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