Az MIT megtanítja az önvezető autókat, hogyan lehet pszichoanalízist végezni az úton

2004 márciusában az amerikai Védelmi Fejlett Kutatási Projektek Ügynöksége (DARPA) egy különleges Grand Challenge eseményt szervezett, hogy tesztelje a jelenlegi generációs önvezető autók ígéretét – vagy annak hiányát. Jelentkezők a világ legjobb A.I. a laborok egymillió dolláros díjért versengtek; egyedi építésű járműveik mindent megtesznek, hogy autonóm módon navigáljanak egy 142 mérföldes útvonalon a kaliforniai Mojave-sivatagon keresztül. nem esett jól. A „győztes” csapat mindössze 7,4 mérföldet tudott megtenni néhány óra alatt, mielőtt megremegett és megállt. És lángra kap.

Másfél évtizede, a sok minden megváltozott. Az önvezető autók több százezer mérföldet tettek meg sikeresen tényleges utakon. Nem vitás, ha azt mondjuk, hogy az emberek szinte biztosan nagyobb biztonságban vannak egy robot által vezetett autóban, mint egy ember által vezetett autóban. Azonban bár előbb-utóbb lesz egy fordulópont, amikor minden autó autonóm lesz, az is van egy zűrös köztes szakasz lesz, amikor az önvezető autóknak meg kell osztaniuk az utat az ember által vezéreltekkel autók. Tudja, kik lehetnek a problémás felek ebben a forgatókönyvben? Ez így van: a húsos, kiszámíthatatlan, néha óvatos, néha hajlamos a dühöngő emberekre.

A probléma megoldására az MIT Számítástechnikai és Mesterséges Intelligencia Laboratóriumának (CSAIL) kutatói új algoritmust hozott létre, amely lehetővé teszi, hogy az önvezető autók osztályozzák a többi vezető „társas személyiségét” út. Ugyanúgy, ahogy az emberek (gyakran nem tudományosan) megpróbálják megbizonyosodni más járművezetők reakcióiról, amikor azt mondjuk, mozognak. kereszteződésben, így az autonóm járművek megpróbálják kitalálni, kivel van dolguk, hogy elkerüljék a baleseteket a út.

„Olyan rendszert fejlesztettünk ki, amely integrálja a szociálpszichológiai eszközöket az autonóm járművek döntéshozatalába és irányításába” Wilko Schwarting, az MIT CSAIL kutatási asszisztense elmondta a Digital Trendsnek. „Képes megbecsülni a járművezetők viselkedését a tekintetben, hogy egy adott sofőr mennyire tűnik önzőnek vagy önzetlennek. A rendszer azon képessége, hogy megbecsüli a járművezetők úgynevezett „társadalmi értékorientációját”, lehetővé teszi, hogy jobban megjósolja, mit fognak tenni az emberi járművezetők, és így biztonságosabban vezet.

Társadalmi értékorientáció

Összességében vezetési kereteink meglehetősen jól működnek; elsőbbséget adunk az egyik sofőrnek a másikkal szemben, minket irányító sávokra osztunk és így tovább. De még mindig vannak szubjektívebb pillanatok, amikor több félnek kell kitalálnia, hogyan hangolja össze erőfeszítéseit egy manőver végrehajtásához, néha nagy sebességgel. Tudni, hogy egy türelmetlen sofőrrel van-e dolgod, aki meg akarja vágni, vagy egy türelmes sofőrrel, aki a várakozás vagy az utat nyitás jelentheti a különbséget a sikeres utazás és az ütős sárvédő között. Az a tény, hogy csak az Egyesült Államokban évente több százezer sávváltást, összevonást és jobbra vagy balra kanyarodó balesetet szenvednek el, azt mutatja, hogy az emberek nem egészen sajátították el ezt a finom művészetet.

A társadalmi értékorientáció az egymásra épülő döntéshozatal területének része, amely két vagy több ember közötti stratégiai interakciókat vizsgál. A játékelméletben gyökerezik, amelynek koncepcióit először Oskar Morgenstein és John von Veumann 1944-es könyvében vázolta fel. Játékelmélet és gazdasági viselkedés.

