிட அறிதல் அணுகுமுறையில் செயற்கைக்கோள், இயக்க உணரிகள், சுற்றுப்புற உணரிகள் ஆகியவற்றை இணைப்பதாக விளக்குகிறது.
உயர்துல்லிய வரைபடங்களில் (High-Definition Maps), தடங்களின் அமைப்பு, சாலையோர எல்லைகள் போன்ற நுணுக்கமான தகவல்கள் இடம்பெறலாம். Waymo, தனது விரிவான வரைபடங்களை நிகழ்நேரச் சென்சார் தகவலுடன் ஒப்பிட்டு இருப்பிடத்தை அறிகிறது. வரைபடம் மாறிவிட்ட சாலைத் தடுப்பையோ புதிய சாலைப்பணியையோ உடனே பிரதிபலிக்கும் என்று கருதக்கூடாது; தற்போதைய காட்சியும் முக்கியம்.
அப்படியென்றால், இந்த உயர்துல்லிய வரைபடத்தை உருவாக்குவது யார்? நாம் கைப்பேசியில் ஒரு உணவகத்தைத் தேடுவதற்குப் பயன்படும் வரைபடமும், வாகனம் தனது இடத்தை அறியப் பயன்படுத்தும் விரிவான வரைபடமும் ஒரே தேவைக்காக உருவாக்கப்படுவதில்லை. Waymo தனது 2020 விளக்கத்தில், சென்சார்கள் பொருத்தப்பட்ட வாகனங்களைச் சாலைகளில் இயக்கி முதலில் தகவல் சேகரிப்பதாகக் கூறுகிறது. லைடார் அளவீடுகள் சுற்றுப்புறத்தின் முப்பரிமாணப் பதிவை உருவாக்க உதவுகின்றன. பின்னர் சாலைத் தடங்கள், சிக்னல்கள், வேக வரம்புகள் போன்ற தகவல்கள் சேர்க்கப்பட்டு, வரைபடம் சோதிக்கப்பட்டு சரிபார்க்கப்படுகிறது.
நிறுத்தப்பட்ட காரைவிட, சாலையோர எல்லை போன்ற நிலையான அடையாளங்கள் இருப்பிடத்தை அறிய உதவலாம். தெருவின் பெயரைவிட, அதன் தட அமைப்பும் முக்கியம். சென்னையில் ஒரு கற்பனைச் சந்திப்பை எடுத்துக்கொள்வோம். ஒரே சாலையில் நேராகச் செல்லும் தடமும் திரும்பும் தடமும் இருக்கலாம். ‘இந்தச் சாலையில் இருக்கிறேன்’ என்பதற்கும் ‘இந்தத் தடத்தில் இருக்கிறேன்’ என்பதற்கும் உள்ள வேறுபாடு அப்போது புரியும். உயர்துல்லிய வரைபடம் என்பது அத்தகைய நுணுக்கங்களைப் புரிந்துகொள்ள உதவும் அடிப்படைத் தகவல். சுற்றுப்புற வரைபடத்தை உருவாக்கிக்கொண்டே அதில் தன் இருப்பிடத்தையும் கணிக்கும் முறை SLAM (Simultaneous Localisation and Mapping). தொடர்ச்சியான இயக்கக் கணிப்பில் பிழைகள் பெரிதாகலாம். ஏற்கெனவே பார்த்த இடத்தை மீண்டும் அடையாளம் காண்பது அவற்றைச் சரிசெய்ய உதவும். இருப்பிடக் கணிப்பின் நம்பகத்தன்மையும் முக்கியம்.
Waymo வாகனங்கள் வெளிப்புற மைக்ரோஃபோன்களால் அவசர வாகனச் சைரனை உணர்கின்றன; இவ்வசதி எல்லாக் கார்களிலும் இல்லை.
பெரிய சுழலும் அலகில்லாத Solid-State லைடார் வகைகளும் உள்ளன.
ISRO உருவாக்கிய NavIC, இந்தியாவின் பிராந்தியச் செயற்கைக்கோள் வழிகாட்டி அமைப்பு.
சென்சார்களின் எண்ணிக்கையைவிட, இந்தியச் சாலைகளில் அவற்றின் செயல்திறனே முக்கியம். பேருந்தின் பார்வை மறைவுகள், மக்கள் கூட்டம், இருசக்கர வாகனங்கள், மழை போன்ற சூழல்களில் சோதித்த முடிவுகளைக் கொண்டு தொழில்நுட்பத்தைத் தேர்ந்தெடுக்க வேண்டும். செயல்பாட்டுக் குறைகளை அறிந்து எச்சரிக்கும் திறனையும் மதிப்பிட வேண்டும்.
