Bedre autonom ræsonnement i vanskelige vejkryds

Forskere fra MIT og Toyota har designet en ny model for at hjælpe selvkørende køretøjer med at bestemme, hvornår det er sikkert at smelte sammen i trafikken i kryds med blokeret udsigt.

At navigere i kryds kan være farligt for både førerløse biler og mennesker. I 2016 omkring 23 procent af dødelige og 32 procent af ikke -dødelige amerikanske trafikuheld skete i kryds, ifølge en undersøgelse fra Department of Transportation fra 2018. Automatiserede systemer, der hjælper førerløse biler og menneskelige chauffører med at styre gennem vejkryds, kan kræve direkte synlighed af de objekter, de skal undgå. Når deres sigtelinje er blokeret af nærliggende bygninger eller andre forhindringer, disse systemer kan fejle.

Forskerne udviklede en model, der i stedet bruger sin egen usikkerhed til at vurdere risikoen for potentielle kollisioner eller andre trafikforstyrrelser i sådanne kryds. Det vejer flere kritiske faktorer, inklusive alle nærliggende visuelle forhindringer, sensorstøj og fejl, andre bilers hastighed, og endda andre chaufførers opmærksomhed. Baseret på den målte risiko, systemet kan råde bilen til at stoppe, trække i trafikken, eller skub frem for at indsamle flere data.

"Når du nærmer dig et kryds, er der potentiel fare for kollision. Kameraer og andre sensorer kræver sigtelinje. Hvis der er okklusioner, de har ikke nok synlighed til at vurdere, om det er sandsynligt, at der kommer noget, " siger Daniela Rus, direktør for Computer Science and Artificial Intelligence Laboratory (CSAIL) og Andrew og Erna Viterbi professor i elektroteknik og datalogi. "I dette arbejde, vi bruger en prædiktiv kontrolmodel, der er mere robust over for usikkerhed, at hjælpe køretøjer med at navigere sikkert i disse udfordrende vejsituationer."

Forskerne testede systemet i mere end 100 forsøg med fjernstyrede biler, der drejede til venstre ved en travl, forhindret kryds i en hånlig by, med andre biler, der konstant kører gennem tværgaden. Eksperimenter involverede fuldt autonome biler og biler drevet af mennesker, men assisteret af systemet. I alle tilfælde, systemet hjalp med succes bilerne med at undgå kollision fra 70 til 100 procent af tiden, afhængig af forskellige faktorer. Andre lignende modeller implementeret i de samme fjernstyrede biler kunne nogle gange ikke gennemføre en enkelt prøvekørsel uden en kollision.

Sammen med Rus på papiret er:førsteforfatter Stephen G. McGill, Guy Rosman, og Luke Fletcher fra Toyota Research Institute (TRI); kandidatstuderende Teddy Ort og Brandon Araki, forsker Alyssa Pierson, og postdoc Igor Gilitschenski, hele CSAIL; Sertac Karaman, en MIT lektor i luftfart og astronautik; og John J. Leonard, Samuel C. Collins professor i mekanisk og havteknik fra MIT og en TRI teknisk rådgiver.

Modellering af vejstrækninger

Modellen er specielt designet til vejkryds, hvor der ikke er stoplys, og en bil skal give efter, før den manøvrerer ind i trafikken ved krydset, som at tage et venstresving gennem flere kørebaner eller rundkørsler. I deres arbejde, forskerne deler en vej op i små segmenter. Dette hjælper modellen med at bestemme, om et givet segment er optaget for at estimere en betinget risiko for kollision.

Autonome biler er udstyret med sensorer, der måler hastigheden af ​​andre biler på vejen. Når en sensor klokker en forbipasserende bil, der kører ind i et synligt segment, modellen bruger den hastighed til at forudsige bilens fremgang gennem alle andre segmenter. Et sandsynligt "bayesiansk netværk" overvejer også usikkerheder - såsom støjende sensorer eller uforudsigelige hastighedsændringer - for at bestemme sandsynligheden for, at hvert segment er optaget af en forbipasserende bil.

På grund af nærliggende okklusioner, imidlertid, denne enkelt måling er muligvis ikke tilstrækkelig. I bund og grund, hvis en sensor aldrig kan se et udpeget vejsegment, så tildeler modellen den en høj sandsynlighed for at blive okkluderet. Fra hvor bilen er placeret, der er øget risiko for kollision, hvis bilen bare kører hurtigt ud i trafikken. Dette tilskynder bilen til at skubbe fremad for at få et bedre overblik over alle okkluderede segmenter. Når bilen gør det, modellen sænker sin usikkerhed og på tur, risiko.

Men selvom modellen gør alt korrekt, der er stadig menneskelige fejl, så modellen estimerer også andre bilisters bevidsthed. "Disse dage, chauffører kan sende sms'er eller på anden måde distrahere, så den tid det tager at reagere kan være meget længere, " siger McGill. "Vi modellerer den betingede risiko, såvel."

Det afhænger af at beregne sandsynligheden for, at en chauffør så eller ikke så den autonome bil køre ind i krydset. For at gøre det, modellen ser på antallet af segmenter, en kørende bil har passeret igennem før krydset. Jo flere segmenter den havde optaget, før den nåede krydset, jo større sandsynlighed for, at den har set den autonome bil, og jo lavere er risikoen for kollision.

Modellen summerer alle risikoestimater fra trafikhastighed, okklusioner, støjende sensorer, og førerbevidsthed. Det overvejer også, hvor lang tid det vil tage den autonome bil at styre en forud planlagt sti gennem krydset, samt alle sikre stoppesteder for krydsende trafik. Dette giver et samlet risikoestimat.

Det risikoestimat bliver løbende opdateret, uanset hvor bilen befinder sig i krydset. Ved tilstedeværelse af flere okklusioner, for eksempel, det skubber frem, lidt efter lidt, at mindske usikkerheden. Når risikoestimatet er lavt nok, modellen fortæller, at bilen skal køre gennem krydset uden at stoppe. Dvælende i midten af ​​krydset for længe, fandt forskerne, øger også risikoen for en kollision.

Hjælp og intervention

At køre modellen på fjernstyrede biler i realtid indikerer, at den er effektiv og hurtig nok til at blive implementeret i fuldskala autonome testbiler i den nærmeste fremtid, siger forskerne. (Mange andre modeller er for beregningsmæssigt tunge til at køre på disse biler.) Modellen har stadig brug for langt mere strenge tests, før den bruges til implementering i den virkelige verden i produktionsbiler.

Modellen ville tjene som en supplerende risikomåling, som et autonomt køretøjssystem kan bruge til bedre begrundelse for at køre sikkert gennem kryds. Modellen kan også potentielt implementeres i visse "avancerede driver-assistive systems" (ADAS), hvor mennesker har delt kontrol over køretøjet.

Næste, forskerne sigter mod at inkludere andre udfordrende risikofaktorer i modellen, såsom tilstedeværelsen af ​​fodgængere i og omkring vejkrydset.

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.