MIT lærer selvkørende biler, hvordan man psykoanalyserer mennesker på vejen

I marts 2004 organiserede U.S. Defense Advanced Research Projects Agency (DARPA) en særlig Grand Challenge-begivenhed for at afprøve løftet - eller mangel på samme - om den nuværende generation af selvkørende biler. Deltagere fra verdens bedste A.I. laboratorier konkurrerede om en præmie på $1 million; deres specialbyggede køretøjer forsøger deres bedste for autonomt at navigere en 142-mils rute gennem Californiens Mojave-ørken. Det gik ikke godt. Det "vindende" hold nåede at rejse kun 7,4 miles på adskillige timer, før det gysende gik i stå. Og brænder.

Et halvandet årti, en meget har ændret sig. Selvkørende biler har med succes kørt hundredtusindvis af kilometer på faktiske veje. Det er ikke-kontroversielt at sige, at mennesker næsten helt sikkert vil være mere sikre i en bil drevet af en robot, end de er i en drevet af et menneske. Men selvom der i sidste ende vil være et vendepunkt, når hver bil på vejen er autonom, er der også bliver en rodet mellemfase, når selvkørende biler skal dele vejen med menneskedrevne biler. Ved du, hvem problemparterne sandsynligvis vil være i dette scenarie? Det er rigtigt: de kødfulde, uforudsigelige, nogle gange-forsigtige, nogle gange-tilbøjelige til-vej-raseri mennesker.

For at prøve at løse dette problem har forskere fra MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) skabt en ny algoritme, der skal give selvkørende biler mulighed for at klassificere andre bilisters "sociale personligheder" på vej. På samme måde som mennesker (ofte ikke-videnskabeligt) forsøger at konstatere andre bilisters reaktioner, når vi siger, bevæger sig ved et kryds, så de selvkørende køretøjer vil forsøge at finde ud af, hvem de har med at gøre for at undgå ulykker på vej.

"Vi har udviklet et system, der integrerer værktøjer fra socialpsykologi i beslutningstagning og kontrol af autonome køretøjer," Wilko Schwarting, en forskningsassistent ved MIT CSAIL, fortalte Digital Trends. "Den er i stand til at vurdere chaufførers adfærd med hensyn til, hvor egoistisk eller uselvisk en bestemt chauffør ser ud til at være. Systemets evne til at estimere chaufførers såkaldte 'Social Value Orientation' giver det mulighed for bedre at forudsige, hvad menneskelige chauffører vil gøre og er derfor i stand til at køre mere sikkert."

Social værdiorientering

I det hele taget fungerer vores kørselsrammer nogenlunde; at prioritere én bilist frem for en anden, opdele os i retningsbestemte baner og så videre. Men der er stadig masser af mere subjektive øjeblikke, hvor flere parter skal finde ud af, hvordan de skal koordinere deres indsats for at gennemføre en manøvre, nogle gange ved høje hastigheder. At vide, om du har at gøre med en utålmodig chauffør, der vil skære dig i stykker, eller en tålmodig chauffør, der At vente eller gøre plads kan betyde forskellen mellem en vellykket rejse og fyldt fender bender. Alene det faktum, at der er hundredtusindvis af vognbaneskift, sammenfletning og højre- eller venstresving hvert år i USA viser, at mennesker ikke helt har mestret denne subtile kunst.

Social Value Orientation er en del af feltet for gensidig afhængig beslutningstagning, der ser på de strategiske interaktioner mellem to eller flere mennesker. Det er rodfæstet i spilteori, hvis koncepter først blev skitseret i en bog fra 1944 af Oskar Morgenstein og John von Veumann med titlen Teori om spil og økonomisk adfærd.

