MIT māca pašbraucošām automašīnām, kā psihoanalizēt cilvēkus uz ceļa

2004. gada martā ASV Aizsardzības progresīvo pētījumu projektu aģentūra (DARPA) organizēja īpašu Grand Challenge pasākumu, lai pārbaudītu pašreizējās paaudzes pašbraucošo automašīnu solījumu vai to trūkumu. Dalībnieki no pasaules labākajiem A.I. laboratorijas sacentās par vienu miljonu dolāru balvu; viņu īpaši izgatavotie transportlīdzekļi cenšas visu iespējamo, lai autonomi pārvietotos pa 142 jūdžu garu maršrutu cauri Kalifornijas Mohaves tuksnesim. Tas negāja labi. “Uzvarētāju” komandai izdevās nobraukt tikai 7,4 jūdzes vairāku stundu laikā, pirms tā nodrebēja un apstājās. Un aizdegšanās.

Pusotru gadu desmitu, a viss ir mainījies. Pašbraucošās automašīnas ir veiksmīgi nobraukušas simtiem tūkstošu jūdžu pa reāliem ceļiem. Nav strīdīgs apgalvojums, ka cilvēki gandrīz noteikti būs drošāki automašīnā, kuru vada robots, nekā automašīnā, kuru vada cilvēks. Tomēr, lai gan galu galā būs lūzuma punkts, kad katra automašīna uz ceļa būs autonoma, pastāv arī būs netīrs starpposms, kad pašbraucošām automašīnām būs jādala ceļš ar cilvēku vadītiem automašīnas. Vai zināt, kuras šajā scenārijā varētu būt problemātiskās puses? Tieši tā: gaļīgie, neparedzamie, dažkārt piesardzīgi, dažreiz uz ceļiem nikni cilvēki.

Lai mēģinātu atrisināt šo problēmu, pētnieki no MIT Datorzinātnes un mākslīgā intelekta laboratorijas (CSAIL) izveidoja jaunu algoritmu, kas paredzēts, lai ļautu pašbraucošām automašīnām klasificēt citu autovadītāju "sociālās personības" ceļu. Tādā pašā veidā, kā cilvēki (bieži vien nezinātniski) mēģina noskaidrot citu autovadītāju atbildes, kad mēs sakām, pārvietojamies. krustojumā, tāpēc autonomie transportlīdzekļi mēģinās noskaidrot, ar ko viņiem ir darīšana, lai izvairītos no negadījumiem ceļu.

"Mēs esam izstrādājuši sistēmu, kas integrē sociālās psiholoģijas rīkus lēmumu pieņemšanā un autonomo transportlīdzekļu kontrolē." Vilko ŠvartingsMIT CSAIL pētniecības asistents pastāstīja Digital Trends. “Tā spēj novērtēt autovadītāju uzvedību attiecībā uz to, cik savtīgs vai pašaizliedzīgs šķiet konkrētais autovadītājs. Sistēmas spēja novērtēt autovadītāju tā saukto “sociālo vērtību orientāciju” ļauj labāk paredzēt, ko darīs cilvēku vadītāji, un tādējādi tā spēj vadīt autovadītāju drošāk.

Sociālā vērtību orientācija

Kopumā mūsu braukšanas sistēmas darbojas diezgan labi; dodot prioritāti vienam autovadītājam pār otru, sadalot mūs virziena joslās utt. Bet joprojām ir daudz subjektīvāku momentu, kad vairākām pusēm ir jāizdomā, kā saskaņot savus centienus, lai pabeigtu manevru, dažreiz lielā ātrumā. Zinot, vai jums ir darīšana ar nepacietīgu šoferi, kurš grasās jūs sagriezt, vai pacietīgu, kurš nogaidīšana vai došanās ceļā var nozīmēt atšķirību starp veiksmīgu braucienu un spārnu saliekšanu. Fakts, ka Amerikas Savienotajās Valstīs vien katru gadu notiek simtiem tūkstošu joslu maiņas, sapludināšanas un labā vai kreisā pagrieziena negadījumu, liecina, ka cilvēki nav pilnībā apguvuši šo smalko mākslu.

Sociālo vērtību orientācija ir daļa no savstarpēji atkarīgu lēmumu pieņemšanas jomas, kas aplūko stratēģisko mijiedarbību starp diviem vai vairākiem cilvēkiem. Tā sakņojas spēļu teorijā, kuras jēdzieni pirmo reizi tika izklāstīti Oskara Morgenšteina un Džona fon Veumaņa 1944. gada grāmatā ar nosaukumu Spēļu teorija un ekonomiskā uzvedība.

