içinde

Otonom araçların çevre tahmini için yapay zeka(AI) kullanma

Otonom araçlar gittikçe çoğalıyorlar fakat bu araçların çevre tahmini, İnsanların ve araçların hal ve harketlerin doğru tahmin etmesi gerekir. Bunu doğru ve etkili şekilde yapabilmesi yapay zeka(AI) güzel bir çözüm yolu olabilir.

İnsanlar, tam otonom araçları şehrin sokaklarından uzak tutan en büyük barikatlardan biri olabilir. Bir robot, Boston şehir merkezinde bir aracı güvenli bir şekilde yönlendirecekse, yakındaki sürücülerin, bisikletçilerin ve yayaların bir sonraki adımda ne yapacağını tahmin edebilmesi gerekir.

Bununla birlikte, davranış tahmini zor bir problemdir ve mevcut yapay zeka çözümleri ya çok basittir (yayaların her zaman düz bir çizgide yürüdüğünü varsayabilirler, çok tutucudur yayalardan kaçınmak için robot arabayı parkta bırakır ya da olabilir. yalnızca bir temsilcinin sonraki hareketlerini tahmin edin (yollar genellikle birçok kullanıcıyı aynı anda taşır.

MIT araştırmacıları, bu karmaşık soruna aldatıcı derecede basit bir çözüm geliştirdiler. Çok etmenli davranış tahmini problemini daha küçük parçalara bölerler ve her birini ayrı ayrı ele alırlar, böylece bir bilgisayar bu karmaşık görevi gerçek zamanlı olarak çözebilir.

Davranış-tahmin çerçeveleri önce iki yol kullanıcısı arasındaki ilişkileri (hangi araba, bisikletçi veya yaya geçiş hakkına sahip olduğunu ve hangi aracının yol vereceğini) tahmin eder ve bu ilişkileri birden çok aracı için bir sonraki yönlerini tahmin etmek için kullanır.

otonom araclar icinyapay zeka

Bu tahmini yörüngeler, otonom sürüş şirketi Waymo tarafından derlenen muazzam bir veri kümesindeki gerçek trafik akışına kıyasla, diğer makine öğrenimi modellerinden daha doğruydu. MIT tekniği, Waymo’nun yakın zamanda yayınlanan modelinden bile daha iyi performans gösterdi. Ve araştırmacılar sorunu daha basit parçalara ayırdıkları için teknikleri daha az bellek kullandı.

MIT “Bu çok sezgisel bir fikir, ancak daha önce hiç kimse tam olarak keşfetmedi ve oldukça iyi çalışıyor. Basitlik kesinlikle bir artı. Modelimizi, aşağıdakiler dahil olmak üzere alandaki diğer son teknoloji modellerle karşılaştırıyoruz. Bu alandaki lider şirket olan Waymo’dan bir model ve modelimiz bu zorlu kriterde en yüksek performansı elde ediyor. Bu, gelecek için çok fazla potansiyele sahip” diyor baş yazar Xin “Cyrus” Huang, aynı zamanda yüksek lisans öğrencisi. Havacılık ve Uzay Bilimleri Bölümü ve Brian Williams’ın laboratuvarında araştırma görevlisi, havacılık ve uzay bilimi profesörü ve Bilgisayar Bilimi ve Yapay Zeka Laboratuvarı (CSAIL) üyesi.

Çok küçük modellerinde test işlemleri

Araştırmacıların M2I adı verilen makine öğrenimi yöntemi iki girdi alır: dört yönlü kavşak gibi bir trafik ortamında etkileşime giren arabaların, bisikletçilerin ve yayaların geçmiş yörüngeleri ve sokak konumlarını, şerit konfigürasyonlarını vb. içeren bir harita.

Bu bilgiyi kullanarak, bir ilişki tahmincisi, birini geçiş yapan ve diğerini verim veren olarak sınıflandırarak, iki aracıdan hangisinin ilk geçiş hakkına sahip olduğunu çıkarır. Daha sonra, marjinal tahmin edici olarak bilinen bir tahmin modeli, bu etmen bağımsız olarak hareket ettiğinden, geçen etmen için yörüngeyi tahmin eder. Koşullu bir tahmin edici olarak bilinen ikinci bir tahmin modeli, daha sonra, geçen etmen eylemlerine dayalı olarak veren etkenin ne yapacağını tahmin eder. Sistem, veren ve geçen için bir dizi farklı yörüngeyi tahmin eder, her birinin olasılığını ayrı ayrı hesaplar ve ardından meydana gelme olasılığı en yüksek olan altı ortak sonucu seçer.

