Carros Autônomos Dominam Navegação em Ruas Estreitas
Imagine dois veículos vindo um em direção ao outro em uma rua de mão única.
Se você estiver ao volante nesse tipo de cenário de direção apertado e desafiador, pode negociar com as partes próximas. Pode encostar na lateral da estrada e então sinalizar para o motorista à frente passar pela faixa estreita. Através da interação, você pode descobrir manobras que mantêm todos seguros e a caminho de seu destino.
Um carro autônomo tem um desafio mais difícil e deve de alguma forma entender os motoristas próximos e sua disposição para cooperar.
Um novo algoritmo em desenvolvimento pode guiar um veículo autônomo através de tráfego difícil em uma rua lotada e estreita.
O algoritmo, desenvolvido por pesquisadores do Centro Argo AI para Pesquisa de Veículos Autônomos da Carnegie Mellon University , toma decisões modelando diferentes níveis de cooperatividade do motorista — a probabilidade de um motorista encostar para deixar outro passar.
Com "Aprendizado por Reforço Multiagente" (MARL), a equipe, liderada pelo pesquisador Christoph Killing, fez veículos autônomos exibirem comportamentos semelhantes aos humanos, incluindo direção defensiva e interpretação do comportamento de outros agentes — em simulação, até agora.
O algoritmo não foi usado em um veículo no mundo real, mas os resultados são promissores, graças ao sistema baseado em recompensas do modelo.
"Incentivamos interações com a segurança em mente", disse Killing, ex-bolsista visitante de pesquisa na Escola de Ciência da Computação do Instituto de Robótica e agora parte do Laboratório de Sistemas Aéreos Autônomos na Universidade Técnica de Munique.
Em uma breve entrevista abaixo com Tech Briefs, Christoph explica mais sobre como o modelo baseado em incentivos de sua equipe navega situações de tráfego difíceis, onde não há regras oficiais da estrada.
Tech Briefs: Você caracterizaria seu modelo como mais cooperativo ou agressivo, ao navegar um desafio que requer um pouco de ambos?
Christoph Killing: Como em qualquer cenário de direção, veículos autônomos devem colocar a segurança em primeiro lugar e seguir todas as regras de trânsito. No entanto — e este é o beleza e o desafio do cenário considerado — não existem regras de trânsito coordenadoras neste tipo de cenário (em contraste com cruzamentos de 4 vias, por exemplo). Dois veículos com igual direito de passagem têm que negociar essencialmente quem vai primeiro e quem espera.
Se ambos os veículos forem puramente focados na segurança, ambos encostarão. O principal desafio que enfrentamos em nossa pesquisa foi: Como fazemos um veículo encostar e o outro ir — não fazer ambos encostarem, não fazer ambos irem, quando cada um toma suas próprias decisões sem qualquer instância coordenadora.
Incentivamos interações com a segurança em mente; colidir em velocidade é pior do que tempo esgotado — mas tempos esgotados também resultam em uma pequena penalidade para incentivar os agentes a aprender a interagir e passar um pelo outro.
Tech Briefs: Quais são os principais parâmetros que seu modelo usa para executar a direção? Em que critérios o algoritmo baseia suas decisões?
Christoph Killing: Nosso algoritmo percebe o que estaria disponível em um carro real. Temos medições de distância e velocidade relativa ao redor da frente do carro (veja Fig. 2 no relatório aqui ). Notavelmente, comparado a trabalhos relacionados, não usamos uma visão de olho de pássaro do cenário, mas uma perspectiva egocêntrica. Isso torna um pouco mais complicado, pois agora temos pontos cegos. Esta observação é aumentada por parâmetros adicionais, como a cooperatividade mencionada acima para dizer ao agente quão agressivo comportar-se, mas também o ângulo de direção atual e a posição do acelerador (que você também saberia ao dirigir neste cenário).
Tech Briefs: O que ainda é desafiador para o algoritmo acertar?
Christoph Killing: Existem dois principais desafios: pareamentos excessivamente agressivos e excessivamente passivos. (Compare as visualizações aqui .) Notavelmente, nossas políticas conseguem negociar o cenário na maioria das vezes. No entanto, passageiros humanos podem ficar bastante infelizes com seus carros fazendo algumas das manobras mostradas aqui .
Tech Briefs: O que o algoritmo faz quando fica claro que um motorista oposto está sendo agressivo, um motorista "ruim"? Ou um motorista excessivamente "cooperativo"?
