Массачусетский технологический институт учит беспилотные автомобили психоанализу людей на дороге

В марте 2004 года Агентство перспективных исследовательских проектов Министерства обороны США (DARPA) организовало специальное мероприятие Grand Challenge, чтобы проверить перспективность (или ее отсутствие) беспилотных автомобилей нынешнего поколения. Участники от лучшего в мире искусственного интеллекта. лаборатории боролись за приз в 1 миллион долларов; их изготовленные на заказ автомобили изо всех сил стараются автономно перемещаться по 142-мильному маршруту через калифорнийскую пустыню Мохаве. Все прошло не очень хорошо. «Команде-победителю» удалось проехать всего 7,4 мили за несколько часов, прежде чем она остановилась. И загорается.

Полтора десятилетия, все изменилось. Беспилотные автомобили успешно проехали сотни тысяч миль по реальным дорогам. Не вызывает сомнений утверждение, что люди почти наверняка будут в большей безопасности в автомобиле, управляемом роботом, чем в автомобиле, которым управляет человек. Однако, хотя в конечном итоге наступит переломный момент, когда каждая машина на дороге станет автономной, есть и Это будет неприятный промежуточный этап, когда беспилотным автомобилям придется делить дорогу с людьми, управляемыми людьми. легковые автомобили. Вы знаете, кто, скорее всего, окажется проблемными сторонами в этом сценарии? Правильно: мясистые, непредсказуемые, иногда осторожные, иногда склонные к ярости на дороге.

Чтобы попытаться решить эту проблему, исследователи из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) создал новый алгоритм, позволяющий беспилотным автомобилям классифицировать «социальные личности» других водителей на дорога. Точно так же люди (часто ненаучно) пытаются выяснить реакцию других водителей, когда мы, скажем, движемся. на перекрестке, поэтому беспилотные транспортные средства попытаются выяснить, с кем они имеют дело, чтобы избежать аварий на дороге. дорога.

«Мы разработали систему, которая интегрирует инструменты социальной психологии в процесс принятия решений и управления автономными транспортными средствами», Вилко Швартинг, научный сотрудник MIT CSAIL, рассказал Digital Trends. «Он способен оценить поведение водителей с точки зрения того, насколько эгоистичен или бескорыстен тот или иной водитель. Способность системы оценивать так называемую «социальную ценностную ориентацию» водителей позволяет ей лучше предсказывать, что будут делать водители-люди, и, следовательно, она может водить машину безопаснее».

Социально-ценностная ориентация

В целом наши системы вождения функционируют достаточно хорошо; предоставление приоритета одному водителю над другим, разделение нас на направленные полосы и так далее. Но есть еще множество более субъективных моментов, когда нескольким сторонам приходится выяснять, как скоординировать свои усилия для выполнения маневра, иногда на высоких скоростях. Понимание того, имеете ли вы дело с нетерпеливым водителем, который собирается вас подрезать, или с терпеливым водителем, который намерение подождать или уступить дорогу может означать разницу между успешным путешествием и опасным поворотом крыльев. Тот факт, что ежегодно только в Соединенных Штатах происходят сотни тысяч аварий при смене полосы движения, слиянии и повороте направо или налево, показывает, что люди не совсем овладели этим тонким искусством.

Социальная ценностная ориентация — это часть области взаимозависимого принятия решений, рассматривающая стратегические взаимодействия между двумя или более людьми. Оно уходит корнями в теорию игр, концепции которой были впервые изложены в книге Оскара Моргенштейна и Джона фон Веймана 1944 года под названием Теория игр и экономическое поведение.

Общая идея по существу такова: агенты имеют свои собственные предпочтения, которые можно упорядочить с точки зрения их полезности (уровня удовлетворения). В рамках этих параметров они будут действовать логически, в соответствии со своими предпочтениями. В переводе на поведение вождения, какой бы непредсказуемой ни казалась дорога в час пик, знание того, насколько альтруистично, какими бы просоциальными, эгоистичными или конкурентными ни были водители вокруг вас, вы можете предсказать поведение, чтобы завершить свое путешествие без проблема.

Наблюдая за тем, как ездят другие автомобили, алгоритм MIT оценивает других водителей по критериям «награда другим» и «вознаграждение другим». шкала «вознаграждение себе». Это означало бы разделение других дорожных жителей на «альтруистические», «просоциальные», «эгоистичные», «конкурентные», «садистские», «садомазохистские», «мазохистские» и «мученики». Узнав, что не все другие автомобили ведут себя одинаково, команда полагает, что их модель может стать долгожданным дополнением к системам беспилотных автомобилей.

«Сначала мы обучили систему, моделируя дорожные сценарии, в которых каждый водитель пытался максимизировать свою собственную эффективность. полезности и анализ их наиболее эффективных ответов в свете решений всех других агентов». — сказал Швартинг. «Полезность учитывает, насколько водитель соотносит свою выгоду с выгодой другого водителя, взвешенную SVO. Основываясь на этом крошечном фрагменте движения других автомобилей, наш алгоритм мог затем предсказать поведение окружающих автомобилей как сотрудничество, альтруистическое или эгоистическое во время взаимодействия. Мы откалибровали вознаграждения на основе реальных данных о вождении с помощью машинного обучения, по сути, отображая, насколько водители-люди ценят комфорт, безопасность и быстрое достижение своей цели».

Прогнозирование поведения водителей

В ходе испытаний команда показала, что их алгоритм может более точно предсказывать поведение других автомобилей на 25%. Это помогло автомобилю узнать, когда следует повернуть налево, а не поворачивать перед встречным водителем.

«Это также позволяет нам решить, насколько отзывчивым или эгоистичным должно быть автономное транспортное средство в зависимости от сценария», — продолжил Швартинг. «Действовать чрезмерно консервативно — не всегда самый безопасный вариант, поскольку это может вызвать недопонимание и замешательство среди водителей-людей».

Команда заявляет, что алгоритм еще не готов к использованию в реальных дорожных испытаниях. Но они продолжают его развивать и думают, что его возможности могут выйти за рамки описанного здесь. Во-первых, наблюдение за другими автомобилями может помочь будущим беспилотным автомобилям научиться проявлять больше человеческих качеств, которые водителям-человекам будет легче понять.

«[Кроме того] это может быть полезно не только для полностью беспилотных автомобилей, но и для существующих автомобилей, которые мы используем», — сказал Швартинг. «Например, представьте, что в вашу слепую зону внезапно въезжает машина. С помощью системы, которую мы разработали, вы можете получить предупреждение в зеркале заднего вида о том, что в машине в вашей слепой зоне находится агрессивный водитель, и это может быть особенно ценной информацией».

Далее исследователи надеются применить модель к пешеходам, велосипедам и другим агентам, которые могут появиться в среде вождения. «Мы также хотели бы рассмотреть другие роботизированные системы, которые должны с нами взаимодействовать, например, бытовые роботы», — отметил Швартинг.

Рекомендации редакции

• Volkswagen запускает собственную программу тестирования беспилотных автомобилей в США.
• По слухам, автомобиль Apple может стоить столько же, сколько Tesla Model S
• Экс-сотрудник Apple признал себя виновным в раскрытии секретов Apple Car
• Офицеры в замешательстве, когда остановили пустую беспилотную машину
• Как большой синий фургон 1986 года проложил путь беспилотным автомобилям