ယာဉ်ကြောပိတ်ဆို့မှုတွေကို ဖြေရှင်းပေးမယ့် AI စနစ်အသစ်အကြောင်း

News Tech

အဆိုပါ စနစ်ဟာ အမှားများမှ သင်ယူဖို့ နက်နဲတဲ့ အားဖြည့်သင်ကြားမှုကို အသုံးပြုတယ်ဟု သိရပါတယ်။

ယခုအခါ Aston University မှ သုတေသီများဟာ မီးပွိုင့်များတွင် ရှည်လျားစွာ တန်းစီနေသော ကားများအတွက် ဖြေရှင်းဖို့ ဉာဏ်ရည်တု (AI) စနစ်သစ်ကို တီထွင်နိုင်ခဲ့လိုက်ပြီ ဖြစ်ကြောင်း သိရပါတယ်။

ဥာဏ်ရည်တုအတွက် နက်နဲတဲ့ အားဖြည့်သင်ကြားမှု

အဆိုပါ စနစ်သစ်ဟာဆိုရင် နက်နဲတဲ့ အားဖြည့်သင်ကြားမှုကို အသုံးပြုထားတဲ့ အတွက်ကြောင့် အလွန်ထိရောက်ပါတယ်။

ဆိုလိုတာက ၎င်းစနစ်ဟာ လုပ်ငန်းစဉ်များကို အမှန်တကယ် ကောင်းစွာ လုပ်ဆောင်နိုင်သည့်အပြင် လိုက်လျောညီထွေဖြစ်ပြီး တိုးတက်မှုရှိလာတဲ့အခါမှာလည်း ဆက်လက်တိုးတက်နေမှာ ဖြစ်ပါတယ်။

Aston တက္ကသိုလ်မှ ကွန်ပျူတာသိပ္ပံဆိုင်ရာ ဒေါက်တာ Maria Chli က “ကျွန်တော်တို့ ဒီစနစ်ကို အသွားအလာ ထိန်းချုပ်တဲ့ ဂိမ်းတစ်ခုအနေနဲ့ ဖန်တီးထားပါတယ်။

လမ်းဆုံတစ်ခုမှ ကားတစ်စီး နေရာရသောအခါ အစီအစဥ်အရ ဥာဏ်ရည်တုကို ‘ဆု’ ရရှိစေပါတယ်။

ကားတစ်စီး စောင့်ရသည့်အခါတိုင်း သို့မဟုတ် ယာဉ်ကြော ပိတ်ဆို့မှုရှိသည့် အခါတိုင်း၊ အနုတ်လက္ခဏာ ဆုလာဘ် တစ်ခုရှိပါတယ်။ ဒါ့အပြင် ဆုပေးစနစ်ကိုလည်း ရိုးရှင်းစွာ ထိန်းချုပ်ထားတယ်” ဟု ဆိုပါတယ်။

စနစ်သစ်ဟာ အသွားအလာများကို ကိုင်တွယ် ဖြေရှင်းရာတွင် အခြားသော သမားရိုးကျ နည်းလမ်း အားလုံးထက် သိသိသာသာ စွမ်းဆောင်နိုင်ခဲ့ကြောင်း သုတေသီများက မှတ်ချက်ပြုခဲ့ကြပါတယ်။

၎င်းကို Traffic 3D ဟုခေါ်သော ခေတ်မီပြီး လက်တွေ့ကျသော ယာဉ်ကြောအသွားအလာ simulator ပေါ်တွင် သေချာ လေ့ကျင့်ထားတဲ့ အတွက်ကြောင့် ဖြစ်ပါတယ်။

လက်တွေ့ကမ္ဘာ့ ယာဉ်ကြောများနှင့်လည်း လိုက်လျောညီထွေ ဖြစ်စေတဲ့အကြောင်း

အဆိုပါ စနစ်သစ်ကို simulator မှာဆိုရင် မတူညီတဲ့ ယာဉ်ကြော အသွားအလာနှင့် ရာသီဥတုအခြေအနေများကို ကိုင်တွယ်ဖို့ လေ့ကျင့်ထားပြီးဖြစ်တဲ့အတွက်ကြောင့် တကယ့် ယာဉ်ကြောလမ်းဆုံများတွင် လျင်မြန်စွာ လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်နိုင်သည့်အပြင် လက်တွေ့ကမ္ဘာအပြင်အဆင်များစွာမှာလည်း ထိရောက်မှုရှိစေပါတယ်။

