Um sistema de alerta para carros autônomos aprende com as falhas

Um novo modelo para carros autônomos aprende com as falhas do passado, detectando-as com antecedência, às vezes em até 7 segundos.

Com veículos autônomos, uma situação de direção desconhecida ou complexa (como um cruzamento lotado) pode causar um desligamento do sistema de direção autônoma, seja por meio de medidas automáticas de segurança ou intervenção humana.

Um modelo de inteligência artificial da Universidade Técnica de Munique (TUM) usa milhares de situações de tráfego da vida real – especificamente, sequências de desengajamento registradas de test drives – como dados de treinamento para prever falhas futuras.

Para prever falhas o mais cedo possível, a abordagem de aprendizado de máquina classifica sequências de dados do sensor como falha ou sucesso.

Se o sistema detectar uma nova situação de condução que o sistema de controle não conseguia lidar anteriormente, por exemplo, o motorista será avisado antecipadamente de uma possível situação crítica.

A tecnologia de segurança desenvolvida pela TUM usa sensores e câmeras para capturar as condições do ambiente, como o ângulo do volante, condições da estrada, clima, visibilidade e velocidade. A I.A. sistema, baseado em uma rede neural recorrente (RNN) e milhares de situações de tráfego real, aprende a reconhecer padrões com os dados.

O carro em si é tratado como uma caixa preta, focada apenas na entrada e saída de dados. O sistema aprende introspectivamente com seus próprios erros anteriores, de acordo com a equipe de Munique.



"A grande vantagem de nossa tecnologia:ignoramos completamente o que o carro pensa. Em vez disso, nos limitamos aos dados com base no que realmente acontece e procuramos padrões", disse o pesquisador principal Prof. Eckehard Steinbach , que também é membro do Conselho de Administração da Escola de Robótica e Inteligência de Máquina de Munique (MSRM) na TUM,. “Dessa forma, a I.A. descobre situações potencialmente críticas que os modelos podem não ser capazes de reconhecer, ou ainda precisam descobrir."

O sistema oferece uma função de segurança que sabe quando e onde os carros têm pontos fracos, diz Steinbach.

O método de Steinbach e sua equipe combina dois tipos de sensores. Um modelo baseado em imagem aprende a detectar situações geralmente desafiadoras, como uma rua movimentada da cidade. Um modelo adicional baseado em dados detecta mudanças rápidas imediatamente antes de uma falha, como frenagem repentina ou desvio. O resultado dos modelos individuais é fundido pela média das probabilidades de falha individuais.

O BMW Group avaliou a “abordagem de previsão de falhas introspectiva” através de 14 horas de condução autônoma em vias públicas, analisando cerca de 2.500 situações em que o motorista teve que intervir.

De acordo com um estudo divulgado em dezembro de 2020 , a abordagem de fusão tardia permite prever falhas com precisão superior a 85% – até sete segundos antes que ocorram e com uma taxa de falsos positivos de 20%.

Em uma breve entrevista com Tech Briefs abaixo, Steinbach fala sobre os pontos fortes de uma abordagem de caixa preta, bem como as limitações das medidas de segurança veicular atuais.

Resumos técnicos :Acho que esta é uma ideia interessante:“Ignoramos completamente o que o carro pensa. Em vez disso, nos limitamos aos dados com base no que realmente acontece e procuramos padrões.” Quais são alguns exemplos de padrões que um modelo pode não reconhecer?

Prof. Eckehard Steinbach :Em nosso trabalho, analisamos o estado do carro, como frenagem e direção, bem como as imagens da câmera que o carro obtém para detectar padrões que levam a desengates. Embora isso permita que nosso modelo detecte uma grande porcentagem de situações em que um humano precisa assumir o controle, nem todas as informações sobre uma cena de direção são capturadas nesses dados.

Como um exemplo simples, um padrão de frenagem repetida pode ser a condução regular em clima quente, mas pode indicar um desligamento iminente se as estradas estiverem geladas e escorregadias. Se as imagens da câmera não capturarem essas informações sobre o ambiente, esse padrão não poderá ser usado para distinguir entre condução regular e irregular. Embora as informações da câmera geralmente sejam suficientes para avaliar as condições da estrada, esses padrões ainda podem ser difíceis de reconhecer.