Plašā ideja būtībā ir šāda: aģentiem ir savas preferences, kuras var sakārtot pēc to lietderības (apmierinātības līmeņa). Šo parametru ietvaros tie darbosies loģiski, atbilstoši šīm vēlmēm. Pārvēršas par braukšanas paradumiem, lai cik neparedzams ceļš varētu šķist sastrēgumstundā, zinot, cik altruistisks, prosociāli, egoistiski vai konkurētspējīgi vadītāji, kas varētu būt ap jums, varat paredzēt uzvedību, bez kuras pabeigt savu ceļojumu problēma.

Vērojot veidu, kā brauc citas automašīnas, MIT algoritms novērtē citus vadītājus, ņemot vērā “atlīdzību citiem” salīdzinājumā ar citiem vadītājiem. “atlīdzība sev” skala. Tas nozīmētu ceļu iemītnieku šķirošanu kategorijās “altruistisks”, “prosociāls”, “egotisks”, “konkurētspējīgs”, “sadistisks”, “sadomazohists”, “mazohists” un “moceklis”. Uzzinot, ka ne visas citas automašīnas darbojas tāpat, komanda uzskata, ka viņu modelis varētu izrādīties apsveicams papildinājums pašbraucošo automašīnu sistēmām.

“Mēs vispirms apmācām sistēmu, modelējot ceļu scenārijus, kuros katrs autovadītājs centās maksimāli izmantot savu lietderību un analizējot viņu visefektīvākās atbildes, ņemot vērā visu citu aģentu lēmumus. Švartings teica. “Utilīta ietver informāciju par to, cik daudz autovadītājs nosver savu un cita vadītāja labumu, ko novērtē SVO. Pamatojoties uz šo mazo kustības fragmentu no citām automašīnām, mūsu algoritms varētu paredzēt apkārtējo automašīnu uzvedību kā kooperatīvu, altruistisku vai egoistisku mijiedarbības laikā. Mēs kalibrējām atlīdzības, pamatojoties uz reāliem braukšanas datiem, izmantojot mašīnmācīšanos, būtībā kodējot to, cik ļoti autovadītāji novērtē komfortu, drošību vai ātru sasniegšanu.

Autovadītāju uzvedības prognozēšana

Testos komanda parādīja, ka viņu algoritms var precīzāk paredzēt citu automašīnu uzvedību par 25%. Tas palīdzēja transportlīdzeklim uzzināt, kad tas ir jādara, veicot kreiso pagriezienu, salīdzinot ar pagriezienu pretimbraucošam vadītājam.

"Tas arī ļauj mums izlemt, cik kooperatīvam vai egoistiskam jābūt autonomam transportlīdzeklim atkarībā no scenārija," turpināja Švartings. "Pārmērīgi konservatīva rīcība ne vienmēr ir drošākais risinājums, jo tas var izraisīt pārpratumus un neskaidrības cilvēku vadītāju vidū."

Komanda saka, ka algoritms vēl nav gatavs visizdevīgākajam laikam reālās pasaules ceļu testēšanas ziņā. Bet viņi turpina to izstrādāt un domā, ka tā pielietojumi varētu paplašināties vēl tālāk par šeit aprakstīto. Pirmkārt, citu automašīnu novērošana varētu palīdzēt nākotnes pašbraucošajiem transportlīdzekļiem iemācīties parādīt vairāk cilvēkiem līdzīgas iezīmes, kuras autovadītājiem būs vieglāk saprast.

"[Turklāt] tas varētu būt noderīgi ne tikai pilnībā pašbraucošām automašīnām, bet arī esošajām automašīnām, kuras mēs izmantojam," sacīja Švartings. “Piemēram, iedomājieties, ka automašīna pēkšņi iebrauc jūsu aklajā zonā. Izmantojot sistēmu [mēs esam izstrādājuši], jūs varat saņemt brīdinājumu atpakaļskata spogulī, ka automašīnai jūsu aklajā zonā ir agresīvs vadītājs, kas varētu būt īpaši vērtīga informācija.

Pēc tam pētnieki cer piemērot modeli gājējiem, velosipēdiem un citiem aģentiem, kas var parādīties braukšanas vidē. "Mēs vēlētos apskatīt arī citas robotu sistēmas, kurām ir jāsadarbojas ar mums, piemēram, mājsaimniecības robotus," atzīmēja Švartings.

Redaktoru ieteikumi

• Volkswagen sāk savu pašbraucošo automašīnu testēšanas programmu ASV.
• Apple baumotā automašīna varētu maksāt tikpat, cik Tesla Model S
• Bijušais Apple darbinieks atzīst savu vainu Apple Car noslēpumu izpaušanā
• Policisti apmulsuši, apbraucot tukšu pašbraucošu automašīnu
• Kā liels zils furgons no 1986. gada pavēra ceļu pašbraucošām automašīnām