Žmonės gali būti viena didžiausių kliūčių, neleidžiančių visiškai autonominėms transporto priemonėms patekti į miesto gatves.
Jei robotas ketina saugiai vairuoti transporto priemonę Bostono centre ji turi sugebėti nuspėti, ką toliau veiks netoliese esantys vairuotojai, dviratininkai ir pėstieji.
Tačiau elgesio numatymas yra sudėtinga problema, o dabartiniai dirbtinio intelekto sprendimai yra arba per daug supaprastinta (gali manyti, kad pėstieji visada eina tiesia linija), per konservatyvus (norėdamas išvengti pėsčiųjų, robotas tiesiog palieka automobilį aikštelėje) arba gali numatyti tik vieno agento tolesnius veiksmus (keliais paprastai važiuoja daug naudotojų kartą.)
MIT mokslininkai sukūrė apgaulingai paprastą šio sudėtingo iššūkio sprendimą. Jie suskaido kelių agentų elgesio numatymo problemą į mažesnes dalis ir sprendžia kiekvieną atskirai, todėl kompiuteris gali išspręsti šią sudėtingą užduotį realiuoju laiku.
Jų elgesio numatymo sistema pirmiausia atspėja ryšį tarp du eismo dalyviai – kuris automobilis, dviratininkas ar pėsčiasis turi pirmumo teisę ir kuris agentas nusileis – ir naudoja šiuos ryšius, kad prognozuotų būsimas kelių eismo dalyvių trajektorijas.
Šios apskaičiuotos trajektorijos buvo tikslesni nei kiti mašininio mokymosi modeliai, palyginti su realiu eismo srautu didžiuliame duomenų rinkinyje, kurį sudarė autonominio vairavimo įmonė Waymo. MIT technika netgi pranoko neseniai paskelbtą Waymo modelį. Ir kadangi mokslininkai problemą suskaidė į paprastesnes dalis, jų technika naudojo mažiau atminties.
„Tai labai intuityvi idėja, bet niekas jos iki galo neištyrė ir ji veikia gana gerai. . Paprastumas tikrai yra pliusas. Mes lyginame savo modelį su kitais naujausiais šios srities modeliais, įskaitant Waymo, pirmaujančios šios srities įmonės, ir mūsų modelis pasiekia aukščiausią našumą šiuo sudėtingu etalonu. Tai turi daug potencialo ateičiai“, – sako vienas iš pirmaujančių autorių Xin „Cyrus“ Huang, Aeronautikos ir astronautikos katedros magistrantas ir Briano Williamso laboratorijos mokslinis asistentas, aeronautikos ir astronautikos profesorius ir Kompiuterių mokslo ir dirbtinio intelekto laboratorijos (CSAIL) narys.
Straipsnyje kartu su Huangu ir Williamsu yra trys mokslininkai iš Kinijos Tsinghua universiteto: vienas iš pagrindinių autorių Qiao Sun, mokslinių tyrimų asistentas. ; Junru Gu, magistrantas; ir vyresnysis autorius Hang Zhao PhD , docentas. Tyrimas bus pristatytas Kompiuterinės vizijos ir modelių atpažinimo konferencijoje.
Kelių mažų modeliai
Tyrėjų mašininio mokymosi metodas, vadinamas M2I, apima du įvesties duomenis: praeities automobilių, dviratininkų ir pėsčiųjų trajektorijos, sąveikaujančios eismo aplinkoje, pvz., keturių krypčių sankryžoje, ir žemėlapis su gatvių vietomis, juostų konfigūracija ir pan.
Naudojant šią informaciją, santykio numatytojas daro išvadą, kuris iš dviejų agentų turi pirmumo teisę pirmas, vieną priskiriant prie praeitojo, o kitą kaip duodančiojo. Tada numatymo modelis, žinomas kaip ribinis prognozuotojas, atspėja praeinančio agento trajektoriją, nes šis agentas elgiasi nepriklausomai.
Antrasis prognozavimo modelis, žinomas kaip sąlyginis prognozuotojas, atspėja, ką pasiduodantis agentas darys remdamasis praeinančio agento veiksmais. Sistema numato daugybę skirtingų trajektorijų duodančiajam ir praeiviui, apskaičiuoja kiekvieno iš jų tikimybę ir tada parenka šešis bendrus rezultatus, kurių tikimybė įvyks didžiausia.
