Undersøgelse hjælper førerløse biler med at skifte vognbane mere som mennesker gør

Inden for selvkørende biler, Algoritmer til at kontrollere vognbaneskift er et vigtigt emne for undersøgelsen. Men de fleste eksisterende vognbaneskiftealgoritmer har en af ​​to ulemper:Enten er de afhængige af detaljerede statistiske modeller af køremiljøet, som er svære at samle og for komplekse til at analysere med det samme; eller de er så simple, at de kan føre til upraktisk konservative beslutninger, såsom aldrig at skifte vognbane overhovedet.

Ved den internationale konference om robotteknologi og automatisering i morgen, forskere fra MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) vil præsentere en ny vognbaneskiftealgoritme, der deler forskellen. Det giver mulighed for mere aggressive vognbaneskift end de simple modeller gør, men er kun afhængig af øjeblikkelig information om andre køretøjers retninger og hastigheder for at træffe beslutninger.

"Motivationen er, 'Hvad kan vi gøre med så lidt information som muligt?'" siger Alyssa Pierson, en postdoc ved CSAIL og førsteforfatter på det nye papir. "Hvordan kan vi få et autonomt køretøj til at opføre sig, som en menneskelig chauffør kan opføre sig? Hvad er den mindste mængde information, bilen har brug for for at fremkalde den menneskelignende adfærd?"

Pierson får følgeskab på papiret af Daniela Rus, Viterbi-professoren i elektroteknik og datalogi; Sertac Karaman, lektor i luftfart og astronautik; og Wilko Schwarting, en kandidatstuderende i elektroteknik og datalogi.

"Optimeringsløsningen vil sikre navigation med vognbaneskift, der kan modellere en hel række af kørestile, fra konservativ til aggressiv, med sikkerhedsgarantier, " siger Rus, hvem er direktør for CSAIL.

En standard måde for autonome køretøjer at undgå kollisioner er at beregne bufferzoner omkring de andre køretøjer i miljøet. Bufferzonerne beskriver ikke kun køretøjernes nuværende positioner, men deres sandsynlige fremtidige positioner inden for en vis tidsramme. Planlægning af vognbaneskift bliver så et spørgsmål om blot at holde sig uden for andre køretøjers bufferzoner.

For enhver given metode til beregning af bufferzoner, algoritmedesignere skal bevise, at det garanterer kollisionsundgåelse, inden for rammerne af den matematiske model, der bruges til at beskrive trafikmønstre. Det bevis kan være komplekst, så de optimale bufferzoner er normalt beregnet på forhånd. Under drift, det autonome køretøj kalder derefter de forudberegnede bufferzoner frem, der svarer til dets situation.

Problemet er, at hvis trafikken er hurtig nok og tæt nok, forudberegnede bufferzoner kan være for restriktive. Et autonomt køretøj vil slet ikke kunne skifte vognbane, hvorimod en menneskelig chauffør muntert lynede rundt på vejbanen.

Med MIT-forskernes system, hvis standardbufferzonerne fører til ydeevne, der er langt dårligere end en menneskelig chaufførs, systemet vil beregne nye bufferzoner på farten – komplet med bevis for kollisionsundgåelse.

Denne tilgang afhænger af en matematisk effektiv metode til at beskrive bufferzoner, så kollisionsundgåelsesbeviset kan udføres hurtigt. Og det har MIT-forskerne udviklet.

De begynder med en såkaldt Gauss-fordeling - den velkendte klokke-kurve-sandsynlighedsfordeling. Denne fordeling repræsenterer bilens aktuelle position, både dens længde og usikkerheden ved dens placeringsvurdering tages i betragtning.

Derefter, baseret på estimater af bilens retning og hastighed, forskernes system konstruerer en såkaldt logistisk funktion. Multiplicering af den logistiske funktion med den Gaussiske fordeling skævvrider fordelingen i retning af bilens bevægelse, med højere hastigheder øger skævheden.

Den skæve fordeling definerer køretøjets nye bufferzone. Men dens matematiske beskrivelse er så enkel - ved kun at bruge nogle få ligningsvariabler - at systemet kan evaluere det med det samme.

Forskerne testede deres algoritme i en simulering med op til 16 autonome biler, der kørte i et miljø med flere hundrede andre køretøjer.

"De autonome køretøjer var ikke i direkte kommunikation, men kørte den foreslåede algoritme parallelt uden konflikt eller kollisioner, " forklarer Pierson. "Hver bil brugte en anden risikotærskel, der gav en anden kørestil, giver os mulighed for at skabe konservative og aggressive drivere. Ved at bruge det statiske, forudberegnede bufferzoner ville kun tillade konservativ kørsel, mens vores dynamiske algoritme giver mulighed for et bredere udvalg af kørestile."