Новые Технологии
MIT учит самоуправляемые автомобили, как психоаналитически анализировать людей на дороге

В марте 2004 года Агентство перспективных исследовательских проектов Министерства обороны США (DARPA) организовало специальное грандиозное мероприятие по проверке перспектив — или отсутствия таковых — самоходных автомобилей текущего поколения. Участники из лучших в мире лабораторий A. I. Labs соревновались за приз в 1 миллион долларов; их специально построенные транспортные средства старались изо всех сил автономно перемещаться по 142-мильному маршруту через калифорнийскую пустыню Мохаве. Все прошло не очень хорошо. "Победившая" команда успела проехать всего 11 километров за несколько часов, прежде чем резко остановиться. И загорелся.

За полтора десятилетия многое изменилось . Самоуправляемые автомобили успешно проехали сотни тысяч миль по реальным дорогам. Не будет спорным сказать, что люди почти наверняка будут в большей безопасности в автомобиле, управляемом роботом, чем в автомобиле, управляемом человеком. Однако, хотя в конечном итоге будет переломный момент, когда каждый автомобиль на дороге будет автономным, также будет беспорядочная промежуточная фаза, когда самоходные автомобили должны будут делиться дорогой с автомобилями, управляемыми человеком. Вы знаете, кто из проблемных сторон, скорее всего, будет в этом сценарии? Это верно: мясистые, непредсказуемые, иногда-осторожные, иногда-склонные к дорожной ярости люди.

Чтобы попытаться решить эту проблему, исследователи из Лаборатории компьютерных наук и искусственного интеллекта MIT (CSAIL) создали новый алгоритм, предназначенный для того, чтобы позволить самоуправляющимся автомобилям классифицировать “социальные личности” других водителей на дороге. Точно так же, как люди пытаются выяснить реакцию других водителей, когда мы, скажем, двигаемся на перекрестке. Поэтому автономные транспортные средства будут пытаться выяснить, с кем они имеют дело, чтобы избежать аварий на дороге.

” Мы разработали систему, которая интегрирует инструменты из социальной психологии в процесс принятия решений и управления автономными транспортными средствами",-сказал Вилко Швартинг, научный сотрудник MIT CSAILs. "Он способен оценить поведение водителей по отношению к тому, насколько эгоистичным или бескорыстным кажется конкретный водитель. Способность системы оценивать так называемую "социальную ценностную ориентацию" водителей позволяет ей лучше предсказывать, что будут делать люди-водители, и поэтому она может вести себя более безопасно.”

Социальная Ценностная Ориентация

В целом, наши рамки вождения функционируют довольно хорошо; давая приоритет одному водителю над другим, разделяя нас на направленные полосы и так далее. Но есть еще много более субъективных моментов, когда несколько сторон должны выяснить, как координировать свои действия, чтобы завершить маневр, иногда на высоких скоростях. Знание того, имеете ли вы дело с нетерпеливым водителем, который собирается разрубить вас, или терпеливым, который собирается ждать или уступить дорогу, может означать разницу между успешным путешествием и чреватым гибелью крыла. Тот факт, что в одних только Соединенных Штатах ежегодно происходят сотни тысяч дорожно-транспортных происшествий, связанных с изменением полосы движения, слиянием и поворотом направо или налево, показывает, что люди еще не вполне овладели этим тонким искусством.

Социальная ценностная ориентация является частью поля взаимозависимого принятия решений, рассматривая стратегические взаимодействия между двумя или более людьми. Она уходит своими корнями в теорию игр, концепции которой впервые были изложены в книге Оскара Моргенштейна и Джона фон Веймана "Теория игр и экономическое поведение", вышедшей в 1944 году .

Общая идея по существу такова: агенты имеют свои собственные предпочтения, которые могут быть упорядочены с точки зрения их полезности (уровня удовлетворения). В рамках этих параметров они будут действовать логически, в соответствии с этими предпочтениями. В переводе на поведение водителя, независимо от того, насколько непредсказуемой дорога может показаться в час пик, зная, насколько альтруистичными, просоциальными, эгоистичными или конкурентоспособными могут быть водители вокруг вас, вы можете предсказать поведение, чтобы завершить свое путешествие без проблем.

Наблюдая за тем, как ездят другие автомобили, алгоритм MIT оценивает других водителей по шкале “вознаграждение другим” против шкалы “вознаграждение самому себе”. Это означало бы разделение собратьев-путников на” альтруистические“,” просоциальные“,” эгоистические“,” конкурентные“,” садистские“,” садомазохистские“,” мазохистские “и” мученические " категории. Узнав, что не все другие автомобили ведут себя так же, команда считает, что их модель может оказаться желанным дополнением к системам самоуправляемых автомобилей.

“Сначала мы обучили систему моделированию дорожных сценариев, в которых каждый водитель пытался максимизировать свою собственную полезность и анализировать свои наиболее эффективные ответы в свете решений всех других агентов”, - сказал Швартинг. "Утилита включает в себя, сколько драйвер взвешивает свою собственную выгоду против выгоды другого драйвера, взвешенной SVO. Основываясь на этом крошечном фрагменте движения от других автомобилей, наш алгоритм мог бы затем предсказать поведение окружающих автомобилей как кооперативное, альтруистическое или эгоистичное во время взаимодействий. Мы откалибровали вознаграждения, основанные на реальных данных вождения с помощью машинного обучения, по существу, кодируя, насколько люди-водители ценят комфорт, безопасность или быстро добираются до своей цели.”

Прогнозирование поведения водителей

В тестах команда показала, что их алгоритм может более точно предсказать поведение других автомобилей в 25% раз. Это помогло транспортному средству знать, когда он должен, когда на левом повороте против поворота перед встречным водителем.

“Это также позволяет нам решить, насколько кооперативным или эгоистичным должен быть автономный автомобиль в зависимости от сценария”, - продолжил Швартинг. "Чрезмерно консервативное поведение не всегда является самым безопасным вариантом, потому что это может вызвать непонимание и путаницу среди людей-водителей.”

Команда говорит, что алгоритм еще не готов к прайм-тайму с точки зрения реального дорожного тестирования. Но они продолжают развивать его, и думают, что его приложения могут простираться еще дальше, чем тот, который описан здесь. Во-первых, наблюдение за другими автомобилями может помочь будущим самоходным транспортным средствам научиться проявлять больше человекоподобных черт, которые будут легче понять водителям-людям.

"Это может быть полезно не только для полностью самоуправляемых автомобилей, но и для существующих автомобилей, которые мы используем”,-сказал Швартинг. "Например, представьте, что автомобиль внезапно входит в ваше слепое пятно. С помощью системы вы можете получить предупреждение в зеркале заднего вида о том, что автомобиль в вашем слепом пятне имеет агрессивного водителя, что может быть особенно ценной информацией.”

Далее исследователи надеются применить эту модель к пешеходам, велосипедам и другим агентам, которые могут появиться в условиях вождения. “Мы также хотели бы посмотреть на другие роботизированные системы, которые должны взаимодействовать с нами, такие как бытовые роботы”.

Читайте по теме так же: Технология слежения за тенями MIT может позволить автономным автомобилям видеть за углами

Автор: Люк Дормель