A tág elképzelés lényegében a következő: Az ügynököknek megvannak a saját preferenciáik, amelyek hasznosságuk (elégedettségi szint) szerint rendezhetők. Ezeken a paramétereken belül logikusan, az adott preferenciáknak megfelelően fognak működni. A vezetési magatartásra fordítva, bármennyire is kiszámíthatatlannak tűnik az út a csúcsforgalomban, azáltal, hogy tudjuk, mennyire altruisztikus, proszociális, egoista vagy versengő sofőrök lehetnek körülötted, megjósolhatja a viselkedést, amely nélkül teljesíti az utazást probléma.

Az MIT algoritmusa más autók vezetési módjának megfigyelésével értékeli a többi járművezetőt a „mások jutalma” vs. „jutalom önmagunknak” skála. Ez azt jelentené, hogy az útitársakat „altruista”, „proszociális”, „egotikus”, „versenyző”, „szadista”, „szadomazo”, „mazochista” és „mártír” kategóriákba soroljuk. Azáltal, hogy megtanulták, hogy nem minden más autó viselkedik ugyanígy, a csapat úgy véli, hogy modelljük örvendetes kiegészítője lehet az önvezető autórendszereknek.

„Először is úgy képeztük ki a rendszert, hogy olyan útforgatókönyveket modelleztünk, ahol minden vezető megpróbálta a sajátját maximalizálni hasznosságát, és elemezzük a leghatékonyabb válaszaikat az összes többi ágens döntései fényében” – mondta Schwarting. „A segédprogram tartalmazza, hogy egy sofőr mennyivel mérlegeli a saját hasznát egy másik sofőr előnyével szemben, amelyet az SVO súlyoz. A többi autóból származó apró mozgásfoszlány alapján az algoritmusunk megjósolta a környező autók kooperatív, altruista vagy egoista viselkedését az interakciók során. A jutalmakat valós vezetési adatok alapján gépi tanulással kalibráltuk, lényegében azt kódolva, hogy az emberi sofőrök mennyire értékelik a kényelmet, a biztonságot vagy a gyors cél elérését.”

A járművezetők viselkedésének előrejelzése

A tesztek során a csapat kimutatta, hogy az algoritmusuk 25%-kal pontosabban képes megjósolni más autók viselkedését. Ez segített a járműnek tudni, mikor kell balra kanyarodáskor, szemben a szembejövő vezető elé kanyarodással.

„Ez azt is lehetővé teszi számunkra, hogy a forgatókönyvtől függően eldöntsük, mennyire legyen együttműködő vagy egoista egy autonóm jármű” – folytatta Schwarting. "A túlzottan konzervatív fellépés nem mindig a legbiztonságosabb megoldás, mert félreértéseket és zavart okozhat az emberi vezetők körében."

A csapat szerint az algoritmus még nem áll készen a főműsoridőre a valós közúti tesztelés szempontjából. De továbbra is fejlesztik, és úgy gondolják, hogy alkalmazásai még messzebbre is kiterjedhetnek az itt leírtakon. Egyrészt, más autók megfigyelése segíthet a jövőbeni önvezető járműveknek abban, hogy megtanuljanak több emberszerű tulajdonságot felmutatni, amelyeket az emberi vezetők könnyebben megértenek.

"[Ráadásul] ez nem csak a teljesen önvezető autóknál lehet hasznos, hanem az általunk használt meglévő autóknál is" - mondta Schwarting. „Például képzeld el, hogy egy autó hirtelen belép a holttérbe. Az általunk kifejlesztett rendszerrel figyelmeztetést kaphat a visszapillantó tükörbe, hogy a holttérben lévő autó agresszív sofőrrel rendelkezik, ami különösen értékes információ lehet.”

Ezután a kutatók azt remélik, hogy a modellt a gyalogosokon, kerékpárokon és más olyan ügynökökön is alkalmazni tudják, akik vezetési környezetben jelenhetnek meg. „Szeretnénk más robotrendszereket is megvizsgálni, amelyeknek interakcióba kell lépniük velünk, például háztartási robotokkal” – jegyezte meg Schwarting.

Szerkesztői ajánlások

• A Volkswagen saját önvezető autók tesztelési programját indítja el az Egyesült Államokban.
• Az Apple pletykázott autója ugyanannyiba kerülhet, mint egy Tesla Model S
• Egy volt Apple-alkalmazott bűnösnek vallja magát az Apple Car titkainak megszerzésében
• A rendőrök összezavarodtak, miközben egy üres önvezető autót hajtottak le
• Hogyan nyitotta meg az utat az önvezető autók előtt egy nagy kék furgon 1986-ból