Kapcsolat

Magyarország, 1039 Budapest, Rákóczi utca 8.

Keressen minket elérhetőségünkön.

Előrelátás nélkül nincs autonómia

 

Amennyiben egy robot biztonságosan navigálni akar egy járművet egy nagyváros közepén, akkor képesnek kell lennie, hogy megjósolja a közelben lévő sofőrök, kerékpárosok és gyalogosok várható cselekedeteit – írja a MIT News.

Az emberek jelenthetik az egyik legnagyobb akadályt a teljesen autonóm járművek elterjedése előtt a városi utcákon. Egy új gépi tanulási rendszer egy nap talán segít majd a vezető nélküli autóknak valós időben megjósolni a közelben közlekedő autósok, kerékpárosok és gyalogosok következő, nehezen kiszámítható lépéseit. A viselkedés előrejelzése azonban nehéz probléma, és a jelenlegi mesterségesintelligencia-megoldások vagy túlságosan leegyszerűsítők, vagy túl konzervatívak.

Az MIT kutatói egy Qualcomm és a Toyota által is támogatott projektben átvágták e gordiuszi csomót, és egyszerű megoldást dolgoztak ki a bonyolult kihívásra. A több ágens viselkedését előrejelző problémát kisebb darabokra bontják, és mindegyiket külön-külön kezelik, így a számítógép valós időben képes megoldani az összetett feladatot. A viselkedés-előrejelző keretrendszerük először kitalálja a két úthasználó közötti kapcsolatokat – melyik autónak, kerékpárosnak vagy gyalogosnak van elsőbbsége, és melyik ágens fog engedni –, és ezeket a kapcsolatokat használja fel több szereplő jövőbeli pályájának előrejelzésére.

Ezek a becsült haladási pályák pontosabbak voltak, mint más gépi tanulási modellek eredményei, ha összehasonlították a Waymo autonóm vezetéssel foglalkozó vállalat hatalmas adatbázisán szimulált forgalommal. Az MIT technikája még a Waymo nemrég közzétett modelljét is felülmúlta. És mivel a kutatók a problémát egyszerűbb darabokra bontották, a technikájuk kevesebb memóriát használt.

„Ez egy nagyon intuitív ötlet, amit eddig még senki sem vizsgált meg teljesen, de elég jól működik. Az egyszerűség mindenképpen előny. Összehasonlítottuk a modellünket a terület más, legkorszerűbb modelljeivel, köztük a Waymo, a terület vezető vállalatának modelljével, és a mi modellünk csúcsteljesítményt ér el ezen a kihívást jelentő benchmarkon. Ebben sok lehetőség rejlik a jövőre nézve” – mondta a kutatás egyik vezetője, Xin „Cyrus” Huang. A kutatásban részt vett Brian Williams, a Repülés- és Űrhajózástudományi Tanszék professzora, és a pekingi Csinghua Egyetem három kutatója Qiao Sun, és Hang Zhao a tanulmány vezető szerzője.

A kutatók M2I-nek nevezett gépi tanulási módszere előrejelzést ad ki arról, hogy a megfigyelt ágensek hogyan fognak a következő nyolc másodpercben a forgalomban mozogni. Egy példában a módszerük hatására egy jármű lelassult, hogy egy gyalogos át tudjon kelni az úton, majd felgyorsult, amikor elhagyta a kereszteződést. Egy másik példában a jármű megvárta, amíg több autó elhaladt, mielőtt egy mellékutcából egy forgalmas főútra kanyarodott. Míg ez a kezdeti kutatás két ágens közötti kölcsönhatásokra összpontosít, az M2I több ágens közötti kapcsolatokra is következtethet, majd több úgynevezett marginális és feltételes prediktor összekapcsolásával kitalálhatja a pályájukat.

A kutatók a modelleket a Waymo Open Motion Dataset segítségével képezték ki, amely több millió valós közlekedési jelenetet tartalmaz, amelyekben járművek, gyalogosok és kerékpárosok szerepelnek, és amelyeket a vállalat autonóm járműveire szerelt lidar (light detection and ranging) érzékelők és kamerák rögzítettek. Kifejezetten a több ágenssel rendelkező esetekre összpontosítottak.

„Ahelyett, hogy egy bonyolultabb modellt építettünk volna a probléma megoldására, olyan megközelítést alkalmaztunk, amely jobban hasonlít ahhoz, ahogyan az ember gondolkodik, amikor másokkal való interakciókról gondolkodik. Egy ember nem agyal a jövőbeli viselkedések mind a több száz kombinációjáról. Elég gyorsan hozunk döntéseket” – mondja Huang. Az M2I másik előnye, hogy mivel a problémát kisebb darabokra bontja, a felhasználó számára könnyebben érthetővé válik a modell döntéshozatala. Hosszú távon ez segíthet abban, hogy a felhasználók jobban megbízzanak az autonóm járművekben – tette hozzá a kutató.

A keretrendszer azonban nem tudja figyelembe venni azokat az eseteket, amikor két ágens kölcsönösen befolyásolja egymást, például amikor két jármű egy-egy négyirányú megállóban előre araszol, mert a sofőrök nem biztosak abban, hogy kinek kellene elsőbbséget adniuk. Ezt a szituációt a jövőbeni munkájuk során tervezik kezelni.

Módszerüket mindenesetre a közúti közlekedők közötti valósághű interakciók szimulálására is szeretnék használni, ami alkalmazható lenne az önvezető autók tervezési algoritmusainak ellenőrzésére vagy hatalmas mennyiségű szintetikus vezetési adat létrehozására a modell teljesítményének javítása érdekében – olvasható a tanulmány leírásában.

Cash/fotó: SG.hu