சென்சார்களின் இடம், பயன்பாடு, வரம்புகளை வாகனக் கையேட்டில் அறியுங்கள்.
சென்சார் பகுதிகளை அழுக்கு அல்லது ஸ்டிக்கர் மறைக்காமல், உற்பத்தியாளர் வழிமுறையின்படி சுத்தமாக வைத்திருங்கள்.
முன்கண்ணாடி அல்லது பம்பர் மாற்றியதும், சென்சார் அளவுத்திருத்தம் தேவையா என அங்கீகரிக்கப்பட்ட சேவை மையத்தில் கேளுங்கள்.
சென்சார் தடை எச்சரிக்கையை அலட்சியப்படுத்தாதீர்கள்; கையேட்டில் கூறிய நடவடிக்கையைப் பின்பற்றுங்கள்.
வரைபடத்தை மட்டும் நம்பாதீர்கள்; சாலைத் தடத்தையும் தற்போதைய நிலைமையையும் கவனியுங்கள்.
ஒவ்வொரு சென்சாரும் வெவ்வேறு தகவலை வழங்குகிறது; அதற்கென வரம்புகளும் உண்டு.
தகவல்களை இணைக்கும்போது, முரண்பாடுகளையும் தெளிவின்மையையும் கணக்கில் கொள்ள வேண்டும்.
சுற்றுப்புறத்தை உணர்வதும், தன் இருப்பிடத்தை அறிவதும் வாகனத்திற்கான தனித்த பணிகள்.
தன்னாட்சி வாகனத்தின் உண்மையான அறிவு, சாலையில் இருப்பவற்றைப் பார்ப்பதில் மட்டும் இல்லை; அவற்றைச் சரியாகப் புரிந்துகொண்டு, தனது திறனின் வரம்புகளையும் அறிந்து, பாதுகாப்பான இயக்கத்திற்கான முடிவுகளை எடுப்பதில்தான் இருக்கிறது.
சாலையைக் கடக்கும் முதியவரும் சக்கர நாற்காலிப் பயணியும் வாகனத்தின் பார்வையில் இடம்பெற வேண்டும். வேகமாக நகரும் உலகில், மெதுவாக நகரும் மனிதரின் பாதுகாப்பையும் கவனத்தில் கொள்வதே நாம் எதிர்பார்க்கும் முன்னேற்றம்.
பேருந்தின் ஓரத்தில் எட்டிப்பார்த்த குழந்தை, கேமராவுக்கு உருவமாகவும் லைடாருக்குப் புள்ளிகளாகவும் தெரியலாம். அதைச் சரியாகப் புரிந்துகொள்வது பாதுகாப்பிற்கான முதல்படி. கார் வாங்கும்போது, சென்சார்களின் திறனுடன் அவற்றின் வரம்புகளையும் கேளுங்கள். ஒரு குழந்தை பாதுகாப்பாகக் கடக்கும் சாலையே, வாகனத்தின் அறிவுக்கான உண்மையான மதிப்பெண்!
— முனைவர். வளவன். அமுதன்
பொதுப் போக்குவரத்து | ஆட்டோமொபைல் | மொபிலிட்டி | மின்சார வாகனங்கள் | சாலைப் பாதுகாப்பு
நிபுணர்
Bosch Mobility — சென்சார்கள், தகவல் ஒருங்கிணைப்பு, இருப்பிட அறிதல்.
Waymo — வாகன உணரிகள், வரைபடங்கள், சைரன் உணர்தல்.
Texas Instruments — லைடார் செயல்முறை, வகைகள், வானிலை வரம்புகள்.
GPS.gov — GPS துல்லியம் மற்றும் சிக்னல் தடைகள்.
ISRO — NavIC செயற்கைக்கோள் வழிகாட்டி அமைப்பு.
MathWorks — SLAM மற்றும் சென்சார் தகவல் ஒருங்கிணைப்பு.
Ford — சென்சார் பராமரிப்பு மற்றும் அளவுத்திருத்த வழிமுறைகள்.
"சாலையைப் பார்க்கும் கார், ஓட்டக் கற்றுக்கொள்வது எப்படி? மனிதர்கள் ஓட்டுவதைப் பார்த்தால் மட்டும் போதுமா? காரின் செயற்கை நுண்ணறிவுக்கான பயிற்சியையும் பாதுகாப்புச் சோதனைகளையும் அடுத்த வாரம் பார்ப்போம்!"