Christoph Killing: Testamos nossas políticas de direção atribuindo um valor de cooperatividade a cada veículo, dizendo-lhe quão agressivo comportar-se. Cada um só conhece sua própria cooperatividade, não a do carro oposto. Esses valores de cooperatividade se traduzem em comportamentos de direção de maneira bastante direta: Um motorista não cooperativo só se interessa por seu próprio progresso. Um motorista altamente cooperativo não se importa qual veículo progride primeiro, desde que alguém vá. Esses valores são fixos durante a interação.
(Não consideramos "perder a paciência". Não vou me aprofundar aqui, mas vamos manter apenas "por razões matemáticas".)
Tech Briefs: Parte do modelo requer uma espécie de "leitura" do motorista oposto?
Christoph Killing: Uma palavra sobre a "leitura": Em robótica, distinguimos entre o estado do mundo (ou seja, o planeta Terra como é agora) e uma observação. Nossos veículos não têm um módulo de memória. Então, como lidamos com coisas que não vemos no momento?
Mais Carros Autônomos no Tech Briefs
Sistema de alerta para carros autônomos aprende com falhas.
Software da Universidade Técnica de Munique mantém veículos autônomos em um caminho seguro.
Digamos, por exemplo, que você está em uma chamada Zoom com alguém. Você percebe uma observação parcial do planeta Terra, por assim dizer. A outra parte pega uma caneca de café fora do campo de visão da câmera, toma um gole e a coloca de volta fora do campo de visão da câmera. Se você considerar apenas a última observação que fez depois que a caneca foi colocada e for perguntado o que eles bebem, você simplesmente não sabe (porque não há memória). No entanto, se você empilhar várias observações ao longo dos últimos segundos (chamamos de "concatenar"), você pode inferir algo sobre o estado do mundo, pois então vê a caneca sendo movida através de vários quadros. Com base na rapidez com que a movem, você pode até dizer algo sobre seu humor.
Igualmente, em nosso cenário, cada carro só conhece o outro agente, baseado no que pode observar do espaço de observação (mostrado na Fig 2 do artigo ). Estados internos (o valor de cooperatividade do outro carro, por exemplo) são desconhecidos. Concatenamos várias dessas observações parciais de cada veículo para permitir que eles formem implicitamente uma crença sobre quão cooperativo o outro veículo pode ser. Não fazemos isso manualmente, mas temos a Rede Neural Profunda, a inteligência artificial, absorver a tarefa. Esta Rede Neural também tem que aprender a resposta à sua pergunta, ou seja, o que fazer depois que notou uma certa agressividade ou comportamento excessivamente cooperativo.
Tech Briefs: Como o modelo nota um comportamento "agressivo" ou "cooperativo" e responde adequadamente?
Christoph Killing: Um agente excessivamente agressivo pode, por exemplo, prosseguir direto para o gargalo do cenário, essencialmente forçando o outro agente a esperar. Um agente excessivamente cooperativo — assim que a extensão total do gargalo for perceptível por seus sensores — desaceleraria e esperaria. Aqui, nossa política é treinada para selecionar imediatamente a ação complementar: detectar uma desaceleração e ir, ou vice-versa.
Tech Briefs: O que vem a seguir para esta pesquisa?
Christoph Killing: Muitas coisas: Três pontos principais: Primeiro, o trabalho atual é veículo autônomo confrontado com veículo autônomo apenas. Precisaremos estender isso para veículo autônomo confrontado com humano e ver quão bem cooperamos com eles. Segundo, em nosso trabalho os veículos só podem avançar, não permitimos ré. No entanto, isso poderia ajudar a recuperar situações onde estamos presos. Terceiro, nosso trabalho atualmente é apenas simulação. Transferi-lo para uma solução no mundo real é um grande passo que precisamos dar em algum momento.
O que você acha? Compartilhe suas perguntas e comentários abaixo.
Sensor
- Semáforos: Engenharia, História e Inovações Futuras
- Semáforo Inteligente: Iluminação Pública Adaptativa com IoT
- Intel Define Meta Ambiciosa: Implantar 100 Veículos Autônomos Globalmente Até Fim do Ano
- Desvendando Pontos Cegos da IA para Aumentar a Segurança de Veículos Autônomos
- Carros Autônomos Têm 5% Menos Precisão na Detecção de Pedestres de Pele Escura — Viés nos Dados de Treino
- IA Prevê Movimentos de Pedestres para Carros Autônomos Mais Seguros
- Modelo Analítico Avançado Revela Desempenho Ótimo de Baterias
- Ferramenta Fe³ da NASA Ames: Simulação Avançada de Tráfego Aéreo de Baixa Altitude
- Sensores Eliminam Risco de Faísca, Aumentando Segurança de Veículos a Hidrogênio
- Sistema de IA da TUM Prevê Falhas de Carros Autônomos com até 7 Segundos de Antecedência