M2I, bu aracıların sonraki sekiz saniye boyunca trafikte nasıl hareket edeceğine dair bir tahmin verir. Bir örnekte, yöntemleri bir aracın yavaşlamasına neden oldu, böylece bir yaya karşıdan karşıya geçebilir, ardından kavşaktan çıktıklarında hızlanabilirdi. Başka bir örnekte, araç bir yan sokaktan yoğun bir ana yola dönmeden önce birkaç araba geçene kadar bekledi. Bu ilk araştırma iki etmen arasındaki etkileşimlere odaklanırken, M2I birçok etmen arasındaki ilişkileri çıkarsayabilir ve daha sonra çoklu marjinal ve koşullu tahmin edicileri birbirine bağlayarak yörüngelerini tahmin edebilir.

Gerçek dünya sürüş test sonuçları

Araştırmacılar, modelleri, şirketin otonom araçlarına monte edilmiş lidar (ışık algılama ve mesafe) sensörleri ve kameralar tarafından kaydedilen araçlar, yayalar ve bisikletlileri içeren milyonlarca gerçek trafik sahnesini içeren Waymo Açık Hareket Veri Kümesini kullanarak eğitti. Özellikle birden fazla ajanın olduğu vakalara odaklandılar.

Doğruluğu belirlemek için, her yöntemin güven seviyelerine göre ağırlıklandırılmış altı tahmin örneğini, bir sahnedeki arabaların, bisikletçilerin ve yayaların izlediği gerçek yörüngelerle karşılaştırdılar. Onların yöntemi en doğru olanıydı. Ayrıca, örtüşme oranı olarak bilinen bir metrikte temel modellerden daha iyi performans gösterdi; iki yörünge üst üste gelirse, bu bir çarpışmayı gösterir. M2I en düşük örtüşme oranına sahipti.

Huang “Bu sorunu çözmek için daha karmaşık bir model oluşturmak yerine, daha çok bir insanın başkalarıyla etkileşimleri hakkında akıl yürütürken nasıl düşündüğüne benzeyen bir yaklaşım benimsedik. Bir insan, gelecekteki yüzlerce davranış kombinasyonunun tümü hakkında akıl yürütmez. kararlar oldukça hızlı” diyor.”

M2I‘nin bir başka avantajı da, sorunu daha küçük parçalara ayırdığı için, kullanıcının modelin karar verme sürecini anlamasının daha kolay olmasıdır. Huang, uzun vadede kullanıcıların otonom araçlara daha fazla güvenmelerine yardımcı olabileceğini söylüyor.

Ancak çerçeve, iki aracın birbirini karşılıklı olarak etkilediği durumları açıklayamaz, örneğin iki aracın her birinin dört yönlü bir durakta öne doğru dürtmesi gibi, çünkü sürücüler kimin pes etmesi gerektiğinden emin değil.

Gelecekteki çalışmalarda bu sınırlamayı ele almayı planlıyorlar. Ayrıca, kendi kendine giden arabalar için planlama algoritmalarını doğrulamak veya model performansını iyileştirmek için büyük miktarlarda sentetik sürüş verileri oluşturmak için kullanılabilecek yol kullanıcıları arasındaki gerçekçi etkileşimleri simüle etmek için kendi yöntemlerini kullanmak istiyorlar.

Bildiri

Ne düşünüyorsun?

Bir cevap yazın

Paylaşımcı

Yazar Aras Salvo

İllegalplatform.co 'nun kılıcı Aras Salvo

Gorme engelliler icin yapay zekaAI isbirligi2

Görme engelliler için yapay zeka(AI) işbirliği

Twitterdan iklim degisikligi icin ilginc bir onlem1

Twitter’dan iklim değişikliği için ilginç bir önlem