ထိရောက်မှုမရှိတဲ့ ယာဉ်ကြောအချက်ပြ ထိန်းချုပ်မှုတွေဟာ မြို့ပြ လမ်းကွန်ရက်များတွင် ပိတ်ဆို့မှုဖြစ်စေတဲ့ အဓိက အ ကြောင်းရင်းတစ်ခုဖြစ်ပါတယ်။

ပြောင်းလဲနေတဲ့ ယာဉ်အသွားအလာ အခြေအနေများနှင့် တိုက်ရိုက်အသွားအလာ အခြေအနေ ခန့်မှန်းချက်တို့ဟာ အချိန်နှင့်တပြေးညီ သီးခြားအချက်ပြထိန်းချုပ်မှုတွေ ရှိပြီးသား အချက်ပြအခြေခံအဆောက်အအုံများရဲ့ အခြေခံစိန်ခေါ်မှုများဖြစ်ပါတယ်။

ဒီလိုစိန်ခေါ်မှုများကိုဖြေရှင်းဖို့ နက်နဲတဲ့ အားဖြည့်သင်ကြားမှု (DRL) ကို အသုံးပြုထားတာပဲ ဖြစ်ပါတယ်။

သုတေသီတွေအနေနဲ့ သရုပ်ဖော်ပုံနှင့် လက်တွေ့ကမ္ဘာပတ်ဝန်းကျင်တွင် မတူညီသော ယာဉ်ကြောအသွားအလာအခြေအနေများအောက်တွင် ယေဘူယျလုပ်ဆောင်နိုင်စွမ်းကိုလည်း စစ်ဆေးထားပါတယ်။

လေ့ကျင့်ရေး အချက်အလက် မပါဘဲ မတူကွဲပြားတဲ့ တရားဝင် အတည်ပြုချက်တွေမှာဆိုရင် ယာဉ်ကြော ထိန်းချုပ်ရေး စ နစ်က ဆန်းသစ်တဲ့ ယာဉ်ကြောပိတ်ဆို့မှုအခြေအနေများနှင့် လိုက်လျောညီထွေ ဖြစ်အောင် ပုံဖော်ထားပြီး ယခင်က မမြင်ရတဲ့ တကယ့် လမ်းဆုံများဆီသို့ လွှဲပြောင်းမှုကို သရုပ်ပြနိုင်ခဲ့တာကိုတွေ့ရပါတယ်။

“လေ့လာသင်ယူထားတဲ့ အမူအကျင့်တွေနဲ့ ဒီပရိုဂရမ်ကို အခြေခံထားရတဲ့ အကြောင်းရင်းက အရင်က မကြုံဖူးတဲ့ အခြေ အနေတွေကို နားလည်နိုင်စေဖို့ပါ။”

“မီးပွိုင့်ဖြတ်ခြင်းထက် ယာဉ်ကြောပိတ်ဆို့မှုကိုဖြစ်စေတဲ့ ရုပ်ပိုင်းဆိုင်ရာအတားအဆီးတစ်ခုနဲ့စမ်းသပ်ခဲ့ရာမှာတော့ စနစ်က ကောင်းမွန်နေဆဲ ဖြစ်ပါတယ်။”

“ဒါဟာ အလွန်အစွမ်းထက်တဲ့ စနစ်တစ်ခုဖြစ်တယ် ” ဟု Aston တက္ကသိုလ်မှ ကွန်ပျူတာသိပ္ပံ အကြီးတန်း ကထိက ဒေါက် တာ George Vogiatzi က နိဂုံးချုပ်ပြောကြားခဲ့ပါတယ်။

ရေးသားသူ – Kaung Htet (Knowledgeworms team)

Knowledgeworms Copyright © 2022 ကူးယူ ဖော်ပြခြင်း လုံးဝ ခွင့်မပြုပါ။

Content Protection by DMCA.com

Leave a Reply

Your email address will not be published. Required fields are marked *