Разработка планировщика движения для автономных транспортных средств — это одна из самых амбициозных и комплексных задач на пересечении современных технологий. В нашей работе мы применяем передовые методы машинного обучения и анализируем большие объёмы данных. Каждый день мы сталкиваемся с множеством сложнейших технических вызовов самого разного характера: от организации эффективного сбора данных до оптимизации инференса моделей и снижения нагрузки на CPU.

Расскажу, как мы создаем ML-планировщик:
1) Почему вообще хотим заменить алгоритмическое решение на решение на базе трансформеров
2) Как собираем данные с помощью джойстиков и как очищаем их для обучения
3) Как запускаем модель на ограниченных бортовых ресурсах робота
4) Что мы видим в closed-loop симуляторе, а что в нем не можем увидеть
5) Как это уже работает на реальном роботе, и что планируем дальше.