MIT lär självkörande bilar hur man psykoanalyserar människor på vägen

I mars 2004 anordnade U.S. Defense Advanced Research Projects Agency (DARPA) ett speciellt Grand Challenge-evenemang för att testa löftet – eller bristen på det – om nuvarande generations självkörande bilar. Deltagare från världens främsta A.I. labb tävlade om ett pris på 1 miljon dollar; deras specialbyggda fordon försöker sitt bästa för att autonomt navigera en 142 mil lång rutt genom Kaliforniens Mojave-öknen. Det gick inte bra. Det "vinnande" laget lyckades färdas bara 7,4 miles på flera timmar innan det ryser till stopp. Och fatta eld.

Ett och ett halvt decennium, en en hel del har förändrats. Självkörande bilar har framgångsrikt kört hundratusentals mil på verkliga vägar. Det är icke-kontroversiellt att säga att människor nästan säkert kommer att vara säkrare i en bil som körs av en robot än de är i en som körs av en människa. Men även om det så småningom kommer att finnas en tipppunkt när varje bil på vägen är autonom, finns det också kommer att bli en rörig mellanled när självkörande bilar måste dela vägen med människodrivna bilar. Vet du vilka problemparterna sannolikt kommer att vara i detta scenario? Det stämmer: de köttiga, oförutsägbara, ibland försiktiga, ibland benägna att rasa på väg.

För att försöka lösa detta problem har forskare från MIT: s Computer Science and Artificial Intelligence Laboratory (CSAIL) skapat en ny algoritm avsedd att tillåta självkörande bilar att klassificera andra förares "sociala personligheter" på väg. På samma sätt som människor (ofta icke-vetenskapligt) försöker fastställa svaren från andra förare när vi säger, rör sig vid en korsning, så att de autonoma fordonen kommer att försöka ta reda på vem de har att göra med för att undvika olyckor på väg.

"Vi har utvecklat ett system som integrerar verktyg från socialpsykologi i beslutsfattande och kontroll av autonoma fordon," Wilko Schwarting, en forskningsassistent vid MIT CSAIL, berättade för Digital Trends. "Den kan uppskatta förarnas beteende med avseende på hur självisk eller osjälvisk en viss förare verkar vara. Systemets förmåga att uppskatta förarnas så kallade "Social Value Orientation" gör det möjligt att bättre förutsäga vad mänskliga förare kommer att göra och kan därför köra säkrare."

Social värdeorientering

På det hela taget fungerar våra körsystem ganska bra; prioritera en förare framför en annan, dela in oss i körfält och så vidare. Men det finns fortfarande många mer subjektiva ögonblick när flera parter måste ta reda på hur de ska samordna sina ansträngningar för att slutföra en manöver, ibland i höga hastigheter. Att veta om du har att göra med en otålig förare som kommer att skära dig eller en tålmodig som att vänta eller ge vika kan betyda skillnaden mellan en lyckad resa och en fyllig fender bender. Det faktum att det sker hundratusentals körfältsbyte, sammanslagning och höger- eller vänstersvängsolyckor varje år enbart i USA visar att människor inte riktigt har bemästrat denna subtila konst.

Social Value Orientation är en del av området för ömsesidigt beroende beslutsfattande, som tittar på strategiska interaktioner mellan två eller flera personer. Det är rotat i spelteorin, vars koncept först beskrevs i en bok från 1944 av Oskar Morgenstein och John von Veumann med titeln Teori om spel och ekonomiskt beteende.

Den breda idén är i huvudsak denna: Agenter har sina egna preferenser som kan ordnas i termer av deras användbarhet (nivå av tillfredsställelse). Inom dessa parametrar kommer de att agera logiskt, enligt dessa preferenser. Översatt till körbeteende, oavsett hur oförutsägbar vägen kan verka i rusningstid, genom att veta hur altruistisk, prosocial, egoistisk eller konkurrenskraftig de förare runt omkring dig kan vara, du kan förutsäga beteende för att slutföra din resa utan problem.

Genom att observera hur andra bilar kör, bedömer MIT-algoritmen andra förare på "belöning till andra" vs. "belöning till sig själv" skala. Det skulle innebära att man sorterade in medvägsbor i kategorier "altruistiska", "prosociala", "egoistiska", "konkurrenskraftiga", "sadistiska", "sadomasochistiska", "masochistiska" och "martyrer". Genom att lära sig att inte alla andra bilar beter sig på samma sätt, tror teamet att deras modell kan visa sig vara ett välkommet tillskott till självkörande bilsystem.

"Vi tränade först systemet genom att modellera vägscenarier där varje förare försökte maximera sina egna användbarhet och analysera deras mest effektiva svar i ljuset av alla andra agenters beslut.” sa Schwarting. "Verktyget inkluderar hur mycket en förare väger sin egen fördel mot en annan förares fördel, viktat av SVO. Baserat på den lilla rörelsen från andra bilar kan vår algoritm sedan förutsäga de omgivande bilarnas beteende som samarbetsvilligt, altruistiskt eller egoistiskt under interaktioner. Vi kalibrerade belöningarna baserat på verkliga kördata med maskininlärning, i huvudsak kodade hur mycket mänskliga förare värdesätter komfort, säkerhet eller att snabbt nå sitt mål."

Förutsäga förares beteende

I tester visade teamet att deras algoritm kunde förutsäga beteendet hos andra bilar mer exakt med en faktor 25%. Detta hjälpte fordonet att veta när det skulle när det var vid en vänstersväng jämfört med att svänga framför en mötande förare.

"Det låter oss också bestämma hur kooperativt eller egoistiskt ett autonomt fordon ska vara beroende på scenariot," fortsatte Schwarting. "Att agera alltför konservativt är inte alltid det säkraste alternativet eftersom det kan orsaka missförstånd och förvirring bland mänskliga förare."

Teamet säger att algoritmen ännu inte är redo för bästa sändningstid när det gäller vägtester i verkliga världen. Men de fortsätter att utveckla den och tror att dess tillämpningar kan sträcka sig ännu längre än den som beskrivs här. För det första kan observation av andra bilar hjälpa framtida självkörande fordon att lära sig att uppvisa mer mänskliga egenskaper som kommer att vara lättare för mänskliga förare att förstå.

"[Dessutom] kan detta vara användbart inte bara för helt självkörande bilar, utan för befintliga bilar som vi använder," sa Schwarting. ”Föreställ dig till exempel att en bil plötsligt kommer in i din döda vinkel. Med systemet [vi har utvecklat] kanske du får en varning i backspegeln att bilen i din döda vinkel har en aggressiv förare, vilket kan vara särskilt värdefull information."

Därefter hoppas forskarna kunna tillämpa modellen på fotgängare, cyklar och andra agenter som kan dyka upp i körmiljöer. "Vi skulle också vilja titta på andra robotsystem som behöver interagera med oss, till exempel hushållsrobotar," noterade Schwarting.

Redaktörens rekommendationer

• Volkswagen lanserar sitt eget självkörande biltestprogram i USA.
• Apples ryktade bil kan kosta lika mycket som en Tesla Model S
• Ex-Apple-anställd erkänner sig skyldig till att ha hittat Apple Car-hemligheter
• Poliser förvirrade när de kör över en tom självkörande bil
• Hur en stor blå skåpbil från 1986 banade väg för självkörande bilar