Mais sobre carros autônomos

Assista na Tech Briefs TV:Michigan está desenvolvendo um corredor inédito para veículos conectados e autônomos.

No Blog:Uma pesquisa com especialistas explora a questão:Como os sistemas autônomos impactarão a natureza?

Resumos técnicos :Por que é uma vantagem "ignorar o que o carro pensa?"

Prof. Eckehard Steinbach :Se o carro avaliasse uma situação de forma completamente correta, não haveria necessidade de intervenção do motorista. No entanto, o excesso de confiança é um desafio significativo de muitos modelos usados ​​na condução autônoma. Ao registrar e aprender com essas situações, podemos aprender a detectar se uma nova situação é problemática, mesmo que o carro esteja confiante demais sobre ela.

Além disso, observar sequências de padrões sobre o estado e os arredores do carro permite que nosso modelo extrapole efetivamente para o futuro para prever desengates até sete segundos à frente. Com essa antecedência, a avaliação do carro da cena ainda pode estar completamente correta, o que significa que não poderia ser usada para prever o cenário desafiador. Os dados brutos coletados, por outro lado, podem já conter padrões que levaram a falhas antes e, portanto, permitem prever desengajamentos com antecedência.

Resumos técnicos :Como o sistema é capaz de determinar um cenário “crítico” com sete segundos de antecedência? Além disso, quando essa detecção ocorre, o que acontece a seguir? O que o motorista vê no carro e o que o carro faz?

Prof. Eckehard Steinbach :A chave é observar sequências de dados e procurar padrões temporais. Ao considerar os últimos três segundos de dados registrados, nosso modelo é capaz de detectar padrões que eventualmente evoluem para um cenário em que o motorista humano precisa assumir o controle. Se você souber o que procurar, poderá detectar os primeiros sinais de situações desafiadoras muitos segundos à frente.

Nosso método alcança isso cerca de 85% das vezes com sete segundos de antecedência. Os 15% restantes das situações podem ser explicados pelo fato de alguns cenários desafiadores se desenvolverem em um tempo muito curto, como pedestres emergindo de repente entre carros estacionados e se aproximando da estrada. Quando a detecção ocorre, o motorista precisa ser alertado.

Resumos técnicos :Como o motorista é alertado?

Prof. Eckehard Steinbach :A implementação deste alerta depende da escolha específica da interface homem-máquina, mas o motorista precisa saber que seu controle do carro será necessário nos próximos sete segundos. Esse tempo também permite que o carro planeje uma manobra de parada segura caso o motorista humano não reaja ao aviso.

Resumos técnicos :Como foi seu test-drive? Qual foi a detecção mais impressionante que você viu?

Prof. Eckehard Steinbach :Como os test drives foram realizados pelo BMW Group, não participei deles dentro do carro. Nosso grupo depois trabalhou com as gravações dos drives. O elemento mais impressionante do sistema de detecção é o quão cedo a previsão geralmente ocorre. No momento da detecção, o cenário de direção ainda pode parecer regular, por exemplo, apenas para o tráfego no próximo cruzamento se transformar em um ambiente complicado e lotado, onde o humano assumiu para garantir a segurança alguns segundos depois.

Resumos técnicos :O que ainda é um desafio para carros autônomos detectarem?

Prof. Eckehard Steinbach :Um desafio importante na direção autônoma são dados novos ou fora de distribuição. Se o carro entrar em uma situação para a qual não foi treinado ou vir um objeto que não conhece, podem surgir problemas. Essas novas cenas causam intervenção humana, o que leva essas cenas a serem usadas como dados de treinamento para nossa abordagem. Embora nosso método possa ajudar a detectar um novo ambiente desafiador na próxima vez que for encontrado, detectar e gerenciar corretamente uma cena totalmente nova na primeira vez que for encontrada continua sendo uma tarefa desafiadora.

O que você acha? Compartilhe suas perguntas e comentários abaixo.