Den overordnede idé er i bund og grund denne: Agenter har deres egne præferencer, som kan ordnes i forhold til deres nytte (tilfredshedsniveau). Inden for disse parametre vil de handle logisk i henhold til disse præferencer. Oversat til køreadfærd, uanset hvor uforudsigelig vejen kan virke i myldretiden, ved at vide hvor altruistisk, prosocial, egoistisk eller konkurrencedygtig chaufførerne omkring dig kan være, kan du forudsige adfærd for at fuldføre din rejse uden problem.

Ved at observere den måde, andre biler kører på, vurderer MIT-algoritmen andre bilister på "belønningen til andre" vs. "belønning til sig selv" skala. Det ville betyde, at man sorterede andre vejbeboere i "altruistiske", "prosociale", "egoistiske", "konkurrencedygtige", "sadistiske", "sadomasochistiske", "masochistiske" og "martyr" kategorier. Gennem at lære, at ikke alle andre biler opfører sig på samme måde, mener teamet, at deres model kan vise sig at være en velkommen tilføjelse til selvkørende bilsystemer.

"Vi trænede først systemet ved at modellere vejscenarier, hvor hver chauffør forsøgte at maksimere deres egne nytte og analysere deres mest effektive svar i lyset af beslutninger fra alle andre agenter." sagde Schwarting. "Hjælpen inkorporerer, hvor meget en chauffør vægter deres egen fordel mod fordelen for en anden chauffør, vægtet af SVO. Baseret på det lille udsnit af bevægelse fra andre biler, kunne vores algoritme så forudsige de omkringliggende bilers adfærd som samarbejdsvillig, altruistisk eller egoistisk under interaktioner. Vi kalibrerede belønningerne baseret på reelle køredata med maskinlæring, der i det væsentlige indkodede, hvor meget menneskelige chauffører værdsætter komfort, sikkerhed eller hurtigt at nå deres mål."

Forudsigelse af chaufførers adfærd

I test viste holdet, at deres algoritme mere præcist kunne forudsige andre bilers adfærd med en faktor på 25 %. Dette hjalp køretøjet med at vide, hvornår det skulle, når det drejede til venstre i forhold til at dreje foran en modkørende.

"Det giver os også mulighed for at beslutte, hvor kooperativt eller egoistisk et autonomt køretøj skal være afhængigt af scenariet," fortsatte Schwarting. "At handle alt for konservativt er ikke altid den sikreste mulighed, fordi det kan forårsage misforståelser og forvirring blandt menneskelige chauffører."

Holdet siger, at algoritmen endnu ikke er klar til bedste sendetid med hensyn til vejtest i den virkelige verden. Men de fortsætter med at udvikle det og tror, ​​at dets applikationer kan strække sig endnu længere ud over det, der er beskrevet her. For det første kan observation af andre biler hjælpe fremtidige selvkørende køretøjer med at lære at udvise mere menneskelignende træk, som vil være lettere for menneskelige chauffører at forstå.

"[Derudover] kan dette være nyttigt ikke kun for fuldt selvkørende biler, men for eksisterende biler, som vi bruger," sagde Schwarting. ”Forestil dig for eksempel, at en bil pludselig kommer ind i din blinde vinkel. Med systemet [vi har udviklet] får du muligvis en advarsel i bakspejlet om, at bilen i din blinde vinkel har en aggressiv fører, hvilket kunne være særligt værdifuld information."

Dernæst håber forskerne at anvende modellen på fodgængere, cykler og andre agenter, der kan optræde i køremiljøer. "Vi vil også gerne se på andre robotsystemer, der skal interagere med os, såsom husholdningsrobotter," bemærkede Schwarting.

Redaktørens anbefalinger

• Volkswagen lancerer sit eget selvkørende biltestprogram i USA.
• Apples rygtede bil kunne koste det samme som en Tesla Model S
• Tidligere Apple-medarbejder erkender sig skyldig i at have fanget Apple Car-hemmeligheder
• Betjente forvirrede, da de stopper en tom selvkørende bil
• Hvordan en stor blå varebil fra 1986 banede vejen for selvkørende biler