MIT moko savarankiškai vairuojančius automobilius, kaip psichoanalizuoti žmones kelyje

2004 m. kovo mėn. JAV gynybos pažangių tyrimų projektų agentūra (DARPA) surengė specialų renginį „Grand Challenge“, kad išbandytų dabartinės kartos savaeigių automobilių žadą arba nebuvimą. Dalyviai iš geriausių pasaulio A.I. laboratorijos varžėsi dėl 1 milijono dolerių prizo; jų pagal užsakymą pagamintos transporto priemonės stengiasi savarankiškai važiuoti 142 mylių maršrutu per Kalifornijos Mohave dykumą. Neblogai sekėsi. „Laimėjusi“ komanda per kelias valandas sugebėjo nukeliauti vos 7,4 mylios, kol sustojo. Ir užsidega.

Pusantro dešimtmečio, a daug kas pasikeitė. Savaeigiai automobiliai sėkmingai nuvažiavo šimtus tūkstančių mylių tikrais keliais. Neginčijama teigti, kad žmonės beveik neabejotinai bus saugesni automobilyje, kurį vairuoja robotas, nei automobilyje, kurį vairuoja žmogus. Tačiau nors ilgainiui ateis lūžis, kai kiekvienas automobilis kelyje bus savarankiškas, taip pat yra bus netvarkingas tarpinis etapas, kai savarankiškai važiuojantys automobiliai turės dalytis keliu su žmogaus vairuojama automobiliai. Ar žinote, kas gali būti probleminės šalys šiame scenarijuje? Teisingai: mėsingi, nenuspėjami, kartais atsargūs, kartais linkę į pyktį žmonės.

Norėdami pabandyti išspręsti šią problemą, mokslininkai iš MIT kompiuterių mokslo ir dirbtinio intelekto laboratorijos (CSAIL) sukūrė naują algoritmą, leidžiantį savarankiškai vairuojantiems automobiliams klasifikuoti kitų vairuotojų „socialines asmenybes“ kelias. Lygiai taip pat, kaip žmonės (dažnai ne moksliškai) bando išsiaiškinti kitų vairuotojų atsakymus, kai sakome, kad juda. sankryžoje, todėl autonominės transporto priemonės bandys išsiaiškinti, su kuo jos susiduria, kad išvengtų nelaimingų atsitikimų kelias.

„Mes sukūrėme sistemą, kuri integruoja socialinės psichologijos įrankius į sprendimų priėmimą ir autonominių transporto priemonių valdymą. Wilko SchwartingasMIT CSAIL tyrimų asistentas pasakojo „Digital Trends“. „Jis gali įvertinti vairuotojų elgesį atsižvelgiant į tai, koks savanaudis ar nesavanaudiškas atrodo konkretus vairuotojas. Sistemos gebėjimas įvertinti vairuotojų vadinamąją „socialinės vertės orientaciją“ leidžia geriau numatyti, ką darys žmonės, todėl vairuotojas gali būti saugesnis.

Socialinė vertybinė orientacija

Apskritai mūsų vairavimo sistemos veikia gana gerai; suteikiant pirmenybę vienam vairuotojui prieš kitą, suskirstant mus į kryptines juostas ir pan. Tačiau vis dar yra daug subjektyvesnių momentų, kai kelios šalys turi sugalvoti, kaip suderinti savo pastangas užbaigti manevrą, kartais dideliu greičiu. Žinodami, ar turite reikalų su nekantru vairuotoju, kuris jus supjaustys, ar su kantriu, kuris palaukti arba padaryti kelią gali reikšti skirtumą tarp sėkmingos kelionės ir apkrauto sparno lenkimo. Tai, kad vien Jungtinėse Valstijose kasmet įvyksta šimtai tūkstančių eismo juostų keitimo, sujungimo ir posūkio į dešinę ar kairę avarijų, rodo, kad žmonės dar ne visai įvaldė šio subtilaus meno.

Socialinė vertybinė orientacija yra viena nuo kitos priklausomų sprendimų priėmimo srities dalis, nagrinėjanti strateginę dviejų ar daugiau žmonių sąveiką. Jis pagrįstas žaidimų teorija, kurios koncepcijos pirmą kartą buvo išdėstytos 1944 m. Oskaro Morgensteino ir Johno von Veumanno knygoje pavadinimu Žaidimų teorija ir ekonominis elgesys.

