Sistema de IA da TUM Prevê Falhas de Carros Autônomos com até 7 Segundos de Antecedência
Um novo modelo para carros autônomos aprende com falhas passadas ao identificá-las antecipadamente, às vezes com até 7 segundos de antecedência.
Com veículos autônomos, uma situação de direção desconhecida ou complexa (como um cruzamento lotado) pode causar um desengajamento do sistema de autocondução, seja através de medidas de segurança automáticas ou intervenção humana.
Um modelo de inteligência artificial da Universidade Técnica de Munique (TUM) usa milhares de situações reais de tráfego — especificamente, sequências de desengajamento gravadas de testes de direção — como dados de treinamento para prever falhas futuras.
Para prever falhas o mais cedo possível, a abordagem de machine learning classifica sequências de dados de sensores como falha ou sucesso.
Se o sistema detecta uma nova situação de direção que o sistema de controle anteriormente não conseguiu lidar, 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 condições circundantes, como ângulo do volante, condições da estrada, clima, visibilidade e velocidade. O sistema de IA, baseado em uma rede neural recorrente (RNN) e milhares de situações reais de tráfego, aprende a reconhecer padrões com os dados.
O carro em si é tratado como uma caixa preta, focado apenas em entrada e saída de dados. O sistema aprende introspectivamente de seus próprios erros anteriores, segundo a equipe de Munique.
"A grande vantagem da nossa tecnologia: ignoramos completamente o que o carro pensa. Em vez disso, nos limitamos aos dados baseados no que realmente acontece e procuramos padrões", disse o pesquisador principal Prof. Eckehard Steinbach , que também é membro do Conselho Diretor da Munich School of Robotics and Machine Intelligence (MSRM) na TUM. "Desta forma, a IA descobre situações potencialmente críticas que modelos podem não ser capazes de reconhecer, ou ainda não descobriram."
O sistema oferece uma função de segurança que sabe quando e onde os carros têm fraquezas, diz Steinbach.
Steinbach e o método de 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 brusca ou desvio. O resultado dos modelos individuais é fundido pela média das probabilidades individuais de falha.
O Grupo BMW avaliou a "abordagem de previsão de falha introspectiva" através de 14 horas de direção autônoma em vias públicas, analisando cerca de 2.500 situações onde o motorista teve que intervir.
Segundo um estudo, lançado em dezembro de 2020 , a abordagem de fusão tardia permite prever falhas com melhor que 85% de precisão — até sete segundos antes de ocorrerem, e com taxa de falso positivo de 20%.
Em uma breve entrevista com a 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.
Tech Briefs: Acho esta uma ideia interessante: "Ignoramos completamente o que o carro pensa. Em vez disso, nos limitamos aos dados baseados 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, olhamos para o estado do carro, como frenagem e direção, bem como para as imagens da câmera que o carro obtém para detectar padrões que levam a desengajamentos. Embora isso permita que nosso modelo detecte uma grande porcentagem de situações onde um humano tem que assumir, nem toda informação sobre uma cena de direção é capturada nesses dados.
Como exemplo simples, um padrão de frenagem repetida pode ser direção regular em clima quente, mas pode indicar um desengajamento iminente se as estradas estão geladas e escorregadias. Se as imagens da câmera não capturam esta informação sobre o ambiente, esse padrão não pode ser usado para distinguir entre direção regular e interrompida. Embora a informação da câmera geralmente seja suficiente para avaliar as condições da estrada, tais 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 pergunta: Como sistemas autônomos impactarão a natureza?
Tech Briefs: Por que é uma vantagem "ignorar o que o carro pensa?"
Prof. Eckehard Steinbach: Se o carro avalia uma situação completamente corretamente, não haveria necessidade de o motorista intervir. No entanto, superconfiança é um desafio significativo de muitos modelos usados em direção autônoma. Ao registrar e aprender daquelas situações, podemos aprender a detectar se uma nova situação é problemática mesmo se o carro está superconfiante sobre ela.
Além disso, observar sequências de padrões sobre o estado e arredores do carro permite que nosso modelo efetivamente extrapole para o futuro para prever desengajamentos até sete segundos adiante. Esta antecedência, a avaliação do carro da cena pode ainda estar completamente correta, significando 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.
Tech Briefs: Como o sistema consegue determinar um cenário "crítico" sete segundos adiante? Também, 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 gravados, nosso modelo é capaz de detectar padrões que eventualmente evoluem para um cenário onde o motorista humano tem que assumir o controle. Se você sabe o que procurar, pode detectar os primeiros sinais de situações desafiadoras muitos segundos adiante.
Nosso método alcança isso cerca de 85% do tempo sete segundos adiante. Os 15% restantes das situações podem ser explicados pelo fato de que alguns cenários desafiadores se desenvolvem em um tempo muito curto, como pedestres surgindo repentinamente de entre carros estacionados e se aproximando da estrada. Quando a detecção ocorre, o motorista precisa ser alertado.
Tech Briefs: 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 requerido nos próximos sete segundos. Este tempo também permite que o carro planeje uma manobra de parada segura caso o motorista humano não reaja ao aviso.
Tech Briefs: Como foi seu teste de direção? Qual foi a detecção mais impressionante que você viu?
Prof. Eckehard Steinbach: Como os testes de direção foram realizados pelo Grupo BMW, eu não participei deles dentro do carro. Nosso grupo trabalhou posteriormente com as gravações das direções. O elemento mais impressionante do sistema de detecção é quão cedo a previsão frequentemente ocorre. No momento da detecção, o cenário de direção ainda pode parecer regular, por exemplo, apenas para o tráfego no próximo cruzamento se tornar um ambiente complicado e lotado onde o humano assumiu para garantir segurança alguns segundos depois.
Tech Briefs: O que ainda é desafiador para carros autônomos detectarem?
Prof. Eckehard Steinbach: Um desafio importante na direção autônoma é dados novos ou fora de distribuição. Se o carro entra em uma situação para a qual não foi treinado ou vê um objeto que não conhece, problemas podem surgir. Tais cenas novas causam intervenção humana, o que leva a essas cenas serem usadas como dados de treinamento para nossa abordagem. Embora nosso método possa então ajudar a detectar tal novo ambiente desafiador na próxima vez que for encontrado, detectar e gerenciar corretamente uma cena totalmente nova na primeira vez que é encontrada permanece uma tarefa desafiadora.
O que você acha? Compartilhe suas perguntas e comentários abaixo.
Sensor
- Chips Renesas Alimentam Sistema ProPILOT 2.0 da Nissan no Novo Skyline
- Sua Fábrica Está Pronta para IoT? Um Guia Prático
- Top 3 Desafios de Privacidade de Dados que Empresas Devem Superar (2021-23)
- O Impacto da Pandemia na Tomada de Decisão da Cadeia de Suprimentos: Um Novo Paradigma
- Aprimorando Precisão de Programas CNC com Integração de Entrada Externa
- Sistemas de Ignição Avançados para Propulsão Elétrica Confiável de CubeSats
- Sistema de Propulsão Hipersônica Revolucionário Permite Viagens Transcontinentais em Menos de 30 Minutos
- Sistema Avançado de Calibração Aumenta Precisão na Colocação Automatizada de Fibras
- Sistema Ultra-sensível de Detecção de Armas Químicas para Ameaças de Baixo Nível
- Sistema Avançado de Rastreamento de Movimento 3D: Sensor de Próxima Geração para Tecnologia Autônoma