M2I išveda a prognozės, kaip šie agentai judės eisme kitas aštuonias sekundes. Viename pavyzdyje jų metodas privertė transporto priemonę sulėtinti greitį, kad pėstysis galėtų kirsti gatvę, o tada pagreitinti, kai išvalė sankryžą. Kitame pavyzdyje transporto priemonė palaukė, kol pravažiuos keli automobiliai, o po to pasuko iš šoninės gatvės į judrią pagrindinį kelią.
Nors šiame pradiniame tyrime daugiausia dėmesio skiriama dviejų agentų sąveikai, M2I galėjo daryti išvadą ryšius tarp daugelio agentų ir tada atspėkite jų trajektorijas, susiedami kelis ribinius ir sąlyginius prognozuotojus.
Šie modeliavimas parodo, kaip mokslininkų sukurta sistema gali numatyti būsimas mėlynų transporto priemonių trajektorijas (rodomas raudonomis linijomis) sudėtingose eismo situacijose, kuriose dalyvauja kiti automobiliai, dviratininkai ir pėstieji. Realaus pasaulio dsuvarymo testai
Tyrėjai apmokė modelius naudodami „Waymo Open Motion Dataset“, kuriame yra milijonai realių eismo scenų, kuriose dalyvauja transporto priemonės, pėstieji ir dviratininkai, užfiksuoti lidar (šviesos aptikimo ir nuotolio) jutikliai ir kameros, sumontuotos ant įmonės autonominių automobilių. Jie ypač sutelkė dėmesį į atvejus, kai buvo naudojami keli agentai.
Siekdami nustatyti tikslumą, jie palygino kiekvieno metodo šešis numatymo pavyzdžius, įvertintus jų patikimumo lygiais, su tikromis trajektorijomis, kuriomis važiuoja automobiliai, dviratininkai ir pėstieji įvykio vietoje. Jų metodas buvo tiksliausias. Jis taip pat pranoko bazinius modelius pagal metriką, vadinamą persidengimo rodikliu; jei dvi trajektorijos persidengia, tai rodo susidūrimą. M2I sutapimo rodiklis buvo mažiausias.
„Užuot tik sukūrę sudėtingesnį modelį, kad išspręstume šią problemą, pasirinkome požiūrį, panašesnį į žmogaus mąstymą, kai samprotauja apie sąveiką su kiti. Žmogus nesuvokia visų šimtų būsimų elgesio derinių. Mes priimame sprendimus gana greitai“, – sako Huangas.
Kitas M2I pranašumas yra tas, kad vartotojas gali lengviau suprasti modelio sprendimų priėmimą, nes jis suskaido problemą į smulkesnes dalis. . Ilgainiui tai gali padėti naudotojams labiau pasitikėti autonominėmis transporto priemonėmis, sako Huangas.
Tačiau sistemoje negalima atsižvelgti į atvejus, kai du agentai daro vienas kitam įtaką, pvz., kai dvi transporto priemonės stumteli į priekį sustodamos keturiomis kryptimis, nes vairuotojai nėra tikri, kas turėtų nusileisti.
Jie planuoja išspręsti šį apribojimą ateityje. Jie taip pat nori naudoti savo metodą, kad imituotų realią eismo dalyvių sąveiką, kurią būtų galima naudoti savarankiškai važiuojančių automobilių planavimo algoritmams patikrinti arba sukurti didžiulius kiekius sintetinių vairavimo duomenų, kad pagerintų modelio veikimą.
„Kelių, sąveikaujančių agentų ateities trajektorijų numatymas yra nepakankamai ištirtas ir labai sudėtingas, norint sudaryti visišką savarankiškumą sudėtingose scenose. M2I yra labai perspektyvus prognozavimo metodas su santykio numatytoju, skirtu atskirti agentus, numatytus nežymiai arba sąlygiškai, o tai žymiai supaprastina problemą“, – rašė Masayoshi Tomizuka, Cheryl ir Johnas Neerhoutas, Jr. Kalifornijos universiteto Berklio ir Wei mechanikos inžinerijos profesorius. Žanas, profesionalaus tyrėjo padėjėjas, el. „Prognozavimo modelis gali užfiksuoti įgimtą agentų ryšį ir sąveiką, kad būtų pasiektas moderniausias veikimas. Du kolegos tyrime nedalyvavo.
Šį tyrimą iš dalies remia Qualcomm inovacijų stipendija. Toyota tyrimų institutas taip pat skyrė lėšų šiam darbui paremti.