Plati idėja iš esmės yra tokia: agentai turi savo pageidavimus, kurie gali būti suskirstyti pagal jų naudingumą (pasitenkinimo lygį). Pagal šiuos parametrus jie veiks logiškai, atsižvelgdami į tas nuostatas. Paverčiama vairavimo elgesiu, kad ir koks nenuspėjamas kelias atrodytų piko valandomis, žinant, koks altruistiškas, prosocialūs, egoistai ar konkurencingi aplinkiniai vairuotojai, galite nuspėti elgesį, be kurio galėsite užbaigti kelionę problema.

Stebėdamas, kaip važinėja kiti automobiliai, MIT algoritmas įvertina kitus vairuotojus pagal „atlygį kitiems“, palyginti su kitais. „atlygio sau“ skalė. Tai reikštų, kad kelyje gyvenantys žmonės būtų skirstomi į „altruistinius“, „prosocialinius“, „egotikus“, „konkurencinius“, „sadistinius“, „sadomazochistinės“, „mazochistinės“ ir „kankinio“ kategorijas. Sužinojusi, kad ne visi kiti automobiliai elgiasi taip pat, komanda tiki, kad jų modelis gali būti sveikintinas savarankiškų automobilių sistemų papildymas.

„Pirmiausia apmokėme sistemą modeliuodami kelių scenarijus, kai kiekvienas vairuotojas stengėsi maksimaliai išnaudoti savo naudingumo ir analizuoti jų efektyviausius atsakymus, atsižvelgiant į visų kitų agentų sprendimus. Schwartingas pasakė. „Pagalba apima, kiek vairuotojas pasveria savo naudą ir kito vairuotojo naudą, įvertintą SVO. Remdamasis tuo mažyčiu kitų automobilių judesio fragmentu, mūsų algoritmas galėtų numatyti aplinkinių automobilių elgesį kaip bendradarbiaujantį, altruistišką ar egoistišką sąveikos metu. Atlygį kalibravome remdamiesi tikrais vairavimo duomenimis naudodami mašininį mokymąsi, iš esmės užkoduodami, kiek žmonės vairuotojai vertina komfortą, saugumą ar greitą tikslą pasiekti.

Vairuotojų elgesio numatymas

Bandymų metu komanda parodė, kad jų algoritmas gali tiksliau numatyti kitų automobilių elgesį 25 proc. Tai padėjo transporto priemonei žinoti, kada reikia, kai posūkis į kairę, o ne posūkis priešais atvažiuojantį vairuotoją.

„Tai taip pat leidžia mums nuspręsti, koks turi būti kooperatyvas ar egoistiškas autonominis automobilis, priklausomai nuo scenarijaus“, - tęsė Schwartingas. „Pernelyg konservatyvus elgesys ne visada yra saugiausias pasirinkimas, nes tai gali sukelti nesusipratimų ir painiavos tarp vairuotojų.

Komanda teigia, kad algoritmas dar nėra paruoštas geriausiu laiku, kalbant apie bandymus realiame pasaulyje. Tačiau jie toliau jį kuria ir mano, kad jo pritaikymas gali būti dar didesnis už čia aprašytą. Viena vertus, kitų automobilių stebėjimas gali padėti būsimoms savarankiškai vairuojančioms transporto priemonėms išmokti parodyti daugiau į žmones panašių bruožų, kuriuos vairuotojams bus lengviau suprasti.

„[Be to, tai gali būti naudinga ne tik visiškai savarankiškai važiuojantiems automobiliams, bet ir esamiems mūsų naudojamiems automobiliams“, - sakė Schwartingas. „Pavyzdžiui, įsivaizduokite, kad automobilis staiga įvažiuoja į jūsų akląją zoną. Naudodami sistemą [mes sukūrėme], galinio vaizdo veidrodėlyje galite gauti įspėjimą, kad jūsų aklojoje zonoje esantis automobilis turi agresyvų vairuotoją, o tai gali būti ypač vertinga informacija.

Tada mokslininkai tikisi pritaikyti modelį pėstiesiems, dviračiams ir kitiems agentams, kurie gali pasirodyti vairavimo aplinkoje. „Mes taip pat norėtume pažvelgti į kitas robotų sistemas, kurios turi sąveikauti su mumis, pavyzdžiui, buitinius robotus“, - pažymėjo Schwartingas.

Redaktorių rekomendacijos

• „Volkswagen“ pradeda savo savarankiškai vairuojančių automobilių bandymų programą JAV.
• Gandai, kad „Apple“ automobilis gali kainuoti tiek pat, kiek „Tesla Model S“.
• Buvęs „Apple“ darbuotojas prisipažįsta kaltas dėl „Apple Car“ paslapčių gavimo
• Pareigūnai sutriko, kai stabdo tuščią savaeigį automobilį
• Kaip didelis mėlynas 1986 m. furgonas atvėrė kelią savarankiškai važiuojantiems automobiliams